P. 1
Diktat Prob

Diktat Prob

|Views: 18|Likes:
Published by Laras Raras

More info:

Published by: Laras Raras on Jun 19, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/28/2012

pdf

text

original

Sections

1

Diktat Kuliah
TEORI PROBABILITAS
Oleh :
Dr. Adi Setiawan, M. Sc
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS KRISTENSATYA WACANA
SALATIGA
2008
2
Daftar Isi
Prakata
Kata Pengantar
Daftar Isi
BAB I Kejadian dan ruang sampel …………………………………….. 1
BAB II Probabilitas ……………………………………….……………….. 14
BAB III Variabel random diskrit dan distribusi probabilitas diskrit … 21
BAB IV Variabel random kontinu dan distribusi probabilitas kontinu…34
BAB V Harga Harapan ……………………………….…………......…...….. 49
BAB VI Distribusi Probabilitas Bivariat ……………………………………. 68
BAB VII Fungsi Variabel Random ……..………………………………….. 80
BAB VIII Distribusi t dan F ……………………………..………………….…... 91
BAB IX Distribusi Sampling ………………..……..…..……………………. 96
BAB X Teorema Limit Sentral ………………………………………………. 103
Daftar Pustaka
3
BAB I
KEJADIAN DAN RUANG SAMPEL
I.1 Ruang Sampel
Statistikawan pada dasarnya berurusan dengan penyajian dan
penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan
sebelumnya) yang muncul dalam penelitian yang dirancang sebelumnya atau
yang muncul dalam penelitian ilmiah. Dalam pengamatan yang dilakukan di
persimpangan jalan Diponegoro dengan jalan Jenderal Sudirman dicatat
banyak kecelakaan yang terjadi tiap bulan maka akan didapat data-data
pengamatan yang berupa bilangan.
Definisi I.1
Informasi yang dicatat dan dikumpulkan dalam bentuk aslinya baik dalam
bentuk hitungan maupun pengukuran disebut data mentah.
Contoh I.1 :
Bilangan 2, 0, 1, 3, yang menyatakan banyaknya kecelakaan dalam bulan
Januari tahun 2008 di persimpangan jalan Diponegoro dan Jenderal
Sudirman merupakan data mentah.
Tiap proses yang menghasilkan data mentah disebut percobaan.
Contoh I.2 :
Percobaan melantunkan sebuah mata uang logam. Dalam percobaan ini
hanya ada dua macam hasil yang mungkin, yaitu "muka" (M) atau "belakang"
(B). Dalam percobaan ini kita tidak akan pernah dapat memastikan bahwa
suatu lantunan tertentu akan menghasilkan "muka", tetapi dapat diketahui
kemungkinan yang dapat terjadi untuk tiap lantunan.
Definisi I.2 :
Gugus semua hasil yang mungkin dari suatu percobaan statistika disebut
ruang sampel dan dilambangkan dengan huruf S.
4
Tiap hasil dalam ruang sampel atau anggota dari ruang sampel disebut
dengan titik sampel.
Apabila ruang sampel mempunyai unsur yang berhingga banyaknya
maka anggotanya dapat didaftar dengan menuliskan dalam tanda himpunan.
Ruang sampel S yang merupakan kumpulan semua hasil yang mungkin dari
suatu lantunan mata uang dapat ditulis sebagai:
S = { M , B }.
Bila ruang sampel yang besar atau yang anggotanya tak hingga banyaknya
lebih mudah ditulis dengan suatu pernyataan atau syarat yang harus
dipenuhi untuk menjadi anggotanya.
Contoh I.3 :
Percobaan mendata kota-kota di dunia yang berpenduduk lebih dari 1 juta,
ruang sampelnya dapat dituliskan sebagai berikut :
S = { X | X suatu kota yang berpenduduk lebih dari satu juta }.
Untuk menentukan apakah suatu ruang sampel perlu dituliskan dengan cara
mendaftar atau dengan hanya menyebutkan syarat aturannya akan
tergantung pada masalah yang ditangani.
Contoh I.4 :
Misalkan tiga buah barang dipilih secara random dari sepuluh hasil produksi
pabrik. Tiap butir barang diperiksa dan digolongkan menurut keadaan cacat
atau tidak cacat. Ruang sampel yang paling banyak memberi informasi adalah
S1 = {CCC, CCT, CTC, TCC, CTT, TCT, TTC, TTT}.
Dengan T menyatakan tidak cacat, sedangkan C menyatakan cacat. Ruang
sampel lain, kendati hanya memberi sedikit informasi dapat berbentuk
S2 = { 0, 1, 2, 3 }.
Anggota S2 masing-masing menyatakan tak ada yang cacat, satu yang cacat,
dua yang cacat atau ketiganya cacat dari pilihan random tiga barang.
5
SOAL-SOAL
1. Tuliskan anggota tiap ruang sampel berikut ini :
(a) himpunan bilangan bulat antara 1 dan 50 yang habis dibagi 7.
(b) himpunan S= { x | x
2
+ x - 6 = 0 }.
(c) himpunan hasil bila sebuah mata dadu dan mata uang dilantunkan sekaligus.
(d) himpunan S = { x | x nama benua}.
(e) himpunan S = { x | 2x - 4 = 0 dan x > 5 }.
2. Gunakan cara aturan atau pernyataan untuk menjelaskan ruang sampal S yang
terdiri atas semua titik dalam kuadran pertama di dalam suatu lingkaran yang
berjari-jari 3 dengan pusat titik asal.
3. Items coming off a production line are marked defective (D) or nondefective (N).
Items are observed and their condition listed. This is continued until two
consecutive defectives are produced four items have been checked, whichever
occurs first. Describe a sample space for this experiment.
4. (a) A box of N light bulbs has r ( r < N ) buls with broken filaments. These bulbs are
tested, one by one, until a defective bulb is found. Describe a sample space for
this experiment.
(b) Suppose that the above bulbs are tested, one by one until all defectives have
been tested. Describe the sample for this experiment.
I.2 Kejadian
Dalam percobaan mungkin kita ingin mengetahui munculnya kejadian
tertentu dan bukan hasil unsur tertentu dalam ruang sampel. Misalnya kita
ingin mengetahui mengenai kejadian A bahwa hasil lantunan suatu dadu
habis atau dapat dibagi tiga maka A = { 3, 6 } merupakan himpunan
bagian dari ruang sampel
S = { 1, 2, 3, 4, 5, 6}.
Berdasarkan pada Contoh I.4, kejadian B adalah banyaknya
cacat yang terpilih lebih dari satu maka B = { CCC, CCT, CTC, TCC } juga
merupakan himpunan bagian dari
S = { CCC, CCT, CTC, TCC, CTT, TCT, TTC, TTT }.
Jadi tiap kejadian berkaitan dengan sekelompok titik sampel yang membentuk
himpunan bagian ruang sampel tersebut.
6
Definisi I.3
Kejadian adalah himpunan bagian dari ruang sampel.
Contoh I.5 :
Percobaan melakukan pengamatan umur komponen mesin tertentu. Ruang
sampelnya adalah
S = { t | t > 0}
dengan t menyatakan umur (dalam tahun) suatu komponen mesin tertentu
tersebut dan kejadian A menyatakan kejadian bahwa komponen akan
rusak sebelum akhir tahun kelima, berarti A = { t | t < 5 }.
Dalam praktek biasanya kejadiannya dinyatakan lebih dahulu
kemudian ruang sampelnya ditentukan.
Definisi I.4
Suatu kejadian yang hanya mengandung satu unsur ruang sampel disebut
kejadian sederhana. Suatu kejadian majemuk adalah kejadian yang dapat
dinyatakan sebagai gabungan beberapa kejadian sederhana.
Contoh I.6:
Kejadian mengambil sebuah kartu heart dari sekotak kartu bridge
merupakan himpunan bagian A = { heart } dari ruang sampel S = { heart,
spade, club, diamond }. Kejadian A merupakan kejadian sederhana. Kejadian
B menarik sebuah kartu merah merupakan kejadian majemuk,
karena B = { heart diamond } = { heart, diamond }.
Bila ke 52 kartu dalam suatu kotak kartu menjadi unsur ruang sampel
dan bukan ke 4 warna kartu maka kejadian A merupakan kejadian majemuk.
Definisi I.5
Ruang nol atau ruang hampa adalah himpunan bagian ruang sampel yang
tidak mengandung unsur. Himpunan seperti ini dinyatakan dengan C.
7
Contoh I.7 :
Bila A menyatakan kejadian menemukan suatu organisme mikroskopis
dengan mata telanjang dalam suatu percobaan Biologi maka A = C.
Hubungan antara kejadian dan ruang sampel padanannya dapat
digambarkan dengan diagram Venn. Dalam suatu diagram Venn, ruang
sampel dapat digambarkan dengan empat persegi panjang dan kejadian
dinyatakan dalam lingkaran di dalamnya.
Contoh I.8:
Pengambilan sebuah kartu dari 1 kartu dek kartu bridge 52 kartu dan
diamati kejadian berikut ini:
A : kartu yang terambail warna merah,
B : kartu yang ditarik jack, queen, atau king diamond,
C : kartu yang ditarik As.
Kejadian-kejadian tersebut dapat digambarkan dalam diagram Venn sebagai
berikut:
soal
5. Diadakan suatu percobaan melantunkan sepasang dadu, satu dadu
berwarna merah, yang lainnya hijau, hasil yang muncul kemudian dicatat.
(a) Tuliskan anggota ruang sampel S.
(b) Tuliskan anggota S yang berkaitan dengan kejadian A bahwa jumlah
kurang dari S.
(c) Tuliskan anggota S yang berkaitan dengan kejadian B bahwa bilangan 6
muncul pada kedua dadu.
(d) Tuliskan anggota S yang berkaitan dengan kejadian C bahwa bilangan 2
muncul pada dadu hijau.
(e) Buatlah diagram Venn yang menunjukkan hubungan antara kejadian A,
B, C dan S.
6. Surat lamaran dua orang pria untuk jabatan di suatu perusahaan
diletakkan dalam suatu map yang sama dengan surat lamaran dua orang
wanita. Ada dua jabatan yang lowong, yang pertama jabatan direktur
8
dipilih secara random dari keempat pelamar. Jabatan kedua wakil direktur,
dipilih secara random dari ketiga sisanya.
(a) Tuliskan anggota ruang sampel S.
(b) Tuliskan anggota S yang berkaitan dengan kejadian A bahwa lowongan
direktur diisi oleh pelamar pria.
(c) Tuliskan anggota S yang berkaitan dengan kejadian B bahwa tepat
suatu lowongan diisi oleh pelamar pria.
(d) Tuliskan anggota S yang berkaitan dengan kejadian C bahwa tidak ada
lowongan yang diisi oleh pelamar pria.
(e) Buatlah diagram yang memperlihatkan hubungan antara kejadian A, B,
C, S.
7. Consider four objects, say a, b, c, d. Suposse that the order in which these
objects are listed represents the outcome of an experiment. Let the event A
and B be defned as follows: A = { a is the first position }; B = { b is the second
position }. List all elements of the sample space.
8. A lot contains item weighing 5, 10, 5, ... 50 pounds. Assume that at least
two items of each weight are found in the lot. Two items are chosen from the
lot. Let X denote the weight of the first items chosen and Y the weight of the
second item. Thus the pair of numbers (X,Y) represent a single outcome of
the experiment. Using the XY-plane, indicate the sample space and the
following events.
(a) { X = Y }.
(b) { Y > X }.
(c) The second item is twice as heavy as the first item.
(d) The first item weight 10 pounds lass than the second item.
(e) The average weight of the two items is lass than 30 pounds.
Operasi-operasi dan kejadian :
Definisi I.6 :
Operasi dari kejadian A dan kejadian B dinyatakan dengan lambang A · B
yaitu kejadian yang unsurnya termasuk dalam A dan B.
9
Contoh I. 9 :
Sebuah kartu diambil dari satu deck kartu bridge. Kejadian A adalah kejadian
mendapatkan kartu berwarna merah, sedangkan kejadian B adalah kejadian
mendapatkan kartu angka.
Dalam percoban statistika tertentu, tidak jarang didefinisikan dua
kejadian yang tidak mungkin terjadi sekaligus. Kedua kejadian itu dikatakan
saling terpisah dan dinyatakan dengan definisi berikut ini.
Definisi I.7
Dua kejadian A dan B saling terpisah atau saling lepas bila A · B = C.
Contoh I.10
Sebuah kartu diambil dari satu deck kartu bridge. Kejadian A adalah kejadian
mendapatkan kartu hitam, sedangkan kejadian B adalah kejadian
mendapatkan kartu merah. Kejadian A dan kejadian B adalah kejadian yang
saling asing karena tidak ada kartu yang berwarna hitam dan sekaligus warna
merah.
Gambar diagram Venn dua kejadian yang saling terpisah
10
Definisi I.8
Gabungan dua kejadian A dan kejadian B dinyatakan dengan lambang A B
adalah kejadian yang mengandung unsur yang termasuk A atau B atau
keduanya.
Contoh I.11
Misalkan sebuah dadu dilantunkan 1 kali. Kejadian A adalah kejadian bahwa
bilangan prima muncul di sebelah atas dan B adalah kejadian bahwa
bilangan ganjil yang muncul di sebelah atas. Jadi A ={ 2, 3, 5 } sedangkan
B = { 1, 3, 5 } maka kejadian A B adalah kejadian bahwa bilangan prima
atau ganjil yang muncul di sebelah atas, sehingga
A B = { 1, 2, 3, 5 }.
Definisi I.9
Komplemen suatu kejadian A terhadap S adalah himpunan semua unsur S
yang tidak termasuk A. Komplemen A dinyatakan dengan lambang A
c
.
Contoh I.12
Misalkan Q menyatakan kejadian bahwa seorang mahasiswa yang dipilih
secara random dari mahasiswa UKSW adalah perokok. Himpunan Q
c
menyatakan kejadian bahwa mahasiswa yang terpilih bukan perokok.
Sifat-sifat operasi dari kejadian
1. A · C = C
2. A C = A
3. A · A
c
= C
4. A A
c
= S
5. S
c
= C
6. C
c
= S
7. (A
c
)
c
= A
11
Soal-soal
9. Tuliskan anggota S yang berkaitan dengan kejadian A · C pada soal
nomor 5.
10. Tuliskan anggota S yang berkaitan dengan kejadian A · B dan A · C.
11. Bila P = { X | 1 s X s 9 } dan Q = { Y | Y > 5 } maka hitunglah P · Q dan
P Q.
12. Let A, B, and C be three events associated with an experiment.
Express the following verbal statements in set notation.
(a) At least one of the events occurs.
(b) Exactly one of the events occurs.
(c) Exactly two of the events occurs.
(d) Not more than two of the events occur simultaneously.
I.3 Analisis Kombinatorial
Salah satu masalah yang harus dihadapi dan dicoba diberi nilai oleh
statistikawan adalah adanya kemungkinan yang berkaitan dengan
munculnya kejadian tertentu bila suatu percobaan dilakukan. Dalam banyak
hal suatu soal peluang dapat diselesaikan dengan menghitung banyaknya titik
sampel dalam ruang sampel. Pengetahuan tentang unsur atau daftar
sesungguhnya tidak selalu diperlukan. Dasar analisis kombinatorial
dinyatakan dalam teorema berikut ini.
Teorema I.1
Bila suatu operasi dikerjakan dengan n1 cara dan bila untuk tiap cara ini
operasi kedua dapat dikerjakan dengan n2 cara maka kedua operasi itu dapat
dikerjakan bersama-sama dengan n1 n2 cara.
Contoh I.12
Seorang laki-laki mempunyai 5 kemeja, 3 celana dan 2 pasang sepatu.
Tentukan banyak cara dia dapat berpakaian secara berbeda.
12
Sering pula kita menginginkan ruang sampel yang unsurnya terdiri atas
semua urutan atau susunan yang mungkin dari sekelompok benda.
Definisi I.10
Suatu permutasi ialah suatu susunan yang dapat dibentuk dari suatu
kumpulan benda yang diambil sebagian atau seluruhnya.
Teorema I.2
Banyak permutasi n benda yang berlainan adalah n!
Contoh I.14
Apabila disediakan empat huruf A, B, C, D. Tentukan permutasi empat huruf
tersebut.
Teorema I.3
Banyak permutasi n benda berlainan bila diambil r sekaligus adalah
nPr = n! / (n-r)!
Contoh I.15 :
Untuk memilih seorang manager dan asisten manager pemasaran tersedia 5
orang staf perusahaan yang memenuhi syarat. Ada berapa cara yang dapat
digunakan untuk itu?
Permutasi yang dibuat dengan menyusun benda secara melingkar
disebut permutasi melingkar. Dua permutasi melingkar dianggap sama, bila
kita dapatkan dua permutasi yang sama dengan cara permutasi dari suatu
benda tertentu dan bergerak searah gerak jarum jam.
Teorema I.4
Banyak permutasi n benda berlainan yang disusun melingkar adalah (n-1)!
Contoh I.16
Dengan berapa carakah enam pohon yang berbeda dapat ditanam pada suatu
lingkaran?
13
Teorema I.5
Banyak cara dimana n bola yang berbeda dapat didistribusikan ke dalam k
kotak yang berbeda adalah k
n
.
Contoh I.18
Tentukan banyak cara 3 bola yang berbeda dapat didistribusikan ke dalam
dua kotak yang berbeda.
Teorema I.6
Banyak cara bahwa n bola yang tidak dapat dibedakan dapat didistribusikan
ke dalam k kotak, yang berbeda adalah
|
|
.
|

\
| ÷ +
n
n k 1
Jika n > k dan tidak satu kotakpun yang kosong maka
|
|
.
|

\
|
÷
÷
1
1
k
n
.
Contoh I.17
Berapa carakah 2 bola yang tidak dapat dibedakan didistribusikan ke dalam 3
kotak yang berbeda? Berapa carakah 3 bola yang tidak dapat dibedakan dapat
didistribusikan ke dalam dua kotak yang berbeda ?
Teorema I.17
Banyak permutasi yang berlainan dari n benda bila n1 diantaranya berjenis
pertama, n2 berjenis kedua, ....., nK berjenis ke-K adalah n ! / n1! n2!....nK!
Contoh I.18:
Suatu pohon natal dihias dengan 9 bola lampu yang dirangkai seri. Ada
berapa cara menyusun 9 bola lampu itu bila tiga diantaranya berwarna
merah, empat kuning dan dua biru.
14
Teorema I.8
Banyaknya cara menyekat n benda dalam r sel masing-masing berisi n1
elemen dalam sel pertama, n2 dalam sel kedua, dst. adalah
r r
n n n
n
n n n
n
..... ! !
!
....
2 1 2 1
=
|
|
.
|

\
|
.
Contoh I.19:
Sembilan orang pergi ke gunung untuk berdarmawisata dengan tiga mobil
masing-masing mobil dapat membawa 2, 4, dan 3 penumpang. Berapa
carakah dapat dibuat untuk membawa kesembilan orang tersebut?
Dalam banyak masalah kita ingin mengetahui banyaknya cara memilih
r benda dari sejumlah n tanpa memperdulikan urutannya. Pemilihan ini
disebut kombinasi. Suatu kombinasi sesungguhnya merupakan sekatan
dengan dua sel, sel pertama berisi r anggota yang dipilih sedangkan sel
lainnya berisi (n-r) sisanya. Banyaknya semua kombinasi seperti ini
dinyatakan dengan
|
|
.
|

\
|
÷r n r
n
,
biasanya disingkat dengan
|
|
.
|

\
|
r
n
karena banyaknya anggota pada sel kedua
haruslah n-r.
Teorema I.9
Banyaknya kombinasi dari n benda yang berlainan bila diambil sebanyak r
adalah
! ) ( !
!
r n r
n
r
n
÷
=
|
|
.
|

\
|
15
Contoh I.20 :
Diketahui terdapat 9 orang pemain bola basket. Pelatih ingin memilih pemain
yang akan diajukan pada pertandingan melawan regu lain. Ada berapa cara
yang dapat dilakukan untuk pemilihan tersebut?
***
16
BAB II
PROBABILITAS
II. 1 Probabilitas Suatu Kejadian
Teori probabilitas untuk ruang sampel berhingga menetapkan suatu
himpunan bilangan yang dinamakan bobot dan bernilai dari 0 sampai 1
sehingga probabilitas terjadinya suatu kejadian dapat dihitung. Tiap titik pada
ruang sampel dikaitkan dengan suatu bobot sehingga jumlah semua bobot
sama dengan 1.
Definisi II.1
Peluang suatu kejadian A adalah jumlah bobot semua titik sampel yang
termasuk A. Jadi
0 s P(A) s 1 ; P(C) = 0 dan P(S) = 1.
Contoh II.1
Bila sebuah mata uang dilantunkan dua kali maka ruang sampelnya adalah
S = { MM, MB, BM, BB }.
Bila mata uang yang digunakan setaangkup maka tiap hasil mempunyai
kemungkinan muncul sama. Tiap titik diberi bobot b sehingga 4b = 1 atau
b = ¼. Bila A menyatakan kejadian bahwa paling sedikit satu muka muncul
maka P(A) = ¾.
Teorema II.1
Bila suatu percobaan dapat menghasilkan N macam hasil yang
berkemungkinan sama dan bila tepat sebanyak n dari hasil berkaitan dengan
kejadian A maka probabilitas kejadian A adalah P(A) = n/N.
Contoh II.2
Bila satu kartu ditarik dari satu kotak bridge berisi 52 kartu maka akan
ditentukan peluang mendapatkan kartu hati. Banyaknya hasil yang mungkin
adalah 52 dan 13 diantaranya adalah kartu hati. Probabilitas kejadian A
menarik kartu hati adalah
17
P(A) = 13/52 = ¼.
II.2 Sifat-sifat Probabilitas
Teorema II.2
Bila kejadian A dan B merupakan dua kejadian sembarang maka
P( A B) = P(A) + P(B) – P(A · B) .
Akibat II.1
Bila kejadian A dan B kejadian yang terpisah maka
P( A B) = P(A) + P(B) .
Akibat II.2
Bila A1, A2, …, An saling terpisah maka
P(A1 A2 … An) = P(A1) + P(A2) + …. + P(An).
Contoh II.3
Probabilitas seorang mahasiswa lulus Kalkulus 2/3 dan probabilitas lulus
Statistika 4/9. Bila probabilitas lulus paling sedikit satu mata kuliah 4/5
maka probabilitas lulus dalam kedua mata kuliah adalah
P(K ·St) = P(K) + P(St) – P(K St)
= (2/3) + (4/9) – (4/5)
= 14/45.
Teorema II.3
Bila kejadian A dan kejadian A
c
kejadian yang saling berkomplemen maka
P(A
c
) = 1 – P(A) .
Contoh II.4
Suatu mata uang setangkup dilempar berturut-turut sebanyak 6 kali.
Misalkan kejadian E paling sedikit sekali muncul muka. Ruang sampel S
mengandung 2
6
= 64 titik sampel karena setiap lemparan dapat menghasilkan
dua macam hasil (muka atau belakang). Bila E
c
menyatakan kejadian bahwa
tidak ada muka yang muncul maka kejadian tersebut adalah bila semua
18
lantunan menghasilkan belakang yaitu P(E
c
) = 1/64. Probabilitas paling
sedikit sekali muncul muka adalah
P(E) = 1 – P(E
c
) = 1 – 1/64 = 63/64.
II.3 Probabilitas Bersyarat
Probabilitas terjadinya suatu kejadian B bila diketahui bahwa kejadian
A telah terjadi disebut probabilitas bersyarat dan dinotasikan dengan P(B | A).
Definisi II.2
Probabilitas bersyarat B dengan diketahui A dinyatakan dengan P(B | A)
ditentukan oleh P(B | A) = P(A · B) / P(A) dengan P(A) > 0.
Contoh II.5
Misalkan ruang sampel S menyatakan orang dewasa yang telah tamat SMA di
suatu kota kecil. Mereka dikelompokkan menurut jenis kelamin dan status
pekerjaan sebagai berikut :
Bekerja Tak Bekerja
Lelaki
Wanita
460
140
40
260
Daerah tersebut akan dijadikan daerah pariwisata daan seseorang akan dipilih
secara acak untuk mempropagandakannya ke seluruh negeri. Misalkan M
menyatakan kejadian lelaki yang terpilih sedangkan kejadian E menyatakan
orang yang terpilih dalam status bekerja.
Bila digunakan ruang sampel E diperoleh P(M | E) = 460/600 = 23/30.
Misalkan n(A) menyatakan jumlah unsur dalam suatu himpunan A.
Diperoleh
P(M | E) = n(E · M )/ n(E)
= [ n(E · M)/n(S) ] / [n(E)/n(S) ]
= P(E ·M)/P(E) .
Dalam hal ini
P(E) = 600/900 = 2/3,
19
P(E · M) = 460/900 = 23/45,
P(M | E) = (23/45)/(2/3) = 23/30.
Teorema II.4
Bila kejadian A dan B dapat terjadi pada suatu percobaan maka
P(A · B) = P(A) P(B | A) .
Teorema II.5
Bila dalam suatu percobaan kejadian A1, A2, A3, … dapat terjadi maka
P(A1 · A2 · A3 · … ) = P(A1) P(A2 | A1 ) P(A3 | A1 · A2 ) ……
Definisi II.3
Kejadian A dan B bebas jika dan hanya jika
P(A · B) = P(A) P(B) .
II.4 Aturan Bayes
Misalkan dalam contoh II.5 di atas, tersedia keterangan tambahan
bahwa 36 dari yang berstatus bekerja dan 12 dari yang tidak bekerja adalah
anggota koperasi. Akan ditentukan berapa probabilitas orang yang terpilih
dalam status bekerja bila diketahui bahwa orang tersebut anggota koperasi.
Misalkan A adalah kejadian bahwa orang yang terpilih anggota
koperasi. Probabilitas bersyarat yang diinginkan adalah
P(E | A) = P(E · A) / P(A)
Kejadian A dapat ditulis sebagai gabungan dari dua kejadian yang terpisah
yaitu E · A dan E
c
· A sehingga
A = (E · A) (E
c
· A)
dan berarti
P(A) = P(E · A) + P(E
c
· A)
Akibatnya
) ( ) (
) (
) | (
A E P A E P
A E P
A E P
c
· + ·
·
=
Diperoleh
20
P(E · A) = 36/900 = 1/25,
P(E
c
· A) = 12/900 = 1/75,
P(E | A) = (1/25) /(1/25 + 1/75) = ¾.
Teorema II.5
Misalkan { B1, B2, …, Bn } suatu himpunan kejadian yang merupakan suatu
sekatan ruang sampel S dengan P(Bi) = 0 untuk i = 1,2, …, n.
Misalkan A suatu kejadian sembarang dalam S dengan P(A) = 0 maka
untuk k = 1,2, …, n berlaku
¿ ¿
= =
=
·
·
=
n
i
i i
k k
n
i
i
k
k
B A P B P
B A P B P
A B P
A B P
A B P
1 1
) | ( ) (
) | ( ) (
) (
) (
) | ( .
Contoh II.6
Suatu serum kejujuran yang diberikan kepada tertuduh diketahui 90 %
terandalkan bila orang tersebut bersalah dan 99 % terandalkan bila ia tidak
bersalah. Dengan perkataan lain, 10 % dari yang bersalah diketemukan tidak
bersalah oleh serum dan 1 % dari yang tidak bersalah ditemukan bersalah.
Bila si tertuduh dipilih dari sekelompok tertuduh yang hanya 5 % yang pernah
melakukan kejahatan dan serum menyatakan bahwa dia bersalah maka
probabilitas bahwa orang tersebut tidak bersalah adalah
P(orang tersebut tidak bersalah | dinyatakan bersalah oleh serum)
= P( dinyatakan bersalah oleh serum | orang tersebut tidak bersalah ) P(orang
tidak bersalah) / [P( dinyatakan bersalah oleh serum | orang tersebut tidak
bersalah ) P(orang tersebut tidak bersalah) + P( dinyatakan bersalah oleh
serum | orang tersebut bersalah ) P(orang tersebut bersalah) ]
= (0,01) (0,95) / [(0,01) (0,95) + (0,90)(0,05) ]
= 0,1743.
21
Soal-soal
1. Tiga mesin I,II dan III masing-masing menghasilkan 30 ° , 30 ° , 40 °
dari jumlah seluruh produksi. Dari masing- masing terdapat 4 % , 3 % dan
2 % produk yang cacat. Satu produk diambil secara random dan diperiksa
dan ternyata cacat .
a . Berapa probabilitas bahwa produk tersebut dihasilkan oleh mesin I ?
b . Berapa probabilitas bahwa produk tersebut dihasilkan oleh mesin II ?
c . Berapa probabilitas bahwa produk tersebut dihasilkan oleh mesin III ?
2. Seorang pegawai mempunyai dua mobil, satu sedan dan satu toyota kijang.
Untuk pergi bekerja dia mengunakan sedan 75 % dan kijang 25 %. Bila dia
mengunakan sedan biasanya dia tiba kembali di rumah pukul 17.30
sebanyak 75 % sedangkan bila mengunakan kijang dia tiba pukul 17.30
kira - kira 60 % (tapi merasa lebih tenang memakai kijang karena tidak
terlalu khawatir terserempet mobil lain ). Bila dia tiba dirumah pukul
17.35 berapakah probabilitasnya dia memakai sedan.
3. Pandang permainan berikut ini. Dua dadu yang baik dilemparkan. Jika
jumlah titik-titik yang di atas 7 atau 11 maka si A menang. Jika
jumlahnya 2 atau 3 atau 12 maka si A kalah. Jika jumlah itu 4 atau 5
atau 6 atau 8 atau 9 atau 10 maka dadu-dadu itu di lemparkan kembali
sampai didapat jumlah yang sama sebelum jumlah 7 didapat, dan dalam
hal ini si A menang atau didapat 7 sebelum jumlah yang sama didapat
dalam hal ini si A kalah. Permainan dihentikan sekali si A menang atau
kalah. Berapa probabilitas si A menang ?
4. Anggaplah bahwa dalam suatu populasi terdapat pria dan wanita dengan
jumlah yang sama. Dalam populasi ini 5 % dari laki-laki dan 0,25 % dari
wanita adalah buta warna.
a. Seorang buta warna dipilih secara random berapa probabilitasnya
orang laki-laki yang terpilih ?
b. Seorang laki-laki dipilih secara random berapa probabilitasnya dia buta
warna ?
22
6. Misalkan bola berwarna terbagi dalam 3 kotak yang sama bentuknya sbb
:
Kotak I Kotak II Kotak III
Merah
Putih
Hitam
2
3
5
4
1
5
3
4
3
Satu kotak dipilih secara random dan dari dalamnya diambil secara
random ternyata berwarna merah. Berapa probabilitasnya yang terambil dari
kotak III ?
***
23
BAB III
Variabel Random Diskrit dan Distribusi Probabilitas Diskrit
Misalkan sebuah eksperimen mempunyai ruang sampel S.
Variabel random adalah fungsi berharga real yang didefinisikan pada ruang
sampel S.
Contoh III.1 :
Suatu pemungutan suara dilakukan untuk memilih wakil rakyat
negara bagian Kansas yang terdiri dari : John, Bill dan Robert . Kita tertarik
untuk menyelidiki banyak suara yang memilih suatu wakil rakyat tertentu
yang dicalonkan. Kejadian tersebut memunculkan adanya variabel random
yaitu banyak suara dalam negara bagian Kansas yang mencalonkan wakil
rakyat tertentu.
Variabel random mempunyai akibat merubah kejadian dalam ruang
sampel ke dalam kejadian numerik sehingga variabel random dapat dipandang
sebagai
f : Sampel ÷ Real
Jika variabel random Y hanya dapat berharga sebanyak terbilang bilangan
real maka Y disebut variabel random diskrit .
Contoh III .2 :
Banyak telur busuk dalam suatu kotak yang berisi 100 butir telur.
III.1 Distribusi Probabilitas dari Variabel Random Diskrit .
Contoh III .3 :
Seorang manajer mempunyai pekerja yang terdiri dari 2 pria dan 3
wanita. Ia ingin memilih dua pekerja untuk suatu pekerjaan khusus.
Keputusan yang diambil adalah memilih 2 pekerja dari pekerja yang
dimilikinya secara random. Jika Y adalah banyak wanita yang terpilih maka
tentukan distribusi probabilitas Y.
Penyelesaian :
Dari 2 pekerja wanita dan 3 pekerja pria yang tersedia, banyaknya cara untuk
memilih 2 pekerja adalah
|
|
.
|

\
|
2
5
.
24
Dari 2 orang pekerja yang terpilih, banyak pekerja wanita Y yang terpilih dapat
bernilai 0, 1 atau 2. Hal itu berarti jika terpilih 0 pekerja wanita maka banyak
pekerja pria yang terpilih sebanyak 2 orang sehingga banyak cara terpilih 0
pekerja wanita dari 2 pekerja wanita yang tersedia dan 2 pekerja pria dari 3
pekerja pria yang tersedia adalah
|
|
.
|

\
|
|
|
.
|

\
|
2
3
0
2
.
Akibatnya probabilitas mendapatkan banyak pekerja wanita yang terpilih 0
adalah
10
3
2
5
2
3
0
2
) 0 ( =
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
= = Y P .
Dengan cara yang sama probabilitas mendapatkan banyak pekerja wanita
yang terpilih 1 orang adalah
10
6
2
5
1
3
1
2
) 1 ( =
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
= = Y P .
Probabilitas mendapatkan banyak pekerja wanita yang terpilih 2 orang adalah
10
1
2
5
0
3
2
2
) 2 ( =
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
= = Y P .
Distribusi probabilitas dari variabel random diskrit Y dapat dinyatakan
dengan rumus, tabel dan grafik .
Distribusi probabilitas pada Contoh III.3, dapat dinyatakan dalam
Tabel III. 1.
Y P(Y = y)
0
1
2
1/10
6/10
3/10
Tabel III. 1 Tabel distribusi probabilitas variable random Y.
25
Distribusi probabilitas pada Contoh III.3 dapat dinyatakan dalam histogram
sebagai berikut :
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
1 2 3
Series1
Distribusi probabilitas pada Contoh III.3 dapat dinyatakan dalam rumus :
|
|
.
|

\
|
|
|
.
|

\
|
÷
|
|
.
|

\
|
= = =
2
5
2
3 2
) ( ) (
y y
y Y P y f
untuk y = 0, 1, 2.
Dalam sebarang distribusi probabilitas diskrit berlaku sifat -sifat sebagai
berikut :
1. 0 s p(y) s 1 untuk semua y.
2.
¿
=
y
y p 1 ) ( .
Catatan : Distribusi probabilitas yang didapatkan di atas merupakan
model dan bukan merupakan pernyatan yang tepat untuk distribusi
frekuensi dari data nyata yang terjadi di alam .
Soal
1. Sebuah mata uang yang baik dilambungkan 4 kali secara independen.
Jika variabel random Y yang didefisikan dalam s, dengan seS (sebuah
26
mata uang logam mempunyai dua sisi, yang dinamakan muka (M) dan
belakang (B) ) maka tentukan :
a. Himpunan harga - harga Y
b. Distribusi variable random Y.
III.2 Variabel random
Misalkan sebuah eksperimen mempunyai ruang sampel S. Variabel
random adalah fungsi berharga real yang didefinisikan atas ruang sampel S.
f : Ruang sampel ÷ Real.
Contoh III. 4 :
Percobaan melanturkan satu mata uang tiga kali. Ruang sampel
S = {MMM, MMB, MBM , BMM , BMB, BBM, MBB, BBB }.
Apabila diinginkan untuk meneliti banyak ' muka ' yang muncul pada tiap
titik sampel maka hasil numerik 0, 1, 2 atau 3 akan dikaitkan dengan titik
sampel. Misalkan Y(s) = banyak muka dalam S dengan seS. Fungsi
Y : S ÷ R
dengan Y(s) = y. Bilangan 0, 1, 2 dan 3 merupakan pengamatan yang
mungkin .
Kejadian sederhana Y
MMM
MMB
MBM
BMM
BBM
MBB
BMB
BBB
3
2
2
2
1
1
1
0
III.3 Distribusi Probabilitas Diskrit
Suatu variabel random diskrit mempunyai nilai dengan probabilitas
tertentu .
27
Contoh III. 5
Dalam percobaan melantunkan satu mata uang "jujur " tiga kali.
Variabel random Y menyatakan banyak "muka" yang muncul maka dapat
ditentukan probabilitas mendapat Y "muka " . Tabel berikut ini menyatakan
probabilitas mendapatkan Y "muka”.
Y 0 1 2 3
P(Y=y) 1/8 3/8 3/8 1/8
Definisi III.3
Fungsi f(y) adalah suatu fungsi probabilitas atau distribusi atau distribusi
probabilitas dari suatu variabel random Y bila untuk setiap hasil yang
mungkin
1. f(y) > 0.
2.
¿
=
y
y f 1 ) ( .
3. P( Y = y ) = f(y) .
Distribusi probabilitas dari variabel random diskrit Y dapat danyatakan
dengan rumus, tabel dan grafik garis histogram. Distribusi probabilitas pada
Contoh III.5 dapat dinyatakan sbb :
P(Y = y) = f(y) =
8
3
) 2 / 1 (
3
3
|
|
.
|

\
|
=
|
|
.
|

\
| y
y
untuk y =1, 2, 3,
= 0 untuk y yang lain.
Contoh III.6
Variabel random Y mempunyai fungsi probabilitas yang didefinisikan sebagai
f(y) = 2
-y
untuk y = 1, 2, 3, …. Tentukan
a. P( Ys -3 ) .
b. P(Y s 3 ), P(Y < 3 ), P(Y > 3) .
c. P( Y bilangan genap ) .
Penyelesaian :
a. P(Y s -3 ) = 0.
b. P(Y s 3) = P(Y = 1) + P(Y = 2) + P(Y = 3)
= ( ½ ) + (1/4) + (1/8)
= 7/8.
P(Y < 3) = P(Y = 1) +P ( Y = 2 )
28
= ( ½ ) + ( ¼ )
= 3/4.
P(Y > 3) = P( Y= 3 ) + P(Y= 4 ) + P( Y = 5 ) + ……
= 1 - | P( Y = 1) + P( Y =2 ) |
= 1 - 1/2 -1/4
= 1/4.
c. P(Y bilangan genap ) = P( Y = 2 ) + P( Y = 4 ) + P( Y = 6 ) + ….
= 1/4 + 1/16 + 1/32 + ….
= 1/4 /(1-1/4)
= (¼)/(3/4)
= 1/3.
Jika suatu ruang sampel mengandung titik sampel yang berhingga
banyaknya atau anggotanya sama banyaknya dengan bilangan asli maka
ruang sampel itu disebut ruang sampel diskrit dan variabel random yang
didefinisikan pada ruang sampel diskrit disebut variabel random diskrit.
Contoh III.1 merupakan salah satu contoh variabel random diskrit .
Contoh III.7
Percobaan mengambil sebuah bolam dari suatu kotak yang berisi 5
bolam rusak dan 5 bolam baik dengan pengembalian sampai didapatkan
bolam rusak .
Ruang sampel S = { R, BR , BBR , BBBR, … }
Variabel random Y(s) adalah banyak pengambilan yang harus dilakukan
sampai mendapatkan bolam rusak yang pertama dengan s e S.
Y(R) =1
Y(BR) =2
Y(BBR) =3

Y(s) merupakan variabel random diskrit pada ruang sampel diskrit S.
Soal-soal
2. Untuk nilai C yang mana fungsi p yang didefinisikan
29
p(k) = C/[ k (k + 1 ) ] jika k = 1, 2, …
= 0 untuk k yang lain
merupakan fungsi probailitas ?
3. Variabel random Y mempunyai distribusi probabilitas diskrit.
Y 10 11 12 13 14
P(Y) 0,2 0,3 0,2 0,1 0,2
Karena nilai di bawah Y dapat diasumsikan kejadian saling asing
maka kejadian { Y s 12 } adalah gabungan dari kejadian saling asing
{ Y = 10 } { Y = 11 } { Y = 12 }.
a. Tentukan P( Y s 12 ) .
b. Tentukan P( Y s 14 ) .
c. Tentukan P( Y s 11 atau Y> 12 ) .
d. P( Y > 12 ) .
e. P( Y=13 ) .
4. Suatu variabel random Y mempunyai distribusi probabilitas berikut
Y 0 1 2 3 4 5
p(Y) 0,1 0,3 0,4 0,1 ? 0,05
a. Tentukan p(4) .
b. Gambarkan histogram dan grafik dari Y distribusi probabilitas Y.
5. Suatu perusahaan mempunyai 5 pelamar untuk 2 posisi yaitu 3 laki-laki
dan 2 perempuan. Misalkan 5 pelamar mempunyai kualifikasi yang sama
dan tidak ada pilih kasih untuk memilih salah satu jenis kelamin. Jika Y
merupakan banyak perempuan yang terpilih untuk mengisi posisi tersebut
maka
a. Tentukan p(Y).
b. Gambarkan histogram untuk distribusi probabilitas Y.
6. Suatu kotak elektronika mengandung 6 transistor yang 2 diantaranya
rusak. Tiga dari diseleksi secara random dan diteliti. Jika Y menyatakan
banyak transistor rusak yang terambil dengan Y = 0, 1 atau 2. Tentukan
probabilitas untuk Y. Nyatakan grafik garisnya.
III.4 Distribusi Probabilitas Binomial
Eksperimen Binomial adalah eksperimen yang mempunyai sifat-sifat
sebagai berikut :
1. Eksperimen mengandung n trial yang identik.
30
2. Setiap trial menghasilkan 2 hasil yang mungkin yang dinamakan sukses
(S) dan tidak sukses (F).
3. Untuk tiap trial, probabilitas sukses adalah p = P(S) dan probabilitas tidak
sukses adalah P(F) = 1- p = q.
4. Trial-trial itu independen.
5. Variabel random Y adalah banyak sukses yang ditemukan dalam n trial.
Contoh III. 4 :
Suatu sistem yang dapat mendeteksi pesawat terbang, mengandung 4 unit
radar identik yang beroperasi secara independen satu dengan yang lain.
Anggap masing-masing radar mempunyai probabilitas 0,95 untuk dapat
mendeteksi pesawat terbang musuh. Pada saat pesawat terbang musuh
memasuki daerah jangkauan sistem radar tersebut, kita tertarik untuk
mengamati variabel random Y, yaitu banyak unit radar yang tidak mendeteksi
pesawat musuh. Apakah hal ini merupakan eksperimen binomial ?
Penyelesaian :
Untuk memutuskan apakah hal tersebut merupakan eksperimen binomial
perlu diuji apakah setiap sifat dari eksperimen binomial dipenuhi. Jika
Y = banyak unit radar yang tidak mendeteksi pesawat terbang maka kejadian
“tidak mendeteksi “ adalah hasil yang sukses (S).
1. Eksperimen mengandung 4 trial. Suatu trial menentukan apakah unit
radar tertentu mendeteksi pesawat terbang musuh.
2. Setiap trial menghasilkan 2 hasil. S menyatakan bahwa pesawat terbang
tidak dideteksi. Sedangkan F menyatakan bahwa pesawat musuh dideteksi
3. Karena semua unit radar mendeteksi pesawat musuh dengan probabilitas
yang sama maka P(S) = p = P (tidak mendeteksi) = 0,05.
4. Trial-trial independen karena tiap unit radar beroperasi secara independen.
5. Variabel random Y adalah banyak sukses di dalam 4 trial.
Jadi eksperimen tersebut merupakan eksperimen binomial dengan n = 4,
p = 0,05, dan q = 0,95.
31
III.5 Distribusi Probabilitas Poisson
Dalam praktek sehari-hari distribusi Poisson digunakan dalam
penghitungan Y dari "peristiwa-peristiwa yang jarang terjadi ", yaitu banyak
kejadian suatu peristiwa dengan probabilitas p yang kecil dalam n trial
independen (n besar) sehingga hanya diketahui harga Y rata-rata, yaitu µ =
np. Distribusi Poisson merupakan model yang baik untuk menentukan
distribusi probabilitas dari banyak kecelakaan mobil, kecelakaan dalam
industri, banyak partikel radio aktif yang meluruh dalam periode tertentu, dan
banyak salah cetak/ketik yang dibuat dalam suatu lembar halaman.
Distribusi probabilitas Poisson dapat dinyatakan sebagai berikut :
!
) (
y
e
y Y P
y µ
µ
÷
= =
untuk y = 0, 1, 2, ……..
Contoh III.8 :
Banyak salah ketik yang dibuat oleh seorang juru ketik mempunyai
distribusi Poisson dengan rata-rata 4 kesalahan per halaman. Jika ditemui
lebih dari 4 kesalahan per halaman pada halaman yang diteliti maka juru
ketik tersebut harus mengetik ulang halaman tersebut. Berapa probabilitas
suatu halaman tertentu tidak diketik ulang.
Penyelesaian :
Soal-soal :
7. Diketahui Y adalah variabel random yang mempunyai distribusi Poisson
dengan mean µ = 2. Tentukan
(a). P( Y = 4). (c). P( Y > 4 ).
(b). P( Y < 4). (d). P( Y > 4 | Y > 2) .
8. Diketahui bahwa jika bakteria ditumbuhkan pada papan pemeliharaan
dengan luas A, dan jika Y = banyak koloni bakteria dalam luasan kecil a
yang dipilih secara random dari papan itu maka Y berdistribusi Poisson
32
dengan mean a/A (banyak koloni pada seluruh papan). Andaikan µ = 5,5,
hitung probabilitas bahwa :
(a) Paling banyak 3 koloni dijumpai pada luasan itu.
(b) Lebih dari 8 koloni akan dijumpai dalam luasan itu.
9. Antara jam 10 dan jam 11 pada rata-rata banyak telepon yang datang pada
switch board suatu kantor dalam tiap menit adalah 2,5. Probabilitas bahwa
selama satu menit tertentu (pada jam itu) akan terdapat tiga telepon datang
adalah :
a. 0.758. c. 0.214.
b. 0.544. d. 0.242.
10. Probabilitas seekor tikus yang sudah terinjeksi dengan serum tertentu
akan terserang penyakit adalah 0,2. Dengan menggunakan pendekatan
Poisson, tentukan probabilitas bahwa paling banyak 3 dari 30 tikus yang
diinjeksi akan terserang penyakit tersebut.
III.6 Distribusi Probabilitas Hipergeometrik
Misalkan terdapat N benda yang terdiri atas k benda yang diberi nama
‘sukses’ sedangkan sisanya N-k akan diberi nama ‘gagal’. Akan ditentukan
probabilitas memilih Y sukses dari sebanyak k yang tersedia dan n-k gagal
dari sebanyak N-k yang tersedia apabila sampel acak ukuran n diambil dari N
benda.
Definisi III.4
Banyaknya sukses Y dalam percobaan geometrik dinamakan variabel random
hipergeometrik. Distribusi probabilitas peubah acak hipergeometrik Y yaitu
banyaknya sukses sampel acak ukuran n yang diambil dari N benda yang
mengandung k bernama sukses dan N-k bernama gagal adalah
|
|
.
|

\
|
|
|
.
|

\
|
÷
÷
|
|
.
|

\
|
= =
n
N
y n
k N
y
k
y Y P ) (
untuk y = 0, 1, 2, … , n.
Contoh III. 9
Suatu kotak berisi 40 suku cadang dikatakan dapat diterima bila
mengandung paling banyak 3 yang cacat. Suatu kotak akan ditolak bila
sampel acak ukuran 5 suku cadang yang terpilih mengandung satu yang
cacat. Berapakah probabilitas mendapatkan tepat satu yang cacat dalam
sampel bila kotak tersebut mengandung tiga suku cadang yang cacat ?
33
Penyelesaian :
Misalkan variabel random Y menyatakan banyaknya suku cadang cacat yang
terambil. Dengan menggunakan distribusi hipergeometrik untuk n = 5, N = 40,
k = 3 dan Y = 1, probabilitas mendapatkan tepat satu yang cacat adalah
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
= =
5
40
4
37
1
3
) 1 (Y P = 0,3011.
III.7 Distribusi Binomial Negatif dan Distribusi Geometrik
Bila usaha yang saling bebas dilakukan berulang kali menghasilkan
sukses dengan probabilitas p sedangkan gagal dengan probabilitas q = 1 – p
maka distribusi probabilitas variabel random Y yaitu banyaknya usaha yang
berakhir tepat pada sukses ke-k dinyatakan dengan
k y k
q p
k
y
p k y Y P
÷
|
|
.
|

\
|
÷
÷
= =
1
1
) , ; (
untuk y = k, k + 1 , k + 2, …….
Contoh III.10
Probabilitas bahwa seseorang yang melantunkan tiga uang logam sekaligus
akan mendapatkan semuanya muka atau semuanya belakang untuk kedua
kalinya pada lantunan kelima adalah
( ) 256 / 27 ) 4 / 3 ( 4 / 1
1
4
) 4 / 1 , 2 ; 5 (
3 2
=
|
|
.
|

\
|
= = Y P .
Distribusi geometrik merupakan kejadian khusus dari distribusi
binomial negatif yaitu bila diambil k = 1.
Bila usaha yang saling bebas dan dilakukan berulang kali
menghasilkan sukses dengan peluang p dan gagal dengan peluang q = 1 – p
maka distribusi probabilitas peubah acak Y yaitu banyaknya usaha yang
berakhir pada sukses yang pertama dinyatakan dengan
1
) (
÷
= =
y
q p y Y P
34
untuk y = 1, 2, 3, ….
Contoh III.11
Dalam suatu proses produksi diketahui bahwa rata-rata 1 diantara 100 butir
hasil produksi adalah cacat. Probabilitas memeriksa 5 barang dan baru
menemukan barang yang cacat pada pemeriksaan yang kelima ?
Penyelesaian :
Variabel random Y menyatakan banyaknya pemeriksaan yang harus
dilakukan sampai mendapatkan barang cacat yang pertama. Probabilitas
menemukan barang cacat yang pertama pada pemeriksaan kelima adalah
P(Y = 5) = (0,01) (0,99)
4
= 0,0096.
***
35
BAB IV
VARIABEL RANDOM KONTINU
DAN DISTRIBUSI PROBABILITAS KONTINU
Misalkan suatu eksperimen dilakukan dengan mencatat variabel
random Y yang menunjukkan berat seorang mahasiswa ( dalam kilogram )
yang dipilih dari populasi mahasiswa UKSW. Pada prinsipnya harga Y dapat
sebarang bilangan positif, seperti 52,37 kg berarti Y > 0. (Secara praktis harga
Y akan berkisar antara 25 kg sampai 200 kg). Jika berat mahasiswa tersebut
dapat diukur dengan ketepatan yang sempurna maka hal ini berarti Y akan
mengambil harga pada suatu interval ( yaitu y e (25,200) ).
Variabel Random Kontinu adalah variabel random yang mengambil
harga pada sebarang harga dalam suatu interval.
Contoh IV.1
Panjang hidup t bola lampu merek Philips merupakan variabel random
kontinu dengan t > 0.
Definisi IV.1
Fungsi f(y) disebut fungsi kepadatan probabilitas variabel random
kontinu Y, yang didefinisikan atas himpunan semua bilangan real R bila
1. f(y) > 0 untuk semua y e R,
2. } f(y) dy = 1,
3. P (a < Y < b) =
}
b
a
dy y f ) ( .
Jika variable random Y kontinu maka untuk sebarang y berlaku
P(Y = y) = 0, sehingga P( a < Y s b ) = P( a < Y < b ).
36
Contoh IV.2
Misalkan variabel random Y mempunyai fungsi kepadatan probabilitas
f(y) = y
2
/3 untuk - 1 < y < 2,
= 0 untuk y yang lain.
a. Buktikan bahwa f(y) merupakan fungsi kepadatan probabilitas.
b. Hitunglah P(0 < Y s 1).
Penyelesaian :
a. Karena f(y) = y
2
/3 untuk - 1 < y < 2 dan f(y) = 0 untuk y yang
lain maka f(y) > 0 untuk setiap y e R.
Di samping itu 1
9
1
9
8
9
) 1 (
9
2
9 3
) (
3 3
2
1
3
2
1
2
= + =
÷
÷ =
(
¸
(

¸

= =
÷
÷
·
· ÷
} }
y
dy
y
dy y f .
Hal itu berarti bahwa f(y) merupakan fungsi kepadatan probabilitas.
b. P(0 < Y s 1) =
9
1
9
0
9
1
9 3
3 3
1
0
3
1
0
2
= ÷ =
(
¸
(

¸

=
}
y
dy
y
.
Definisi IV.2
Distribusi kumulatif F(y) suatu variabel random kontinu Y dengan
fungsi kepadatan f(y) diberikan oleh
F (y) = P (Y s y) =
}
· ÷
y
dt t f ) (
dengan f(t) adalah fungsi kepadatan probabilitas dan t adalah variabel
integrasi.
Secara grafik dapat dinyatakan hubungan antara fungsi kepadatan
probabilitas dan fungsi distribusi kumulatif.
Gambar IV.1
37
Fungsi distribusi variabel random kontinu harus merupakan fungsi
kontinu, tetapi fungsi kepadatan probabilitas tidak perlu kontinu pada setiap
titik.
Contoh IV.3 :
Diketahui variabel random Y kontinu dengan fungsi kepadatan
probabilitas
f(y) = 3y
2
0 s y s 1,
= 0 yang lain.
Tentukan F(y) dan gambar grafik f(y) dan F(y).
Penyelesaian
F(y) = | |
3
0
3
0
2
3 y t dt t
y
y
= =
}
untuk 0 < y < 1
Hal itu berarti
F(y) = 0 untuk y < 0
= y
3
untuk 0 < y < 1
= 1 untuk y > 1
Grafik f(y) dan F(Y) dinyatakan pada Gambar IV.2.
Gambar IV.2
Fungsi F(y0) menyatakan probabilitas bahwa Y s y0. Untuk menentukan
probabilitas bahwa Y berada pada interval tertentu, misalnya a s y s b
digunakan rumus
P( a s Y s b) =
}
b
a
dy y f ) (
dengan f(y) adalah fungsi kepadatan probabilitas untuk Y. Hal itu berakibat
bahwa
P(a < Y < b) = F(b) – F(a) .
38
Probabilitas ini ditunjukkan dengan luas daerah arsiran pada Gambar
IV.3.
Gambar IV.3
Contoh IV.4:
Tentukan probabilitas bahwa 1 s Y s 2 untuk
f(y) = (3/8)y
2
untuk 0 s y s 2
= 0 untuk y yang lain
Penyelesaian
P(1 s Y s 2 ) =
}
2
1
) ( dy y f
=
}
2
1
2
8
3
dy y
=
2
1
3
3 8
3
(
¸
(

¸

|
.
|

\
| y
=
(
¸
(

¸
÷
|
.
|

\
|
3
1 8
8
3
= 7/8.
Soal-soal
1. Diketahui variabel random Y dengan fungsi kepadatan probabilitas
f(x) = c x untuk 0 < x < 2.
a. Tentukan harga c sehingga f(y) merupakan fungsi kepadatan
probabilitas.
b. Tentukan fungsi distribusi kumulatif F(y).
39
c. Gambarkan grafik f(y) dan F(y).
2. Suatu variabel random Y yang dapat memperoleh setiap nilai antara y = 1
dan y = 3. mempunyai fungsi probabilitas f(y) =1/2.
a. Tunjukkan bahwa luas dibawah kurva sama dengan 1.
b. Hitunglah P( 2 < Y < 2,5 ).
c. Hitunglah P( Y s 1,6 ), P( Y > 2,6 ) dan P( Y > 5 ).
3. Suatu variabel random Y yang dapat memperoleh harga antara y = 2 dan
y = 5 mempunyai fungsi kepadatan f(y) = 2(1+y)/27.
a. Hitunglah P( Y < 4) .
b. Hitunglah P( 3 < Y < 4) .
4. Apabila variabel random Y mempunyai fungsi kepadatan probabilitas
f(y) = k y untuk 0 < y <1,
= 0 untuk y yang lain.
a. Hitunglah k.
b. Tentukan F(y) dan gunakan F(y) untuk menghitung P( 0,2 < Y < 0,6 ) .
IV.2 Distribusi seragam kontinu
Misalkan bahwa sebuah bis selalu datang pada suatu halte antara
pukul 08.00 dan 08.10 dan bis tersebut datang di halte tersebut pada
sebarang interval bagian waktu tersebut sebanding dengan panjang interval
bagian tersebut. Hal itu berarti bahwa bis akan mempunyai probabilitas yang
sama untuk mendatangi halte antara 08.02 dan 08.04 dibandingkan dengan
08.06 dan 08.08. Model yang beralasan untuk mengambarkan hal di atas
dinyatakan pada Gambar IV.4 karena P( 2 s Y s 4 ) = P( 6 s Y s 8).
40
Gambar IV.4
Definisi IV.2
Variabel random Y yang mempunyai distribusi seragam kontinu akan
mempunyai fungsi kepadatan probabilitas
f(y) =
1 2
1
u u ÷
untuk u1 s y s u2,
= 0 untuk y yang lain.
Konstanta yang menentukan bentuk khusus dari suatu fungsi
kepadatan probabilitas dinamakan parameter dari fungsi kepadatan
probabilitas. Kuantitas u1 dan u2 adalah parameter dari fungsi kepadatan
probabilitas seragam.
Contoh IV.5
Kedatangan pelanggan pada suatu loket layanan bank mengikuti distribusi
Poisson. Diketahui bahwa selama periode waktu 30 menit yang diberikan
satu pelanggan datang pada loket. Tentukan probabilitas bahwa pelanggan
akan datang 5 menit terakhir dari periode 30 menit tersebut.
Penyelesaian
Sebagaimana disebutkan di atas, waktu aktual kedatangan mengikuti
distribusi seragam pada (0,30). Jika Y menyatakan waktu kedatangannya
maka
P( 25 s Y s 30) = dy
}
30
25
30
1
=
6
1
30
5
30
25 30
= =
÷
.
Hal itu berarti bahwa probabilitas bahwa kedatangan akan terjadi dalam
sebarang interval 5 menit akan mempunyai nilai 1/6.
Soal-soal
1. Misalkan variabel random Y mempunyai distribusi seragam pada (0,1).
(a) Tentukan F(y) .
(b) Tunjukkan bahwa P(a s Y s a + b) untuk a > 0 , b > 0 dan
a + b s 1 hanya tergantung pada nilai b.
41
2. Perubahan kedalaman suatu sungai dari hari ke hari yang diukur
dalam desimeter pada suatu tempat tertentu mengikuti fungsi
kepadatan probabilitas
f(y) = k untuk - 2 s y s 2
= 0 untuk y yang lain
(a) Tentukan nilai k.
(b) Tentukan fungsi distribusi Y.
IV.3 Distribusi Normal
Dalam pasal ini akan dibahas tentang distribusi normal yang sangat
penting dalam statistika teori maupun terapan. Distribusi Normal pertama
kali dipelajari pada abad 18 ketika orang mengamati kesalahan pengukuran
yang berdistribusi simetrik dan berbentuk seperti bel. Kemudian De Moivre
mengembangkan bentuk matematik dari distribusi ini pada tahun 1733, yang
merupakan bentuk limit dari distribusi Binomial. Laplace juga telah mengenal
distribusi ini sebelum tahun 1775. Sedangkan Gauss menurunkan
persamaaan distribusi tersebut dari suatu penelitian tentang kesalahan
pengukuran yang dilakukan secara berulang-ulang dari suatu kuantitas yang
sama, dan ia mempublikasikannya pada tahun 1809. Untuk menghargainya
distribusi Normal juga dinamai dengan distribusi Gauss. Pada abad 18 dan 19
berbagai usaha dilakukan dalam rangka membuat distribusi ini sebagai
hukum probabilitas yang mendasari semua variabel kontinu, sehingga
dinamai disribusi Normal.
Variabel random kontinu Y dinyatakan berdistribusi normal dengan
mean µ dan variasi o
2
jika Y mempunyai fungsi kepadatan probabilitas
berbentuk
f(y)=
t o 2
1
e
2
2
2
) (
o
µ ÷ ÷ y
dengan - · < y < ·. Fungsi kepadatan probabilitas normal mempunyai
grafik seperti pada Gambar IV.5
42
u
v
-3 -2 -1 0 1 2 3
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
Gambar IV.5
Sifat Distribusi Normal
(a) Karena f(y) merupakan fungsi kepadatan probabilitas maka jelas bahwa
f(y) > 0 untuk - · < y < ·.
(b) Sebagaimana tampak dalam grafik fungsi kepadatan probabilitas normal,
grafik f(y) simetrik terhadap y = µ dan mempunyai titik belok y = µ ± o.
(c) Jika Z mempunyai distribusi N(0,1) maka Z dikatakan berdistribusi
normal standar, sehingga fungsi kepadatan probabilitas Z dinyatakan
sebagai berikut :
2
2
2
1
) (
z
e z
÷
=
t
|
.
Jika Y mempunyai distribusi N(µ,o
2
) dan X = aY + b maka X mempunyai
distribusi N( a µ + b , a
2
o
2
) .
(d) Jika Y mempunyai distribusi N(µ,o
2
) dan
o
µ ÷
=
Y
Z maka Z mempunyai
distribusi N(0,1).
Contoh IV.6
Misalkan variabel random Z mempunyai distribusi normal dengan mean 0 dan
simpangan baku (standard deviation) 1.
(a) P( Z > 2) = 1 – P(Z s 2)
= 1 - 0,9772
= 0,0228.
(b) P(- 2 s Z s 2) = 1 - P(Z < - 2) – P(Z > 2)
43
= 1 - 0,0228 – 0,0228
= 0,9544.
(c) P( 0 s Z s 1,73) = 0,5 – P(Z > 1,73)
= 0,5 – 0,0418
= 0,4582.
Contoh IV.7
Nilai ujian masuk UKSW untuk FSM berdistribusi Normal Baku dengan
µ = 75 dan o = 10. Berapakah probabilitasnya seseorang mempunyai nilai
antara 80 dan 90 ?
Penyelesaian :
Misalkan z menyatakan jarak dari mean distribusi normal yang dinyatakan
dalam satuan simpangan baku.
Berarti
o
µ ÷
=
y
z sehingga bagian dari populasi yang terletak antara
5 , 0
10
75 80
1
=
÷
= z dan 5 , 1
10
75 90
2
=
÷
= z
mempunyai luas
P( 80 s Y s 90) = P( 0,5 s Z s 1,5)
= P(Z s 1,5) – P(Z < 0,5)
= 0,3085 – 0,0668
= 0,2417.
Hal itu berarti terdapat 0,2417 bagian dari populasinya yang mempunyai nilai
tes masuk anatara 80 dan 90.
Soal-soal
1. Jika diketahui variabel random Y mempunyai distribusi N(3,4) maka
tentukan c sehingga
P(Y > c) = 2 P(Y <= c).
2. Tentukan probabilitas variabel random yang berdistribusi normal baku z
yang terletak antara – 1,33 dan 1,33.
3. Find the value of z, call it z0, in the standard normal distribution that will
be exceeded only 10 % of the time. That is, find z0 such that P(z > z0) =
0.10.
44
IV.4 Distribusi Gamma, Eksponensial dan Chi – kuadrat.
Sebelum dibahas tentang distribusi Gamma, terlebih dahulu dibahas
tentang fungsi Gamma. Fungsi Gamma didefinisikan sebagai
dx e x
x ÷
·
÷
}
= I
0
1
) (
o
o .
Sifat yang dimiliki dari fungsi Gamma adalah I(o) = (o - 1) I(o-1). Dengan
rumus rekursi diperoleh sifat I(o) = (o - 1) (o - 2) (o - 3) I(o-3). Dapat
dibuktikan bahwa I(1) = 1 dan I(1/2) = \t. Untuk o = n dengan n bilangan
bulat diperoleh I(n) = (n-1)!
Definisi IV.3
Variabel random kontinu Y berdistribusi Gamma dengan parameter o dan |
bila fungsi kepadatan probabilitas Y dinyatakan dengan
| o
o
o |
/ 1
) (
1
) (
y
e y y f
÷ ÷
I
= untuk y > 0,
= 0 untuk y yang lain.
untuk o > dan | > 0.
Contoh IV.8
Di suatu kota pemakaian air sehari (dalam jutaan liter) dapat dianggap
berdistribusi Gamma dengan o = 2 dan | = 3 yaitu
3 / 1 2
2
) 2 ( 3
1
) (
y
e y y f
÷ ÷
I
= untuk y > 0
= 0 untuk y yang lain
atau
3 / 1 2
9
1
) (
y
e y y f
÷ ÷
= untuk y > 0
= 0 untuk y yang lain.
Apabila kemampuan menyediakan air adalah 9 juta liter per hari maka
probabilitas bahwa pada suatu hari tertentu persediaan air tidak mencukupi
adalah
45
P( Y > 9 ) = dy e y
y 3 / 1 2
9
9
1
÷ ÷
·
}
= du e u
u
3 ) 3 (
9
1
1 2
3
÷ ÷
·
}
= du e u
u ÷
·
}
3
= | |
·
÷ ÷
÷ ÷
3
u u
e e u
= - ] 3
1
[ lim
3 3 ÷ ÷
· ÷
÷ + ÷ e e
e e
u
u u
u
= 2 e
-3
= 0,0996.
Definisi IV.4
Variabel random Y yang berdistribusi Gamma dengan parameter o = v/2 dan
| = 2 dinamakan variabel random chi-kuadrat dengan derajat bebas v atau
dinotasikan dengan _
2
v
.
Definisi IV.5
Variabel random kontinu Y berdistribusi eksponensial dengan parameter |
bila fungsi kepadatan probabilitasnya dinyatakan sebagai
|
|
/
1
) (
y
e y f
÷
= untuk y > 0
= 0 untuk y yang lain.
Contoh IV.9
Lamanya waktu untuk melayani seseorang di suatu kafetaria
merupakan suatu variabel random berdistribusi eksponensial dengan | = 4.
Hal itu berarti fungsi kepadatan probabilitasnya adalah
4 /
4
1
) (
y
e y f
÷
= untuk y > 0
= 0 untuk y yang lain.
Probabilitas seseorang akan dilayani dalam kurun waktu kurang dari 3 menit
adalah
P( Y < 3 ) = dy e
y 4 /
3
0
4
1
÷
}
46
= du e
u
4
4
1
4 / 3
0
÷
}
= du e
u ÷
}
4 / 3
0
= | |
4 / 3
0
u
e
÷
÷
= 1 – e
-0,75
= 0,5.
Soal-soal
1. Misalkan variabel random X mempunyai distribusi probabilitas :
f(x) = k x
3
exp(-x/2) untuk x > 0
= 0 untuk x yang lain.
Tentukan k sehingga f(x) merupakan fungsi probabilitas.
2. The life time (in hours) X of a certain electronic component is random
variable with density function
f(x) = (1/100) exp(-x/100) x > 0
= 0 elsewhere.
Three of the components operate independently in a peace of equipment.
The equipment fails if at least two of components fails. Find the
probability that the equipment operates for at least 200 hours without
failure.
3. Jika variabel random Y mempunyai distribusi probabilitas eksponensial
maka tunjukkan bahwa untuk a > 0 dan b > 0 berlaku
P( Y > a + b | Y > a ) = P( Y > b ).
4. A certain manufacturing plant makes use of a specific bulk product. The
amount of product used in one day can be modeled by an exponential
distribution with | = 4 (measured in tons). Find the probability that the
plant will use more than 4 tons on a given day.
IV.3 Distribusi Probabilitas Beta
Distribusi probabilitas Beta mempunyai dua parameter yaitu o dan |
yang didefinisikan pada interval [0,1]. Fungsi kepadatan probabilitas Beta
didefinisikan sebagai
47
f(y) =
) , (
) 1 (
1 1
| o
| o
B
y y
÷ ÷
÷
untuk 0 s y s 1
= 0 untuk y yang lain
dengan B(o,|) =
) (
) ( ) (
) 1 (
1
1
0
1
| o
| o
| o
+ I
I I
= ÷
÷ ÷
}
dy y y .
Perlu dicatat bahwa persyaratan y pada interval [0,1] tidak akan
membatasi penggunaannya. Jika c s y s d maka y* = (y-c)/(d – c) akan
mendefinisikan variabel baru yang didefinisikan pada [0,1] sehingga fungsi
densitas beta dapat digunakan pada suatu variabel random yang didefinisikan
pada interval c s y s d .
Contoh IV.5
Distributor bensin mempunyai tangki persediaan yang diisi di setiap
Senin. Dalam pengamatan kita tertarik untuk menyelidiki proporsi dari
penjualan bensin dalam seminggu. Setelah penelitian beberapa minggu maka
dapat dibuat model yang merupakan distribusi beta dengan o = 4 dan | = 2.
Tentukan probabilitas bahwa distributor akan menjual paling sedikit 90%
dari persediaannya dalam minggu yang diberikan.
Penyelesaian
Jika Y menyatakan proporsi dari penjualan selama minggu tersebut maka
f(y) = ) 1 (
) 2 ( ) 4 (
) 2 4 (
3
y y ÷
I I
+ I
untuk 0 s y s 1
= 0 untuk y yang lain.
Berarti P( Y > 0,9 ) = dy y y dy y f ) ( 20 ) (
4
1
9 , 0
3
1
9 , 0
÷ =
} }
= 20
1
9 , 0
5 4
5 4
(
¸
(

¸

÷
y y
= 20 (0,004)
= 0,08.
Hal itu berarti probabilitasnya sangat kecil bahwa 90 % dari persediaan
akan terjual.
48
Soal-soal:
1. Variabel random Y mempunyai fungsi kepadatan probabilitas dinyatakan
dengan
f(y) = ky
3
(1-y)
2
untuk 0 s y s 1,
= 0 yang y lain.
Tentukan k sehingga f(y) merupakan fungsi kepadatan probabilitas.
2. The precentage of impurities per batch in a certain chemical product is a
random variable Y having the density function
f(y) =12 y
2
(1-y) for 0 s y s 1,
= 0 elsewhere.
A batch with more than 40 % impurities cannot be sold. What is the
probability that a randomly selected batch cannot be sold of excessive
impurities ?
3. Variabel random Y mempunyai fungsi kepadatan probabilitas yang
dinyatakan dengan
f(y) = 6 y (1-y) untuk 0 s y s1
= 0 untuk y yang lain
a. Tentukan F(y).
b. Tentukan gambar f(y) dan F(y).
c. Hitung P( 0,5 s Y s 0,8 ).
4. The weekly repair cost Y for a certain machine has a probability function
given by
f(y) = 3(1-y)
2
for 0 < y < 1
= 0 else where
with measurements in hundreds of dollars.
How much money should be budgeted each for repair costs so that the
actual cost will exceed the budgeted amount only 10% of the time?
***
49
BAB V
HARGA HARAPAN
V.1 Harga Harapan dari Variabel Random Diskrit
Dalam pembahasan yang lalu telah dibahas bahwa distribusi
probabilitas untuk variabel random adalah model teoritis untuk distribusi
empiris dari data yang berhubungan dengan populasi nyata. Jika model
sesuai dengan kedaan nyata maka distribusi empirik dari model teoritis akan
ekuivalen, sehingga dapat ditentukan mean dan variansi untuk variabel
random untuk mendapatkan ukuran deskriptif distribusi probabilitas f(y).
Definisi V.1
Jika Y adalah variabel random diskrit dengan fungsi probabilitas f(y)
maka harga harapan dari Y didefinisikan dengan
¿
=
y
y f y Y E ) ( ] [ .
Contoh V.1
Berdasarkan pada Tabel V.1, tentukan harga harapan (mean) variabel
random Y.
y 0 1 2
f(y) 1/10 6/10 3/10
Penyelesaian :
Harga harapan variabel random Y adalah
2 , 1
10
6
10
6
10
3
2
10
6
1
10
1
0 ) ( ] [ = + = |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
= =
¿
y
y f y Y E .
Definisi V.2
Jika g(Y) adalah fungsi dari variabel random diskrit Y dengan fungsi
probabilitas f(y) maka harga harapan g(Y) didefinisikan dengan
¿
=
y
y f y g Y g E ) ( ) ( )] ( [ .
50
Definisi V.3
Variansi variabel random Y didefinisikan sebagai harga harapan dari
variabel random (Y - µ )
2
atau Var(Y) = E[ (Y - µ )
2
] dengan µ = E[ Y ].
Simpangan baku dari Y merupakan akar positif dari V(Y). Jika f(y)
adalah karakteristik akurat dari distribusi frekuensi populasi maka mean
populasinya adalah µ = E[ Y ] dan variansi populasi adalah Var(Y) = o
2
serta
simpangan baku populasi adalah o.
Contoh V.2
Distribusi probabilitas variabel random Y dinyatakan dalam Tabel V.2.
Tentukan mean,variansi dan deviasi standar.
y 0 1 2 3
f(y) 1/8 2/8 3/8 2/8
Tabel V.2
Penyelesaian :
Harga harapan dari variabel random Y adalah
75 , 1
8
14
8
6
8
6
8
2
8
2
3
8
3
2
8
2
1
8
1
0 ) ( ] [ = = + + =
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
= =
¿
y
y f y Y E .
Variansi dari variabel random Y adalah
¿
÷ =
y
y f y Y Var ) ( ) ( ] [
2
µ
=
|
.
|

\
|
÷ + |
.
|

\
|
÷ + |
.
|

\
|
÷ + |
.
|

\
|
÷
8
2
) 75 , 1 3 (
8
3
) 75 , 1 2 (
8
2
) 75 , 1 1 (
8
1
) 75 , 1 0 (
2 2 2 2
=
|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
8
2
) 5625 , 1 (
8
3
) 0675 , 0 (
8
2
) 5625 , 0 (
8
1
) 0625 , 3 (
= 0,3828 + 0,1406 + 0,0234 + 0,3906
= 0,9374.
Simpangan baku dari variabel random Y adalah
o = (0,9734)
0,5
= 0,9682.
Berikut ini diberikan sifat-sifat dari harga harapan variabel random Y.
51
1. Jika c konstanta maka E(c) = c.
2. Jika g(y) fungsi dari variabel random Y dan c adalah konstanta maka
E[ c g(y) ] = c E[ g(y) ].
3. Jika g1(Y),g2(Y),.....,gk(Y) adalah k fungsi dari variabel random Y maka
E[ g1(Y) + g2(Y) + ..... + gk(Y) ] = E[ g1(Y) + E[ g2(Y) ] + ..... + E[ gk(Y) ].
4. Var(Y) = E[ (Y - µ )
2
] = E[ Y
2
] - µ
2
.
Contoh V.3 :
Berdasar pada data Contoh V.2. Tentukan variansi variabel random Y
dengan menggunakan sifat 4.
Penyelesaian :
Karena
¿
=
y
y f y Y E ) ( ] [
2 2
=
|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
8
2
) 3 (
8
3
) 2 (
8
2
) 1 (
8
1
) 0 (
2 2 2 2
=
|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
8
18
8
12
8
2
= 32/8
= 4
maka Var[ Y ] = E[ Y
2
] - µ
2
= 4 – (1,75)
2
= 0,9375.
Contoh V.4 :
Tentukan harga harapan E(Y) dan variansi V(Y) dari distribusi probabilitas
Poisson.
Penyelesaian :
Karena fungsi probabilitas dari variabel random Y yang berdistribusi Poisson
adalah
!
) (
y
e
y f
y
µ
µ
÷
=
untuk y = 0, 1, 2, 3, …… maka
¿ ¿
·
=
÷
= =
y y
y
y
e
y y f y Y E
0
!
) ( ] [
µ
µ
52
=
¿
·
=
÷
1
!
y
y
y
e
y
µ
µ
=
¿
·
=
÷
÷
1
! ) 1 (
y
y
y
e
µ
µ
=
¿
·
=
÷ ÷
÷
1
1
! ) 1 (
y
y
y
e
µ
µ
µ
=
¿
·
=
÷
0
!
z
z
z
e
µ
µ
µ
= µ.
Untuk menghitung Var(Y) terlebih dahulu ditentukan
¿ ¿
·
=
÷
÷ = ÷ = ÷
y y
y
y
e
y y y f y y Y Y E
0
!
) 1 ( ) ( ) 1 ( ] ) 1 ( [
µ
µ
=
¿
·
=
÷
÷
2
!
) 1 (
y
y
y
e
y y
µ
µ
=
¿
·
=
÷
÷
2
! ) 2 (
y
y
y
e
µ
µ
=
¿
·
=
÷ ÷
÷
2
2
2
! ) 2 (
y
y
y
e
µ
µ
µ
=
¿
·
=
÷
0
2
!
z
z
z
e
µ
µ
µ
= µ
2
sehingga Var[ Y ] = E[ Y(Y-1) ] + E[ Y ] – ( E[ Y ] )
2
= µ
2
+ µ - µ
2
= µ .
53
Soal-soal
1. Jika Y variabel random dengan distribusi probabilitas yang dinyatakan
dalam Tabel.
y 1 2 3 4
f(y) 0,4 0,3 0,2 0,1
Tentukan E(Y), E(1/Y), E(Y
2
-1), V(Y).
2. Dalam permainan judi seorang pemain menerima Rp.15.000,- ; jika dia
memperoleh jack dan queen dan Rp.5.000,- jika dia memperoleh king atau
ace dari 1 deck kartu yang berisi 52 kartu jika dia memperoleh sembarang
kartu Y yang laian dia harus membayar Rp.4.000,-. Apabila seorang ikut
bermain dalam permainan judi itu berapa harga harapan dia menang.
3. Misalkan variabel random X=banyaknya jam belajar tiap minggu seorang
mahasiswa yang dipilih secara random dari semua mahasiswa UKSW. Jika
X mempunyai mean 30 jam dan deviasi standar 8, maka tentukan mean
variabel random Y = (X - 30)
2
dan deviasi standar Z = 2X - 3.
4. Seorang salesman dapat menemui satu atau dua konsumen perhari dengan
probabilitas 1/3 dan 2/3 pada setiap pertemuan tersebut seorang
konsumen akan membeli produk yang ditawarkan atau tidak membeli
masing-masing dengan probabilitas 0,1 dan 0,9. Tentukan distribusi
probabilitas penjualan harian dari salesman tersebut. Tentukan mean dan
variansinya.
5. If the random varibel Y has the probability function
f(y) = (1/2)
y
for y = 1, 2, 3, …..
find E(Y).
6. If the probability function of Y is f(y) = y/15 for y = 1, 2, 3, 4, 5 , find
E(Y).
7. Tentukan mean dan variansi dari distribusi hipergeometrik.
8. Jika Y mempunyai fungsi probabilitas f(y) = y/10 untuk y = 1, 2, 3, 4.
Tentukan E(Y) dan E[ | Y – 3 | ] serta E[ (Y – 3)
2
].
9. Let Y be a random variable with probability function f(y) = y/10 , y = 1, 2,
3, 4 and let X = Y
2
. Find the mean and variance of X.
10. Let Y be a random variable with probability function f(y)=2/[k(k+1)],
y=1,2,3,...,k where k is any interger. Given that
54
1 + 2 + 3 +....+ k = k (k+1)/2
1
2
+ 2
2
+ 3
2
+....+ k
2
= k (k+1)(2k+1)/6
find the mean and varince.
11. Let Y have the probability function . Suppose that there is a number c
such that f(c-y) = f(c+y) for all y. Show that if E(Y) exist then E(Y) = c.
V. 2 Harga Harapan Untuk Variabel Random Kontinu
Mean, variansi dan deviasi standar dari variabel random kontinu
ditentukan dengan tujuan untuk mengetahui ukuran deskriptif dari fungsi
kepadatan probabilitasnya. Seringkali sukar untuk menentukan distribusi
probabilitas variabel random Y atau fungsi g(Y). Dalam pembahasan yang lalu
telah dibahas bahwa integrasi atas interval terhadap fungsi -fungsi tertentu
seringkali sulit dilakukan, oleh karena itu kita perlu mendekatinya dengan
menggunakan cara yang dapat menggambarkan tingkah laku variabel
random.
Definisi V.4 :
Harga harapan untuk variabel random kontinu Y adalah
}
·
· ÷
= dy y f y Y E ) ( ] [
jika integral tersebut ada.
Contoh V.5 :
Tentukan harga harapan fungsi kepadatan probabilitas uniform pada
interval (u1,u2)
Penyelesaian :
dy y Y E
}
÷
=
2
1
1 2
1
] [
u
u
u u
= dy y
}
÷
2
1
1 2
1
u
u
u u
=
2
1
2
1
2
1 2
u
u
u u
(
¸
(

¸

÷
y
55
=
(
¸
(

¸

÷
÷ 2
1
2
1
2
2
1 2
u u
u u
=
(
¸
(

¸
+ ÷
÷ 2
) ( ) ( 1
1 2 1 2
1 2
u u u u
u u
=
2
2 1
u u +
.
Dengan cara yang sama kita dapat menentukan harga harapan untuk
fungsi variabel random Y.
Definisi V.5 :
Jika g(Y) fungsi dari variabel random Y maka harga harapan g(Y) adalah
}
·
· ÷
= dy y f y g Y g E ) ( ) ( ] ) ( [
jika integral itu ada.
Sifat-sifat Harga Harapan Untuk Variabel Random Kontinu Y
Jika c konstanta dan g(Y),g1(Y), ... , gk(Y) adalah fungsi dari variabel
random kontinu Y maka berlaku sifat-sifat sebagai berikut :
1. E(c) = c
2. E[ cg(Y) ] = c E[ g(Y) ]
3. E[ g1(Y) + g2(Y) + ..... + gk(Y) ] = E[ g1(Y) + ... + E[gk(Y)]
4. Untuk g(Y) = (Y - µ )
2
maka berlaku sifat
Var(Y) = E[ (Y - µ )
2
] = E[ Y
2
] - µ
2
.
Contoh V.6 :
Tentukan variansi Y yang berdistribusi seragam pada interval (u1,u2).
Penyelesaian:
Fungsi kepadatan probabilitas variabel random Y yang berdistribusi seragam
pada (u1,u2) adalah
1 2
1
) (
u u ÷
= y f untuk u1 < y < u2
56
sehingga dan
dy y Y E
}
÷
=
2
1
1 2
2 2
1
] [
u
u
u u
= dy y
}
÷
2
1
2
1 2
1
u
u
u u
=
2
1
3
1
3
1 2
u
u
u u
(
¸
(

¸

÷
y
=
(
¸
(

¸

÷
÷ 3
1
3
1
3
2
1 2
u u
u u
=
(
¸
(

¸

+ + ÷
÷ 3
) ( ) ( 1
2
1 1 2
2
2 1 2
1 2
u u u u u u
u u
=
(
¸
(

¸

+ +
3
) (
2
1 1 2
2
2
u u u u
.
Akibatnya
Var[Y] = E[Y
2
] – ( E[Y] )
2
=
2
1 2
2
1 1 2
2
2
2 3
|
.
|

\
| +
÷
+ + u u u u u u
=
|
|
.
|

\
|
+ +
÷
+ +
4
2
3
2
1 2 1
2
2
2
1 1 2
2
2
u u u u u u u u
=
|
|
.
|

\
|
+ +
÷
+ +
12
3 6 3
12
4 4 4
2
1 2 1
2
2
2
1 1 2
2
2
u u u u u u u u
=
12
2
2
1 1 2
2
2
u u u u + ÷
=
12
) (
2
1 2
u u ÷
.
Contoh V.7 :
Let the random varible Y be defined as follows. Soppose that Y is the time (in
minutes) during which electrical eqiupment is used at maximum load in a
57
certain spesified time period. Suppose that Y is a continous random variable
with the following pdf :
f(y) = y
2
) 1500 (
1
for 0 s y s 1500
= ) 3000 (
) 1500 (
1
2
÷ ÷ y for 1500 s y s 3000
= 0 elsewhere
Find E(Y).
Solution
Harga harapan dari variabel random Y adalah
dy y y dy y Y E ) 3000 (
) 1500 (
1
) 1500 (
1
] [
3000
1500
2
2
1500
0
2
÷ ÷ =
} }
= ] ) 3000 ( [
) 1500 (
1
3000
1500
2
1500
0
2
dy y y dy y ÷ ÷
} }
=
|
|
.
|

\
|
(
¸
(

¸

÷ ÷
(
¸
(

¸

3000
1500
2
3
1500
0
3
2
1500
3 3 ) 1500 (
1
y
y y
=
|
|
.
|

\
|
(
¸
(

¸

+ ÷ ÷ ÷
(
¸
(

¸

3
3
2
3 3
2
) 1500 (
3
) 1500 (
) 3000 ( 1500
3
) 3000 (
3
) 1500 (
) 1500 (
1
=
|
|
.
|

\
|
(
¸
(

¸

+ ÷ ÷ ÷
(
¸
(

¸

3
3
2
3 3
2
) 1500 (
3
) 1500 (
) 3000 ( 1500
3
) 3000 (
3
) 1500 ( 2
) 1500 (
1
=
2
) 1500 (
1
[ 2250000000) - (7875000000 – 10125000000) ]
=
2
) 1500 (
1
4500000000
= 2000.
Contoh V.8
Tentukan E[ Y ] dan Var[ Y ] jika Y berdistribusi Gamma(o,|).
Penyelesaian
Karena fungsi kepadatan probabilitas Y adalah
58
) (
) (
/ 1
o |
o
| o
I
=
÷ ÷ y
e y
y f
maka
dy
e y
y dy y f y Y E
y
) (
) ( ] [
/ 1
o |
o
| o
I
= =
÷ ÷
·
· ÷
·
· ÷
} }
= dy
e y
y
) (
/ 1 ) 1 (
o |
o
| o
I
÷ ÷ +
·
· ÷
}
= dy e y
y | o
o
o |
/ 1
) (
1
÷
·
· ÷
÷ +
}
I
= ) 1 (
) (
1
1
+ I
I
+
o |
o |
o
o
= ) (
) (
1
1
o o |
o |
o
o
I
I
+
= o |
dan
dy
e y
y dy y f y Y E
y
) (
) ( ] [
/ 1
2 2 2
o |
o
| o
I
= =
÷ ÷
·
· ÷
·
· ÷
} }
= dy
e y
y
) (
/ 1 ) 2 (
o |
o
| o
I
÷ ÷ +
·
· ÷
}
= dy e y
y | o
o
o |
/ 2
) (
1
÷
·
· ÷
÷ +
}
I
= ) 2 (
) (
1
2
+ I
I
+
o |
o |
o
o
= ) 1 ( ) 1 (
) (
1
2
+ I +
I
+
o o |
o |
o
o
= ) ( ) 1 (
) (
1
2
o o o |
o |
o
o
I +
I
+
= o
2
|
2
+ o |
2
sehingga Var(Y) = E(Y
2
) – (E[Y])
2
= o
2
|
2
+ o|
2
– (o |)
2
.
Soal :
1. Tentukan mean dan variansi dari fungsi uniform pada interval (0,1).
2. Diketahui variabel random Y berdistribusi eksponensial dengan fungsi
kepadatan probabilitas
f(y) = µe
-
µ
y
untuk y > 0,
59
= 0 untuk y yang lain.
Tentukan mean dan variansinya .
3. The ash content in coal (percentage), say Y, may be considered as a
continous random variable with the following pdf f(y) = (1/4875) y
2
for
10 ≤ y ≤ 25. Find E(Y).
4. Nilai rata-rata ujian statistik sejumlah mahasiswa adalah 60 dengan deviasi
standar 10. Bila dianggap bahwa nilai-nilai ujian itu berdistribusi normal
dan bila 10 % dari mahasiswa yang mempunyai nilai terbaik akan
memperoleh nilai A maka tentukan nilai terendah mahasiswa yang
mendapat nilai A .
5. Buktikan bahwa variabel random Y yang mempunyai distribusi Beta dengan
parameter α dan | mempunyai mean E[ Y ] = α/(α + |) dan
Var[ Y] =
) 1 ( ) (
2
+ + + | o | o
| o
.
6. Let F(x) = 1 - e
-x
x ≥ 0
= 0 x < 0
be the distribution function for the random variabel X. Find E(X) and the
median of X.
7. A certain alloy is formed by combining the melted mixture of two metals.
The resulting alloy contains a certain percent of lead, say Y , which may be
considered as a random variable . Suppose that Y has the following pdf :
f(y) = (3/5) 10
-5
y (100 – y) 0 ≤ y ≤ 100.
Suppose that P, the net profit realized in selling this alloy (per pound) is the
following function of the percent of lead :
P = C1 + C2 Y
Compute the expected profit (per pound).
8. Suppose that an electronic device has a life length Y (in units of 1000
hours) which is considered as a continous random varable with the
following pdf
f(y) = e
-y
y > 0
Suppose that the cost of manufacturing one such item is $ 200 The
manufacturing sells the item for $500 but guarantees a total refund if
Y s 0,9 what is the manufacturer's expected profit per item.
60
9. Suppose that Y a random voltage, varies between 0 dan 1 volt and is
uniformly distributed over that interval. Suppose that the signal Y is
pertubed by an additive independent random noise N which is uniformly
distributed between 0 and 2 volts.
a. Find the expected voltage of signal, taking noise into account .
b. Find the expected parameter when perturbed signal is applied to a
resistor of 2 ohms.
10. Let V be the wind velocity (mph) and suppose that is uniformly distributed
over the interval [0,10]. The pressure, say W (in lb/feet
2
), on the surface of
on air plane wing is given by the relationship W = 0,003 V
2
. Find the
expected value of W.
V.3 Fungsi Pembangkit Momen
Parameter µ dan o masing-masing menggambarkan ukuran numerik
dari lokasi pusat dan persebaran f(y) tetapi tidak menyatakan karakteristik
yang tunggal dari distribusi. Artinya banyak fungsi probabilitas mempunyai
distribusi yang berbeda meskipun mempunyai mean dan simpangan baku
yang sama.
Definisi V.5
Momen ke-i dari variable random Y terhadap titik nol didefinisikan sebagai
E[ Y
i
] dan dilambangkan dengan µi' .
Khususnya, momen pertama variabel random Y adalah E[ Y ] = µ1' = µ
dan E[Y
2
] = µ2'.
Definisi V.6
Momen ke-i dari variabel random Y terhadap mean Y atau dikenal dengan
momen pusat ke-i dari Y didefinisikan sebagai E[ (Y - µ )
i
] dan dilambangkan
dengan µi .
61
Khususnya momen pusat kedua dinyatakan dengan µ2 = o
2
.
Definisi V.7
Fungsi pembangkit momen m(t) untuk variabel random Y didefinisikan sebagai
E[ e
tY
].
Catatan
Fungsi pembangkit momen untuk Y ada jika terdapat bilangan positif
konstan b sehingga m(t) berhingga untuk | t | s b.
Sifat-sifat fungsi pembangkit momen :
Jika m(t) ada maka untuk sebarang bilangan bulat positif k berlaku
'
= =
(
¸
(

¸

=
k
k
t
k
k
t m
dt
t m d
µ ) (
) (
) (
0
.
Contoh V.9
Tentukan fungsi pembangkit momen m(t) untuk variabel random yang
berdistribusi Poisson.
Penyelesaian :
¿ ¿
·
=
÷
= =
y y
y
ty ty tY
y
e
e y f e e E
0
!
) ( ] [
µ
µ
=
¿
·
=
÷
0
!
) (
y
y t
y
e e
µ
µ
=
¿
·
=
÷
0
!
) (
y
y t
y
e
e
µ
µ
= ] exp[
t
e e µ
µ
÷
÷
= ] ) 1 ( exp[ ÷
t
e µ .
62
Berikut ini contoh bahwa dengan menggunakan fungsi pembangkit
momen dari variabel random Y yang berdistribusi Poisson maka mean dan
variansinya dapat ditentukan.
Contoh V.10
Gunakan fungsi pembangkit momen m(t) = ] ) 1 ( exp[ ÷
t
e µ untuk menentukan
mean dan variansi dari variabel random Y yang berdistribusi Poisson.
Penyelesaian :
Turunan pertama dari fungsi pembangkit momen m(t) = ] ) 1 ( exp[ ÷
t
e µ
adalah
m'(t) = µ e
t
] ) 1 ( exp[ ÷
t
e µ
sehingga E[Y] = m'(0) = µ e
0
] ) 1 ( exp[
0
÷ e µ = µ.
Turunan kedua dari fungsi pembangkit momen m(t) = ] ) 1 ( exp[ ÷
t
e µ adalah
m''(t) = µ e
t
] ) 1 ( exp[ ÷
t
e µ + µ e
t
µ e
t
] ) 1 ( exp[ ÷
t
e µ
= µ e
t
] ) 1 ( exp[ ÷
t
e µ + µ
2
e
2t
] ) 1 ( exp[ ÷
t
e µ
sehingga E[Y
2
] = m''(0) = µ e
0
] ) 1 ( exp[
0
÷ e µ + µ
2
e
2(0)
] ) 1 ( exp[
0
÷ e µ = µ + µ
2
.
Akibatnya Var[Y] = E[Y
2
] – ( E[Y] )
2
= µ + µ
2
- µ
2
= µ.
Jika m(t) ada maka distribusi probabilitas f(y) adalah tunggal. Hal itu
berarti bahwa tidak mungkin dua variabel random yang berdistribusi berbeda
mempunyai fungsi pembangkit momen yang sama. Jika fungsi pembangkit
momen dua variabel random Y dan Z adalah sama maka Y dan Z mempunyai
distribusi probabilitas yang sama.
Contoh V.11
Tentukan momen ke-k terhadap titik nol dari variabel random Y yang
mempunyai distribusi seragam pada (0, u).
Penyelesaian
Karena variabel random Y mempunyai distribusi seragam pada (0, u) maka
fungsi pembangkit probabilitasnya adalah
63
f(y) = 1/u untuk 0 < y < u,
= 0 untuk y yang lain
sehingga momen ke-k terhadap titik nol adalah
(k' = E[ Y
k
] = dy y f y
k
) (
}
·
· ÷
= dy y
k
u
u
1
0
}
=
1 ) 1 (
0
1
+
=
(
¸
(

¸

+
+
k k
y
k k
u
u
u
Akibatnya
µ1' = µ = u/2 ; µ2' = u
2
/3 ; µ3' = u
3
/4
dan seterusnya.
Contoh V.12
Tentukan fungsi pembangkit momen m(t) jika Y berdistribusi Gamma(o,|).
Penyelesaian
Karena fungsi kepadatan probabilitas Y adalah
) (
) (
/ 1
o |
o
| o
I
=
÷ ÷ y
e y
y f
maka
m(t) = dy
e y
e dy y f e e E
y
ty ty tY
) (
) ( ] [
/ 1
0
o |
o
| o
I
= =
÷ ÷
· ·
· ÷
} }
= dy t y y ]
1
exp[
) (
1
0
1
|
|
.
|

\
|
÷ ÷
I
}
·
÷
| o |
o
o
= dy
t
y
y ]
) 1 /(
exp[
) (
1
0
1
| | o |
o
o
÷
÷
I
}
·
÷
=
(
(
¸
(

¸

I
|
|
.
|

\
|
÷ I
) (
1 ) (
1
o
|
|
o |
o
o
t
=
o
| ) 1 (
1
t ÷
= (1 - | t )
-
o
untuk t < (1/| )
Contoh V.13
Gunakan hasil pada contoh V.12 untuk mendapatkan rumus µk'.
Penyelesaian
64
Karena fungsi pembangkit momen untuk Y yang berdistribusi Gamma( o,|)
adalah
m(t) = (1 - | t )
-
o
untuk t < (1/| )
maka
m'(t) = o|(1 - | t )
-
o
-1
m''(t) = o(o+1)|
2
(1 - | t )
-
o
-2
m'''(t) = o(o+1)(o+2)|
3
(1 - | t )
-
o
-3
Secara umum dapat dibuktikan bahwa
m
(k)
(t) = o (o+1) (o+2) …. (o+k-1) |
k
(1 - | t )
-
o
-k
sehingga
E[Y
k
] = m
(k)
(0) = o (o+1) (o+2) …. (o+k-1) |
k
Sifat-sifat fungsi pembangkit momen
1. Jika g(Y) adalah fungsi variabel random Y dengan fungsi kepadatan
probabilitas f(y) maka fungsi pembangkit momen untuk g(Y) adalah
m(t) =
}
·
· ÷
= dy y f y g e e E
ty Y g t
) ( ) ( ] [
) (
.
2. Jika variabel random Y mempunyai fungsi pembangkit momen mY(t)
maka g(Y) = aY dengan a konstanta mempunyai fungsi pembangkit
momen
m g(Y)(t) = e
at
mY(t).
3. Jika variabel random Y mempunyai fungsi pembangkit momen mY(t)
maka g(Y) = aY dengan a konstanta mempunyai fungsi pembangkit
momen
m g(Y)(t) = mY(t).
4. Jika X , Y variabel random saling bebas yang masing-masing
mempunyai fungsi pembangkit momen mX(t) dan mY(t) maka variabel
random kontinu W = X + Y mempunyai fungsi pembangkit momen
mW(t) = mX(t) mY(t).
65
Contoh V.14
Tentukan fungsi pembangkit momen m(t) untuk variabel random Y yang
berdistribusi seragam pada (0,1). Berdasarkan pada m(t) tentukan mean dan
variansinya.
Penyelesaian
m(t) =
}
·
· ÷
= dy y f e e E
ty Y t
) ( ] [
=
}
=
1
0
] [ dy e e E
ty Y t
= | |
1
0
1
ty
e
t
= | | 1
1
÷
t
e
t
=
(
¸
(

¸

÷ + + + + 1 ......
! 3 ! 2 ! 1
1
1
3 2
t t t
t
=
(
¸
(

¸

+ + + ......
! 3 ! 2 ! 1
1
3 2
t t t
t
=
(
¸
(

¸

+ + + ......
! 3 ! 2 ! 1
1
2
t t
.
Akibatnya m'(t) =
(
¸
(

¸

+ + ......
! 3
2
! 2
1 t
sehingga E[Y] = m'(0) = ½ dan
m''(t) =
(
¸
(

¸

+ ......
! 4
3
! 3
2
2
t
sehingga E[Y
2
] = m''(0) = 2/6. Diperoleh
Var[Y] = E[Y
2
] – (E[Y])
2
= 2/6 – (½)
2
= 1/12.
Contoh V.15
Tentukan fungsi pembangkit momen untuk g(Y) = Y - 5 dengan Y variabel
random yang berdistribusi seragam pada interval (0,1).
Penyelesaian
66
Karena fungsi pembangkit momen untuk Y adalah m(t) = | | 1
1
÷
t
e
t
maka fungsi
pembangkit momen untuk mg(Y) adalah
mg(Y) = | | 1
5
÷
÷
t
t
e
t
e
.
Contoh V.15
Tentukan fungsi pembangkit momen untuk g(Y) = 2Y dengan Y variabel
random yang berdistribusi seragam pada interval (0,1).
Penyelesaian
Karena fungsi pembangkit momen untuk Y adalah m(t) = | | 1
1
÷
t
e
t
maka fungsi
pembangkit momen untuk mg(Y) adalah
mg(Y) = | | 1
2
1
2
÷
t
e
t
.
Soal-soal
11.Tentukan fungsi pembangkit momen untuk variabel random Y yang
mempunyai fungsi probabilitas
y 0 1 2
f(y) 0,25 0,5 0,25
12. Jika diketahui bahwa m(t) = (1/6) e
t
+ (2/6) e
2t
+ (3/6) e
3t
maka
tentukan E[Y], Var[Y] dan fungsi probabilitas Y.
13. Jika Y mempunyai distribusi Binom(n,p) maka tentukan fungsi
pembangkit momen dari Y.
14. Berdasarkan soal no 1 tentukan E[Y] dan E[Y
2
] .
15. Consider a random variable Y with the density function
f(y) = k exp[- y
2
/2] - · < y < ·
a. Find k.
b. Find the moment generating function.
c. Find E[ Y] and Var[ Y] .
67
16.A random variable Y has the density function
f(y) = exp[y] y < 0
= 0 elsewhere
(a) Find E[ e
3Y/2
].
(b) Find the moment generating function
(c) Find Var(Y) .
17.Jika variabel random kontinu Y berdistribusi f(y) = 2y untuk 0 < y < 1
maka tentukan fungsi pembangkit momen m(t) untuk Y. Berdasarkan
pada m(t) tentukan mean dan variansinya.
18.Tentukan fungsi pembangkit momen m(t) untuk variabel random Y yang
berdistribusi seragam pada interval (u1,u2). Berdasarkan fungsi
pembangkit momennya tentukan mean dan variansinya.
19.Tentukan fungsi pembangkit momen untuk variabel random Y yang
berdistribusi eksponensial f(y) = u e
-
u
y
untuk y > 0.
20.Tentukan fungsi pembangkit momen untuk variabel random yang
berdistribusi normal dengan mean µ dan variansi o
2
.
***
68
BAB VI
DISTRIBUSI PROBABILITAS BIVARIAT
Dalam banyak keadaan diperlukan pencatatan hasil beberapa variabel
random secara serempak. Misalkan pengukuran tekanan uap air P dan isi
gas V yang dihasilkan dari suatu percobaan kimia yang dikendalikan akan
menghasilkan ruang dan sampel berdimensi dua yang terdiri dari atas hasil
(p,v).
Definisi VI.1
Diketahui Y1, Y2 adalah variabe random diskrit .
Distribusi probabilitas bersama untuk y1 dan y2 dinyatakan dengan
p(y1,y2) = P(Y1 = y1, Y2 = y2)
didefinisikan untuk y1, y2 bilangan real .
Sifat-sifat fungsi probabilitas bersama p(y1,y2) dapat dinyatakan sebagai
berikut
1) p(y1,y2) > 0,
2)
¿¿
=
1 2
1 ) , (
2 1
y y
y y p .
Contoh VI.1
Dua isi ballpoint dipilih secara random dari sebuah kotak yang berisi tiga
warna biru, dua merah, dan tiga hijau. Apabila Y1 menyatakan banyaknya
ballpoint yang isinya berwarna biru dan Y2 menyatakan banyaknya ballpoint
yang isinya berwarna merah yang terpilih. Tentukan distribusi probabilitas
bersama f(y1,y2) dan P[(y1,y2) e A] bila A menyatakan daerah
{ (y1,y2) : y1 + y2 s 1 }
maka tentukan P(A).
Penyelesaian :
Bila dimiliki ballpoint yang terdiri dari tiga warna biru, dua merah, dan tiga
hijau dan diambil 2 ballpoint maka Y1 yang menyatakan banyaknya ballpoint
yang isinya berwarna biru, mungkin bernilai 0, 1 atau 2 dan Y2 yang
menyatakan banyaknya ballpoint yang isinya berwarna merah, mungkin
69
bernilai 0, 1 atau 2. Banyak cara melakukan pengambilan 2 ballpoint dari
seluruhnya 8 ballpoint adalah
28
2
8
=
|
|
.
|

\
|
cara.
Bila dari 2 ballpoint yang diambil tidak ada yang berwarna biru maupun yang
berwarna merah maka berarti keduanya berwarna hijau sehingga banyak
cara pengambilan dua ballpoint dari 3 ballpoint yang berwarna hijau adalah
3
2
3
=
|
|
.
|

\
|
cara.
Hal itu berarti probabilitas 2 ballpoint yang terambil tidak ada yang berwarna
biru maupun yang berwarna merah adalah 3/28. Dengan cara yang sama
dapat disusun tabel distribusi probabilitas untuk variable random (Y1, Y2).
Y2 = 0 Y2 = 1 Y2 = 2
Y1 = 0 3/28 6/28 1/28
Y1 = 1 9/28 6/28 0
Y1 = 2 3/28 0 0
Dengan menggunakan rumus, tabel tersebut juga dapat dinyatakan sebagai
|
|
.
|

\
|
|
|
.
|

\
|
÷ ÷
|
|
.
|

\
|
|
|
.
|

\
|
= = =
2
8
2
3 2 3
) , (
2 1 2 1
2 2 1 1
y y y y
y Y y Y P
dengan y1 = 0, 1, 2 dan y2 = 0, 1, 2.
Definisi VI.2
Untuk sebarang variabel random Y1 dan Y2 .
Fungsi distribusi bersama F(a,b) dinyatakan sebagai
70
F(a,b) = P( Y1 s a, Y2 s b).
Untuk dua variabel random diskrit Y1 dan Y2 maka F(a,b) berbentuk
F(a,b) =
¿ ¿
s s a y b y
y y p
1 2
) , (
2 1
.
Untuk Y1,Y2 variabel random kontinu dengan fungsi distribusi bersama F(a,b).
Jika terdapat fungsi tidak negatif f(a,b) sedemikian hingga untuk sebarang
bilangan real a dan b berlaku
maka Y1 dan Y2 dikatakan variabel random bersama kontinu. Fungsi f(y1,y2)
disebut fungsi kepadatan probabilitas bersama.
Sifat- sifat distribusi probabilitas bersama F(a,b)
1. F( - · , -·) = F(- · , y2) = F(y1, -· ) = 0.
2. F( · , ·) = 1.
Jika a2 > a1 dan b2 > b1 maka
F(a2,b2) - F(a2,b1) – F(a1,b2) + F(a1,b1) > 0 (non negatif) .
Sifat-sifat fungsi kepadatan bersama f (Y1, Y2) adalah
1) F(y1,y2) > 0 untuk semua Y1, Y2.
2)
P( a1 s Y2 s a2 , b1 s Y2 s b2) merupakan volume di bawah bidang luasan f(y1,y2)
dan akan sama dengan
Contoh VI.2
Misalkan diberikan fungsi kepadatan probabilitas bersama :
f (y1,y2) = 4 y1 y2 untuk 0 < y1< 1 dan 0 < y2 < 1
Tentukan P( Y1 < 0,5 , Y2 < 0,5).
Penyelesaian :
1 2 2 1
) , ( ) , ( dy dy y y f b a F
a b
} }
· ÷ · ÷
=
} }
·
· ÷
·
· ÷
= 1 ) , (
2 1 2 1
dy dy y y f
} }
2
1
2 1 2 1
2
1
, ) , (
b
b
a
a
dy dy y y f
71
P( Y1 < 0,5 , Y2 < 0,5) =
2 1
5 , 0
0
5 , 0
0
2 1
4 dy dy y y
} }
= | |
2
5 , 0
0
2
1
5 , 0
0
2
2 dy y y
}
=
2
5 , 0
0
2
5 , 0 dy y
}
=
5 , 0
0
2
2
4
(
¸
(

¸

y
= 1/16.
Contoh VI.3
Misalkan diberikan fungsi kepadatan probabilitas bersama :
f (y1,y2) = y1 [ 1 + 3 (y2)
2
]/4 untuk 0 < y1 < 1 dan 0 < y2 < 1
= 0 untuk yang lain
Tentukan P { (y1,y2) e A } bila A daerah
{ (y1,y2) ; 0 < y1< 1 , ¼ < y2 < ½ }.
Penyelesaian
P( 0 < Y1 < 1 , 1/4 < Y2 < 1/2) =
2 1
2 / 1
4 / 1
1
0
2
1
4
3 1
dy dy
y
y
} }
+
=
2
2 / 1
4 / 1
1
0
2
1 2
2 4
3 1
dy
y y
}
(
¸
(

¸

+
=
2
2 / 1
4 / 1
2
8
3 1
dy
y
}
+
=
2 / 1
4 / 1
2
2 1
8
2 / 3
(
¸
(

¸

+ y y
= 3/64.
72
Contoh VI.4
Suatu sistem elektronik terdiri dari dua komponen yang berbeda yang
beroperasi secara bersama. Misalkan Y1 dan Y2 menyatakan lama hidup dari
komponen tipe I dan tipe II. Fungsi kepadatan probabilitas bersama
dinyatakan dengan
f(y1, y2) = 8 y1 exp[-(y1 + y2)] untuk y1 > 0 ; y2 > 0
Tentukan P(Y1 > 1 , Y2 > 1) .
Penyelesaian
P( Y1 > 1 , Y2 > 1) =
1 2 2
1 1
1 1
] ) ( exp[ 8 dy dy y y y + ÷
} }
· ·
=
} }
· ·
÷ ÷
1
2 2 1
1
1 1
] exp[ ] exp[ 8 dy y dy y y
dengan
} }
÷ = ÷
· ÷
· b
b
dy y dy y
1
2 2
1
2 2
] exp[ lim ] exp[
| |
b
b
y
1 2
] exp[ lim ÷ ÷ =
· ÷
| |
b
b
e e
÷ ÷
· ÷
÷ =
1
lim
= e
-1
.
} }
÷ = ÷
· ÷
· b
b
dy y y dy y y
1
1 1 1 1
1
1 1
] exp[ 8 lim ] exp[ 8
| |
b
b
y y y
1 1 1 1
] exp[ ] exp[ lim 8 ÷ ÷ ÷ ÷ =
· ÷
| | ] exp[ ] exp[ 2 lim 8
1
b b b e
b
÷ ÷ ÷ ÷ =
÷
· ÷
= 16 e
-1
.
Akibatnya P( Y1 > 1 , Y2 > 1) = 16 e
-2
.
VI.1 Nilai harapan dari Fungsi Variabel Random
Jika g(Y1,Y2) fungsi variabel random Y1 dan Y2 yang mempunyai fungsi
probabilitas bersama p(Y1,Y2) adalah
| |
¿¿
=
1 2
) , ( ) , ( ) , (
2 1 2 1 2 1
y y
y y p y y g Y Y g E .
Jika Y1, Y2 adalah variabel random kontinu dengan fungsi kepadatan
probabilitas bersama f(y1,y2) maka
73
| |
} }
=
1 2
2 1 2 1 2 1 2 1
) , ( ) , ( ) , (
y y
dy dy y y f y y g Y Y g E .
Sifat – sifat nilai harapan
1. Jika c konstanta maka E[ c ] = c.
2. Jika g (Y1,Y2) adalah fungsi variabel random Y1 dan Y2 dengan c
konstanta maka E[ c g(Y1, Y2) ] = c E[ g(Y1, Y2) ].
3. Jika Y1 dan Y2 adalah variabel random dengan fungsi kepadatan prob.
bersama f(Y1,Y2) dan g1(Y1,Y2),…., gk(Y1,Y2) maka
E[ g1(Y1,Y2) + …. + gk(Y1,Y2) ] = E[ g1(Y1,Y2) ] + …. + E[ gk(Y1,Y2) ].
Contoh VI.5
Diketahui Y1 dan Y2 mempunyai fungsi kepadatan bersama
f( y1, y2) = 2y1 untuk 0 s y1 s 1 ; 0 s y2 s 1,
= 0 untuk yg lain.
Tentukan harga harapan E( Y1 Y2) dan E[ Y1 + Y1 (Y2)
2
].
Penyelesaian :
E[ Y1 Y2 ] =
2 1
1
0
1
0
1 2 1
2 ) ( dy dy y y y
} }
= | |
2
1
0
3
1
1
0
2
3 / 2 dy y y
}
=
2
1
0
2
) 3 / 2 ( dy y
}
=
1
0
2
2
3
(
¸
(

¸

y
= 1/3.
E[ Y1 + Y1 (Y2)
2
] = E[ Y1 ] + E[ Y1 (Y2)
2
]
=
2 1
1
0
1
0
1 1
2 ) ( dy dy y y
} }
+
2 1
1
0
1
0
1
2
2 1
2 ) ( dy dy y y y
} }
= | |
2
1
0
3
1
1
0
3 / 2 dy y
}
+ | |
2
1
0
3
1
1
0
2
2
3 / 2 dy y y
}
=
2
1
0
) 3 / 2 ( dy
}
+
2
1
0
2
2
) 3 / 2 ( dy y
}
= (2/3) +
1
0
3
2
9
2
(
¸
(

¸

y
= (2/3) + (2/9)
74
= 8/9.
VI.2 Kovariansi dari Dua Variabel Random
Apabila variabel random Y1 dan Y2 mempunyai fungsi kepadatan
probabilitas bersama f(y1, y2) maka nilai harapan fungsi
g(y1, y2) = (Y1 - µ1 ) (Y2 - µ2)
dengan µ1 = E(Y1) dan µ2 = E(Y2) yaitu dinamakan kovariansi Y1 dan Y2 dan
dilambangkan dengan Cov(Y1, Y2). Hal itu berarti
¿¿
÷ ÷ =
1 2
) , ( ) ( ) ( ) , (
2 1 2 2 1 1 2 1
y y
y y p Y Y Y Y Cov µ µ
dan
} }
÷ ÷ =
2 1
2 1 2 1 2 2 1 1 2 1
) , ( ) ( ) ( ) , (
y y
dy dy y y f y y Y Y Cov µ µ .
Kovariansi akan bernilai positif jika nilai Y1 yang besar berpadanan dengan
nilai Y2 yang besar sedangkan nilai Y1 yang kecil berpadanan dengan nilai Y2
yang kecil. Sebaliknya, kovariansi akan negatif bila nilai Y1 yang kecil
berpadanan dengan nilai Y2 yang besar dan nilai Y1 yang besar berpadanan
dengan nilai Y2 yang kecil. Apabila variabel random Y1 dan Y2 saling bebas
maka kovariansi Y1 dan Y2 akan bernilai nol. Tetapi, dua variabel random
mungkin mempunyai kovariansi nol meskipun variabel random itu tidak
saling bebas.
Teorema VI.1
Jika Y1 dan Y2 adalah variabel random dengan fungsi kepadatan probabilitas
bersama f(y1, y2) maka
Cov(Y1, Y2) = E[ (Y1 - µ1) (Y2 - µ2) ] = E[Y1 Y2] – E(Y1) E(Y2).
Contoh VI.6
Diketahui Y1 dan Y2 mempunyai fungsi kepadatan bersama
f(y1,y 2) = 2y1 untuk 0 s y1 s 1 ; 0 s y2 s 1
Tentukan Cov(Y1, Y2).
75
Penyelesian :
E[ Y1] =
2 1
1
0
1
0
1 1
2 ) ( dy dy y y
} }
= | |
2
1
0
3
1
1
0
3 / 2 dy y
}
=
2
1
0
) 3 / 2 ( dy
}
= (2/3) .
E[ Y2] =
2 1
1
0
1
0
1 2
2 ) ( dy dy y y
} }
= | |
2 2
1
0
2
1
1
0
dy y y
}
=
2
2
2
1
0
2
dy
y
}
= 1/2.
Karena E[ Y1 Y2 ] = 1/3 maka
Cov(Y1, Y2) = E[Y1 Y2] – E(Y1) E(Y2)
= 1/3 – (2/3) (1/2)
= 0 .
VI.2 Distribusi Probabilitas Bersyarat dan Marginal
Definisi VI.3
Jika Y1 dan Y2 variabel random diskrit bersama dengan fungsi probabilitas
bersama p(y1,y2) maka fungsi probabilitas marginal dari Y1 dan Y2 masing-
masing dinyatakan dengan
¿
¿
=
=
1
2
) , ( ) (
) , ( ) (
2 1 2 1
2 1 1 1
y
y
y y p y p
y y p y p
Definisi VI.4
Jika Y1 dan Y2 variabel random kontinu bersama dengan fungsi kepadatan
probabilitas bersama f(y1,y2) maka fungsi kepadatan probabilitas marginal
untuk Y1 dan Y2 masing-masing dinyatakan dengan :
76
}
}
·
· ÷
·
· ÷
=
=
1 2 1 2 2
2 2 1 1 1
) , ( ) (
) , ( ) (
dy y y f y f
dy y y f y f
Contoh VI.7
Diketahui f(y1, y2) = 2y1 utk 0 s y1 s 1 dan 0 s y2 s 1.
Tentukan sketsa fungsi kepadatan bersama Y1 dan Y2 dan fungsi kepadatan
marginal Y1.
Penyelesian :
Fungsi kepadatan probabilitas marginal Y1 adalah
1
1
0
2 1 1 1
2 2 ) ( y dy y y f = =
}
untuk 0 s y1 s 1.
Contoh VI.8
Dari suatu kelompok yg terdiri dari 3 republikan, 2 demokrat dan 1
independen dibentuk suatu komite yg terdiri dari 2 orang yang terpilih secara
random. Diketahui Y1 menyatakan banyak Republikan dan Y2 menyatakan
banyak Demokrat pada komite. Tentukan probabilitas bersama dari Y1 dan Y2
dan tentukan distribusi probabilitas marginal Y1 .
Penyelesaian :
Distribusi probabilitas bersama variabel random Y1 dan Y2 dapat
dinyatakan dalam rumus
|
|
.
|

\
|
|
|
.
|

\
|
÷ ÷
|
|
.
|

\
|
|
|
.
|

\
|
= = =
2
6
2
1 2 3
) , (
2 1 2 1
2 2 1 1
y y y y
y Y y Y P
untuk y1 = 0, 1, 2 , y2 = 0, 1, 2 dan 1 s y1 + y2 s 2. Dalam bentuk
tabel hal itu dinyatakan pada tabel.
77
Y2 = 0 Y2 = 1 Y2 = 2 P(Y1 =
y1)
Y1 = 0 0 2/15 1/15 3/15
Y1 = 1 3/15 6/15 0 9/15
Y1 = 2 3/15 0 0 3/15
P(Y2 =
y2)
6/15 8/15 1/15 1
Distribusi probabilitas marginal Y1 dinyatakan pada kolom terakhir.
Definisi VI.6
Jika p(y1, y2) menyatakan distribusi probabilitas bersama variabel random
Y1 dan Y2 sedangkan p(y2) menyatakan distribusi probabilitas marginal
variabel Y2 maka distribusi probabilitas bersyarat untuk Y1 bila diberikan
variable Y2 = y2 dinyatakan dengan
) (
) , (
) | (
2
2 1
2 1
y p
y y p
y y p = .
Contoh VI.9
Tentukan distribusi bersyarat utk Y1 jika diberikan Y2 = 1 yaitu bila diketahui
satu dari dua orang pada komite adalah dari Demokrat, tentukan distribusi
probabilitas bersyarat untuk banyak anggota Republikan yang dipilih untuk
komite tersebut.
Penyelesaian :
4
1
15 / 8
15 / 2
) 1 (
) 1 , 0 (
) 1 | 0 ( = = =
p
p
p .
4
3
15 / 8
15 / 6
) 1 (
) 1 , 1 (
) 1 | 1 ( = = =
p
p
p .
0
15 / 8
15 / 0
) 1 (
) 1 , 2 (
) 1 | 2 ( = = =
p
p
p .
Hal itu berarti jika diketahui satu dari dua orang pada komite dari Demokrat
maka probabilitas tidak ada anggota partai Republik yang terpilih dalam
komite adalah ¼.
78
Demikian juga, jika diketahui satu dari dua orang pada komite dari Demokrat
maka probabilitas terdapat satu anggota partai Republik yang terpilih dalam
komite adalah 3/4. Akhirnya, jika diketahui satu dari dua orang pada komite
dari Demokrat maka tidak mungkin terdapat dua anggota partai Republik
yang terpilih dalam komite.
Untuk variabel random bersama kontinu Y1 dan Y2, fungsi kepadatan
probabilitas bersyarat didefinisikan secara analog.
VI.3 Nilai Harapan dari Fungsi Probabilitas Bersyarat
Definisi VI.7
Diketahui Y1 dan Y2 adalah variabel random bivariat diskrit. Nilai
harapan bersyarat dari Y1 bila diberikan Y2 = Y2 didefinisikan dengan
) | ( ] | [
2 1 1 2 2 1
1
y y p y y Y Y E
y
¿
= = .
Sedangkan untuk Y1 dan Y2 variabel random bivariat kontinu nilai harapan
bersyarat dari Y1 bila diberikan Y2 = y2 didefinisikan dengan
1 2 1 1 2 2 1
) | ( ] | [ dy y y f y y Y Y E
}
·
· ÷
= = .
Contoh VI.10
Suatu tangki minuman mempunyai kapasitas Y2 yang merupakan
variabel random yaitu banyak persediaan minuman pada pagi hari dan
banyak penjualan Y1 merupakan variabel random. Apabila tidak dilakukan
penambahan persediaan minuman pada tangki tersebut selama hari itu maka
Y1 s Y2. Bila Y1 dan Y2 mempunyai fungsi kepadatan probabilitas bersama
f(y1,y2) = 1/2 untuk 0 s y1 s y2 ; 0 s y2 s 2,
= 0 untuk yg lain.
Hal itu berarti bahwa titik (y1,y2) berdistribusi seragam pada daerah segitiga
yang diberikan. Tentukan fungsi kepadatan probabilitas bersyarat dari Y1 bila
diberikan Y2 = y2. Tentukan nilai harapan bersyarat dari banyak penjualan Y1
bila diberikan Y2 yaitu banyak persediaannya 1 galon .
79
Penyelesaian :
Untuk menentukan nilai harapan bersyarat terlebih dahulu ditentukan fungsi
kepadatan probabilitas marginal dari variabel Y2 yaitu
| |
2
2 / 2 / 1
2
0 1
0
1
2
2 y
y dy
y
y
= =
}
untuk 0 s y2 s 2. Akibatnya fungsi kepadatan probabilitas bersyarat dari Y1
bila diberikan Y2 = y2 adalah
2 2 2
2 1
2 1
1
2 /
2 / 1
) (
) , (
) | (
y y y f
y y f
y y f = = =
untuk 0 s y1 s y2 . Nilai harapan bersyarat dari banyak penjualan bila
diberikan Y2 = 1 adalah
2 / 1 ] 1 | [
1
1
0
1 2 1
= = =
}
dy y Y Y E .
Hal itu berarti bahwa jika banyaknya persediaan minuman pada pagi hari
adalah1 galon maka harapan banyak penjualan selama hari itu adalah ½
galon.
***
80
BAB VII
Fungsi Variabel Random
Misalkan variabel random Y1,Y2,....,Yn dan suatu fungsi U(Y1,Y2,...,Yn)
(disimbulkan dengan U), metode berikut ini untuk menentukan distribusi
probabilitas dari fungsi variabel random U.
Metode Fungsi Distribusi
1. Tentukan daerah U = u dalam ruang (y1, y2 , ....,yn).
2. Tentukan daerah U s u.
3. Tentukan FU(u) = P(U s u) dengan mengintegralkan f(y1, y2 , ....,yn) atas
daerah U s u.
4. Tentukan fungsi kepadatan f(u) dengan mendeferensialkan FU(u) maka
) (
) (
u f
dt
u dF
U
= .
Metode Transformasi
1. Tentukan fungsi invers dari Y = h
-1
(U).
2. Hitung dy/du.
3. Tentukan f(u) dengan fU(u) = fY(y) |dy/du| dengan y = h
-1
(u).
Metode Fungsi Pembangkit Momen
1. Tentukan fungsi pembangkit momen m(t) untuk U.
2. Bandingkan mU(t) dengan fungsi pembangkit momen lain yang telah
dikenal. Jika mU(t) = mV(t) untuk semua harga maka U dan V mempunyai
fungsi probabilitas yang identik.
VII.1 Metode Fungsi Distribusi
Apabila Y mempunyai fungsi kepadatan f(y) dan U adalah fungsi dari Y,
maka kita akan dapat menentukan :
FU(u) = P( U s u)
secara langsung dengan mengitegrasikan f(y) atas daerah U s u untuk
mendapatkan fungsi kepadatan U maka kita mendeferensialkan FU(u).
81
Contoh IV.1 :
Dalam proses pemurnian gula menghasilkan 1 ton gula murni tetapi
banyak produksi yang sebenarnya Y merupakan variabel random karena
mesin yang sering macet. Misalkan Y mempunyai fungsi kepadatan
probabilitas
f(y) = 2y untuk 0 s y s 1,
= 0 untuk y yang lain.
Perusahaan menerima pembayaran rata-rata Rp 300.000,- per ton gula murni
tetapi juga harus mengeluarkan biaya tambahan Rp 100.000,- tiap hari.
Keuntungan harian dinyatakan sebagai U = 3Y - 1 (dalam ratusan ribuan).
Tentukan fungsi kepadatan probabilitas untuk U.
Penyelesaian :
Dengan menggunakan metode fungsi distribusi akan ditentukan
FU(u) = P( U s u) = P(3 Y – 1 s u) = )
3
1
(
+
s
u
Y P .
Jika u < -1 maka (u + 1)/3 < 0 sehingga FU(u) = P[ Y s (u+1)/3 ] = 0. Demikian
juga jika u > 2 maka (u+1)/3 > 1 sehingga FU(u) = P[ Y s (u+1)/3 ] = 1.
Akan tetapi jika -1 s u s 2 maka probabilitas tersebut dapat ditulis sebagai
)
3
1
(
+
s
u
Y P =
}
+ 3 / ) 1 (
0
) (
u
dy y f
=
}
+ 3 / ) 1 (
0
2
u
dy y
=
2
3
1
|
.
|

\
| + u
.
Diperoleh fungsi distribusi dari U adalah
F(u) = 0 untuk u < -1,
=
2
3
1
|
.
|

\
| + u
untuk -1 s u s 2,
= 1 untuk u > 2.
Akibatnya fungsi kepadatan probabilitas dari U adalah
fU(u) =
dt
u dF
U
) (
= (2/9) (u + 1) untuk -1 s u s 2,
= 0 untuk u yang lain.
82
Variabel random Y1,Y2 dengan fungsi densitas bersama f(y1,y2) dan
U = g(y1,y2) adalah fungsi dari Y1 dan Y2 maka untuk setiap titik (y1,y2)
berkorespondensi satu-satu dengan u. Apabila dapat ditentukan titik (y1,y2)
sedemikian hingga U s u maka integral dari fungsi densitas f(y1,y2) atau suatu
daerah akan sama dengan P(U s u) = FU(u) sehingga fungsi densitas U dapat
diperoleh dengan mendeferensialkan FU(u).
Contoh VII.2 :
Variabel random Y1 menyatakan proporsi banyaknya cadangan bensin
pada suatu awal minggu dan Y2 banyak penjualan bensin selama minggu
tersebut. Fungsi kepadatan bersama Y1 dan Y2 dinyatakan dengan :
f(y1,y2) = 3y1 untuk 0 s y2 s y1 s 1,
= 0 untuk yang lain.
Tunjukkan fungsi kepadatan probabilitas untuk U = Y1 -Y2 yaitu banyaknya
sisa bensin akhir minggu tersebut. Dengan menggunakan fungsi kepadatan
probabilitas U, tentukan E(U).
Penyelesaian :
Daerah asal dari f(y1,y2) dinyatakan pada Gambar VII.1 . Demikian juga pada
gambar tersebut dapat dilihat garis y1 – y2 = u untuk u antara 0 dan 1. Perlu
dicatat bahwa sebarang titik (y1,y2) sehingga y1-y2 s u akan terletak di atas
garis y1-y2 = u.
Gambar VII.1
Lebih jauh, untuk u < 0 , FU(u) = P(Y1 – Y2 s u) = 0 dan untuk u > 1, FU(u) = 1.
Untuk 0 s u s 1, FU(u) = P(Y1 – Y2 s u) akan sama dengan
FU(u) = P( U s u)
= 1 – P(U > u)
83
= 1 -
} }
÷ 1
0
1 2 1
1
3
u
u y
dy dy y
= 1 -
1 1
1
1
) ( 3 dy u y y
u
÷
}
= 1 -
1
2
1
3
1
2 3
3
u
y u y
(
¸
(

¸

÷
= 1 -
(
¸
(

¸

+ ÷
2
) (
2
3
1
3
u
u
= (3u – u
3
)/2 untuk 0 s u s 1.
Hal itu berarti
FU(u) = 0 untuk u < 0
= (3u – u
3
)/2 untuk 0 s u s 1
= 1 untuk u > 1.
Akibatnya fungsi kepadatan probabilitas dari variabel random U adalah
f(u) = (3/2) ( 1 – u
2
) untuk 0 s u s 1
= 0 untuk yang lain.
sehingga E(U) = du u u ) 1 (
2
3
2
1
0
÷ |
.
|

\
|
}
=
1
0
4 2
4 2 2
3
(
¸
(

¸

÷
u u
= 3/8 .
Soal-soal :
1. Diketahui variabel random Y dengan fungsi densitas
f(y) = 2(1-y) untuk 0 s y s 1
= 0 untuk y yang lain.
Tentukan fungsi kepadatan U = 2 Y - 1, dengan menggunakan fungsi
densitas tersebut tentukan E(U).
2. Seorang pengusaha pompa bensin mempunyai permintaan mingguan Y
yang mempunyai fungsi kepadatan
f(y) = y untuk 0 s y s 1
= 1 untuk 1 < y s 1,5
= 0 untuk y yang lain.
Dalam ukuran ratusan galon. Keuntungan yang didapat pengusaha pompa
bensin adalah U = 10 Y - 4.
84
(a) Tentukan fungsi kepadatan probabilitas U.
(b) Gunakan (a) untuk menentukan E(U) .
VII.2 Metode Transformasi
Metode transformasi untuk menentukan distribusi probabilitas dari
fungsi variabel random merupakan cara langsung dari metode fungsi
distribusi. Metode transformasi merupakan metode yang sederhana untuk
menentukan fungsi kepadatan U = h(y) bila h(y) adalah fungsi naik atau fungsi
turun.
Misalkan h(y) fungsi naik untuk y dan U = h(Y) dengan Y mempunyai
fungsi densitas fy(y). Dalam grafik diatas himpunan titik-titik y sedemikian
hingga h(y) s u akan persis sama dengan himpunan titik-titik y sedemikian
hingga y s h
-1
(u). Oleh karena itu
P(U s u) = P(Ys y) dengan y = h
-1
(u)
atau
FU(u) = FY(y) dengan y = h
-1
(u)
bila kedua ruas dideferensialkan terhadap u maka
f(u) = dFU(u)/du = dFY(y)/dy = fY(y) dy/du dengan y = h
-1
(y)
(catatan : dy/du = 1/(du/dy)).
Contoh VII.3 :
Berdasar pada contoh VII.1 variabel random Y mempunyai fungsi kepadatan
probabilitas
f(y) = 2y untuk 0 s y s 1
= 0 untuk yang lain.
Bila diketahui variabel random U = 3Y - 1 menyatakan keuntungan maka
tentukan fungsi kepadatan probabilitas U dengan metode transformasi.
Penyelesaian :
Fungsi h(y) = 3y - 1 merupakan fungsi naik dalam y.
Jika u = 3y - 1 maka y = h
-1
(u)= (u+1)/3 sehingga dy/du = 1/3.
Fungsi kepadatan probabilitas untuk U adalah
fU(u) = fY(y) | dy/du |
85
= 2y | dy/du |
= [2(u+1)/3].1/3
= (2/9) (u+1) untuk –1 < u < 2,
fU(u) = 0 untuk u yang lain.
Jika h(y) fungsi turun maka himpunan titik-titik y sedemikian hingga
h(y) s u akan sama dengan himpunan titik-titik sedemikian hingga y > h
-1
(u).
Untuk U = h(Y) maka
P(U s u) = P(Y > y)
dengan y = h
-1
(u) atau
fU(u) = - fY(y) dy/du
karena dy/du negatif, untuk fungsi turun maka
fU(u) = fY(y) |dy/du|.
Contoh VII.4 :
Diketahui variabel random Y mempunyai fungsi kepadatan probabilitas
f(y) = 2 y untuk 0 < y < 1,
= 0 untuk y yang lain.
Tentukan fungsi kepadatan probabilitas untuk U = - 4Y + 3.
Penyelesaian :
Fungsi h(y) = -4y +3 merupakan fungsi turun dalam y.
Jika u = -4y + 3 maka y = h-1(u) = (3-u)/4 , sehingga dy/du = -1/4.
Fungsi kepadatan probabilitas U adalah
fU(u) = f(y) |dy/du|
= 2y |dy/du|
= 2[(3-u)/4] (1/4)
= (3-u)/8 untuk –1 < u < 3
fU(u) = 0 untuk u yang lain
Contoh VII.5 :
Diketahui variabel random Y1 dan Y2 mempunyai fungsi kepadatan bersama
f(y1,y2) =
) (
2 1
y y
e
+ ÷
untuk 0 s y1 ; 0 s y2
86
= 0 untuk yang lain
Tentukan fungsi kepadatan probabilitas dari U = Y1 + Y2 .
Penyelesaian :
Masalah ini akan diselesaikan dalam dua tahap :
1. Ditentukan fungsi kepadatan bersama Y1 dan U.
2. Ditentukan fungsi kepadatan marginal U.
Berarti U = Y1 + Y2 dan dianggap masalah transformasi 1 dimensi
dalam
U = h(Y) = y1 + Y2.
Misalkan g(y2, u) fungsi kepadatan probabilitas bersama Y2 dan U maka
diperoleh (dengan y2 = u -y1)
g(y1,u) = f(y1,y2) |dy2/du|
= e
-u
. 1
yaitu
g(y1,u) = e
-u
untuk 0 s u, 0 s y1 s u
= 0 untuk yang lain
(catatan : Y1 s u) .
Fungsi kepadatan marginal dari U dinyatakan dengan
fU(u) =
u
u
u
e u dy e dy u y g
÷ ÷
·
· ÷
= =
} }
1
0
1 1
) , ( untuk 0 s u
= 0 untuk yang lain
Contoh VII.6
Jika Y merupakan variabel random kontinu dengan fungsi kepadatan
probabilitas
f(y) = (y + 1)/2 untuk – 1 s y s 1
= 0 untuk y yang lain
maka untuk U = Y
2
dapat ditentukan fungsi distribusinya
FU(u) = P( U s u)
= P( Y
2
s u)
= P( - u s Y
2
s u )
87
= FY(\u) – FY(-\u)
sehingga fungsi kepadatan probabilitasnya adalah
| | ) ( ) (
2
1
) ( u f u f
u
u f
Y Y U
÷ + = .
Akibatnya fungsi kepadatan probabilitas U adalah
u
u u
u
u f
U
2
1
2
1
2
1
2
1
) ( =
(
¸
(

¸

+ ÷
+
+
= untuk 0 s u s 1,
= 0 untuk u yang lain.
Soal-soal :
3. Penggunaan tepung per hari dari perusahaan roti merupakan variabel
random Y yang mempunyai distribusi eksponensial dengan mean 4 ton.
Biaya pembelian tepung proporsional dengan U = 3Y +1.
a. Tentukan fungsi kepadatan probabilitas U.
b. Tentukan E(U) dengan berdasar pada (a).
4. Proporsi kotoran dalam sampel bijih besi merupakan variabel random Y
dengan fungsi kepadatan
f(y) = (3/2) (y
2
+ y) untuk 0 s y s 1
= 0 untuk yang lain.
Harga dari sampel random adalah U = 5 - Y/2 (dalam ribuan rupiah).
Tentukan fungsi kepadatan U dengan metode transformasi.
VII.3 Metode Fungsi Pembangkit Momen
Metode fungsi pembangkit momen untuk menentukan distribusi
probabilitas dari fungsi variabel random Y1,Y2, .....,Yn berdasar pada teorema
berikut.
Teorema VII.1
Misalkan variabel random X dan Y masing-masing mempunyai fungsi
pembangkit momen mX(t) dan mY(t). Jika mX(t) = mY(t) untuk semua harga t maka
X dan Y mempunyai distribusi probabilitas yang sama.
88
Contoh VII.7 :
Misalkan variabel random Y mempunyai distribusi normal dengan mean µ dan
variansi o
2
. Dengan menggunakan fungsi pembangkit momen tunjukan bahwa
o
µ ÷
=
Y
Z berdistribusi normal dengan mean 0 dan variansi 1.
Penyelesaian :
Karena Y mempunyai fungsi pembangkit momen
m(t) = exp[ µ t + o
2
t
2
/2 ]
maka Y - µ mempunyai fungsi pembangkit momen exp[ o
2
t
2
/2 ] sehingga
fungsi pembangkit momen dari Z adalah
mZ(t) = E[ e
tZ
] = E[ e
(t/
o
) (Y-
µ
)
]
= mY-µ
(t/ o)
= exp[ o
2
(t/o)
2
/2 ]
= exp[ t
2
/2 ].
Dengan membandingkan m(t) dengan fungsi pembangkit momen dari variabel
random normal, maka terlihat bahwa Z berdistribusi normal dengan mean 0
dan variansi 1.
Teorema VII.2
Diketahui Y1,Y2,....,Yn adalah variabel random independen dengan fungsi
pembangkit momen masing-masing mY1(t),mY2(t),..,mYn(t). Jika
U = Y1 + Y2 + ... + Yn
maka
mU(t) = mY1(t) mY2(t) ..... mYn(t) .
Contoh VII.8 :
Jika diketahui Y1,Y2 variabel random independen dan keduanya berdistribusi
N(0,1). Dengan metode fungsi pembangkit momen tentukan distribusi
probabilitas Z = Y1 + Y2 .
Penyelesaian :
Karena Y1 dan Y2 variabel random dengan fungsi kepadatan N(0,1) maka
mY1(t) = mY2(t) = exp[ t
2
/2 ]
Dengan mengingat variabel random Y1 dan Y2 saling bebas maka fungsi
pembangkit momen Z dapat ditentukan dengan
89
mZ(t) = mY1 + Y2(t)
= mY1(t) mY2(t)
= exp[ t
2
/2 ] exp[ t
2
/2 ]
= exp[ 2t
2
/2 ].
Dengan membandingkan m(t) dengan fungsi pembangkit momen pada variabel
random normal maka Z berdistribusi N(0,2).
Berdasarkan pada contoh VII.6 secara umum hasil di atas dapat
dinyatakan dalam Teorema VIII.3 berikut .
Teorema VII.3
Diketahui Y1,Y2, ..... ,Yn variabel random independen yang masing-masing
berdistribusi dengan E(Yi) = µi dan Var(Y) = o
2
i dengan i = 1, 2, ..., n. Bila
didefinisikan U sebagai
U = a1 Y1 + a2 Y2 + ... + an Yn
dengan a1, a2, ... ,an konstanta maka U berdistribusi normal dengan mean
E[ U ] =
i
n
i
i
a µ
¿
=1
dan variansi
Var[ U ] = i
n
i
i
a
2
1
2
o
¿
=
.
Teorema VII.4 :
Diketahui Y1,Y2, .… ,Yn variabel random independen yang masing-masing
berdistribusi normal dengan E(Yi) = µi dan Var(Y) = o
2
i dengan i = 1,2,...,n.
Jika
i
i i
i
Y
Z
o
µ ÷
=
maka
¿
=
n
i
i
Z
1
2
mempunyai distribusi _
2
dengan derajat bebas n.
90
SOAL-SOAL
5. Diketahui Y1,Y2,...,Yn variabel random normal dengan mean µ dan variansi
o
2
dan saling bebas satu sama lain. Jika a1,a2,..,an konstanta yang
diketahui maka tentukan fungsi kepadatan dari
U =
i
n
i
i
Y a
¿
=1
.
6. Tipe elevator tertentu mempunyai kapasitas berat maksimum Y1 yang
berdistribusi normal dengan mean 5000 kg dan deviasi standar 300 kg.
Untuk suatu bangunan yang dilengkapi dengan elevator tipe ini, pemuatan
elevator Y2 mean 4000 dan deviasi standar 400 kg. Untuk sebarang waktu
yang diberikan elevator yang digunakan. Tentukan probabilitas elevator
akan kelebihan muatan dengan anggapan Y1 dan Y2 independen.
7. Diketahui Y1 dan Y2 variabel random yang berdistribusi N(0,o
2
) dan
independen. Didefinisikan U1 = Y1 + Y2 dan U2 = Y1 - Y2. Tunjukkan bahwa
U1 dan U2 variabel random normal dengan mean 0 dan variansi 2 o
2
.
***
91
BAB VIII
Distribusi t dan F
VIII.1 Distribusi t
Variansi populasi dari populasi yang ingin diambil sampelnya
biasanya sulit diketahui. Untuk n besar ( secara praktis n > 30 )
estimasi o
2
yang baik dapat diperoleh dengan menghitung nilai S
2
.
Apabila Y1, Y2, … Yn berdistribusi N(µ,o
2
) maka
n
Y
/ o
µ ÷
mempunyai
distribusi normal standard N(0,1). Apa yang akan terjadi pada
n S
Y
/
µ ÷
dengan
2
1
2
) (
1
1
Y Y
n
S
n
i
i
÷
÷
=
¿
=
dan
¿
=
=
n
i
i
Y
n
Y
1
1
?
Bila n > 30, distribusi statistik
n S
Y
/
µ ÷
secara hampiran,
berdistribusi sama dengan distribusi normal baku. Bila n < 30,
distribusi
n S
Y
/
µ ÷
tidak lagi berdistribusi normal baku. Misalkan
) 1 ( /
/
/
/
2 2
÷
=
÷
=
÷
=
n V
Z
S
n
Y
n S
Y
T
o
o
µ
µ
dengan
n
Y
Z
/ o
µ ÷
= ~ N(0,1) dan V =
2
2
) 1 (
o
S n ÷
~ _
2
(n-1). Bila sampel
berasal dari populasi normal maka Y dan S
2
saling bebas sehingga Z
dan V juga saling bebas.
Teorema VIII.1
Misalkan Z variabel random N(0,1) dan V variabel random _
2
v . Bila Z
dan V saling bebas maka distribusi variabel random T bila dinyatakan
92
dengan
u / V
Z
T = dan fungsi kepadatan probabilitasnya dinyatakan
dengan
2
1
2
1
) 2 / (
2
2
) (
+
÷
|
|
.
|

\
|
+
I
|
.
|

\
| +
I
=
u
u
tu u
u
t
t h untuk - · < t < ·.
Distribusi ini dinamakan distribusi t dengan derajat bebas v.
Teorema VIII.2
Jika ) ( ~ v t T maka untuk v > 2r berlaku sifat
r r
r r
T E v
v
v
|
.
|

\
|
I
|
.
|

\
|
I
|
.
|

\
| ÷
I
|
.
|

\
| +
I
=
2 2
1
2
2
2
1 2
] [
2 ,
0 ] [
1 2
=
÷ r
T E .
untuk r = 1, 2, ….. dan untuk v > 2 berlaku sifat
2
) (
÷
=
v
v
T V .
Catatan :
Distribusi probabilitas t diperkenalkan pada tahun 1908 dalam suatu
makalah oleh W.S.Gossef, dan pada waktu terbit dia memakai nama samaran
'student' sehingga distribusi t juga dinamakan distribusi student t.
Gambar berikut memberikan ilustrasi hubungan antara distribusi normal
baku (berarti v = · ) dan distribusi t untuk derajat bebas 2 dan 5.
93
Gambar VIII.1
VIII.2 Distribusi F
Statistik F didefinisikan sebagai perbandingan 2 variabel random chi-
kuadrat yang independen dan masing-masing dibagi dengan derajat bebasnya.
Berarti
2
1
/
/
u
u
V
U
F =
dengan U ~ _
2
v1 dan V ~ _
2
v2 .
Teorema VIII.3
Misalkan U dan V dua variabel random masing-masing berdistribusi chi-
kuadrat dengan derajat bebas v1 dan v2.
Fungsi kepadatan probabilitas dari variabel random
2
1
/
/
u
u
V
U
F = dinyatakan
dengan
h(f) =
2 / ) (
2
1
) 1 2 / (
2 1
2 /
2
1 2 1
2 1
1
1
1
2 2
2
v v
v
v
v
v v
v
v v v
+
÷
|
|
.
|

\
|
+
|
.
|

\
|
I |
.
|

\
|
I
|
|
.
|

\
|
|
.
|

\
| +
I
f
f
v
untuk 0 < f < ·,
= 0 untuk f yang lain
Distribusi ini dinamakan distribusi F dengan derajat bebas v1 dan v2.
Teorema VIII.4
Jika ) , ( ~
2 1
v v F Y maka berlaku sifat
94
|
.
|

\
|
I
|
.
|

\
|
I
|
.
|

\
|
÷ I
|
.
|

\
|
+ I
|
|
.
|

\
|
=
2 2
2 2
2
] [
2 1
2 1
1
2
v v
v v
v
v
r r
Y E
untuk v2 > 2r dan untuk v2 > 2 berlaku
2
) (
2
2
÷
=
v
v
Y E
dan berlaku
) 4 ( ) 2 (
) 2 ( 2
) (
2 2
2 1
2 1
2
2
÷ ÷
÷ +
=
v v v
v v v
Y V untuk v2 > 4.
Teorema VIII.5
Jika F
o
(v1,v2) untuk bila luas ekor sebesar o untuk distribusi F dengan v1 dan
v2 maka luas ekor 1 - o untuk distribusi F dengan derajat bebas v2 dan v1
adalah
F1-o
(v2,v1) = 1/F
o
(v1,v2)
Contoh VIII.2
Berdasarkan tabel diperoleh bahwa bila luas ekor 0,05 untuk distribusi F
dengan derajat bebas 10 dan 6 adalah 4,06 maka
F0,95(6,10) = 1/F0,05(10,6)
= 1/(4,06)
= 0,246.
Misalkan sampel random ukuran n1 dan n2 diambil dari populasi
normal masing-masing dengan variansi o1
2
dan o2
2
. Diperoleh
) 1 (
2
2
1
2
1 1
2
1 1
~
) 1 (
÷
÷
= n
S n
X _
o
dan
) 1 (
2
2
2
2
2 2
2
2 2
~
) 1 (
÷
÷
= n
S n
X _
o
.
95
Teorema VIII.6
Bila S1
2
dan S2
2
variansi sampel random ukuran n1 dan n2 yang diambil dari 2
populasi normal, masing-masing dengan variansi o1
2
dan o2
2
maka
) 1 ; 1 ( ~
) 1 ( /
) 1 ( /
2 1
2
2
2
1
2
1
÷ ÷
÷
÷
= n n F
n X
n X
F .
Contoh VIII.3
Jika X1, X2, .…., Xm adalah sampel random dari distribusi N( µ1 , o1
2
) dan
Y1, Y2, …., Yn adalah sample random dari distribusi N( µ2 , o2
2
). Gunakan
distribusi F untuk menentukan interval kepercayaan dari o1
2
/o2
2
.
Penyelesaian :
Karena ) , ( ~
/
/
2 1 2
2
2
2
2
1
2
1
v v
o
o
F
S
S
maka
95 , 0 ] ) , (
/
/
[
2 1 95 , 0 2
2
2
2
2
1
2
1
= s v v
o
o
F
S
S
P
95 , 0 ]
) , (
[
2
2
2
1
2 1 95 , 0
2
2
2
1
= s
o
o
v v F S
S
P .
Jika m = 16 dan n = 21 maka F 0,95(15, 20) = 2,20 sehingga untuk dua
sampel biasanya dikatakan bahwa kita percaya 95 % bahwa rasio o1
2
/o2
2
lebih besar dari
) 20 , 15 (
95 , 0
2
2
2
1
F S
S
.
***
96
BAB IX
DISTRIBUSI SAMPLING
Dalam melakukan penelitian, terlebih dahulu perlu diketahui
himpunan keseluruhan obyek yang akan diselidiki, yang disebut populasi.
Untuk populasi yang besar tidak praktis meneliti seluruh populasi, sehingga
dilakukan pengambilan sampel yaitu himpunan bagian dari populasi tersebut.
Analisis statistik dilakukan untuk mengambil kesimpulan tentang parameter
populasi berdasarkan sampel. Untuk itu diusahakan supaya dapat diperoleh
sampel yang representatif untuk populasinya. Salah satu macam sampel yang
dianggap representatif, khususnya untuk populasi yang tidak terlalu
heterogen adalah sampel random yaitu sampel yang pengambilannya
sedemikian hingga tiap elemen populasinya mempunyai kemungkinan yang
sama untuk terambil dalam sampel dan observasi-observasi dalam sampel ini
independen satu sama lain. Secara formal sampel random dapat didefinisikan
sebagai berikut.
Definisi IX.1:
Misalkan Y1, Y2, .... , Yn merupakan n variabel random independen yang
masing-masing mempunyai distribusi probabilitas f(y), Y1, Y2, .... , Yn
didefinisikan sebagai sampel random ukuran n dari populasi f(y) dan distribusi
probabilitas bersamanya dinyatakan sebagai
f(y1, y2, ... ,yn) = f(y1) f(y2) …... f(yn).
Dalam pembahasan yang lalu telah dinyatakan bahwa tujuan utama
dari pengambilan sampel random adalah untuk mendapatkan keterangan
mengenai parameter populasi yang tidak diketahui. Suatu nilai yang dihitung
dari sampel random disebut statistik. Jadi statistik adalah fungsi dari
variabel random yang diambil dari sampel random.
Contoh IX.1:
Misalkan Y1,Y2, ….... ,Yn sampel random berukuran n yang telah diurutkan
menurut besarnya.
97
(a) Statistik
¿
=
=
n
i
i
Y
n
Y
1
1
disebut mean sampel
(b) Statistik
2
1
2
) (
1
1
Y Y
n
S
n
i
i
÷
÷
=
¿
=
disebut variansi sampel.
(c) Statistik
|
.
|

\
| +
=
2
1
~
n
X X untuk n ganjil dan
2
1
2 2
~
(
(
¸
(

¸

+
=
|
.
|

\
|
+ |
.
|

\
| n n
X X
X untuk n genap
disebut median sampel.
Karena statistik merupakan fungsi dari variabel random yang diambil dari
suatu populasi maka statistik juga merupakan variabel random sehingga
dapat ditentukan distribusi probabilitasnya maupun mean dan variansinya.
Distribusi probabilitas ini kemudian dinamakan distribusi sampling.
IX.1 Distribusi Sampling
Banyak fenomena alam mempunyai distribusi frekuensi relatif yang
mendekati distribusi probabilitas normal, sehingga dalam banyak hal adalah
beralasan untuk menganggap bahwa variabel random yang diambil dari
sampel random Y1, Y2, ..., Yn adalah independen satu sama lain dan masing-
masing berdistribusi normal.
Teorema IX.1
Jika diketahui Y1, Y2, ..... , Yn adalah sampel random berukuran n dan
berdistribusi normal dengan mean µ dan variansi o
2
maka
¿
=
=
n
i
i
Y
n
Y
1
1
berdistribusi normal dengan mean µ dan variansi o
2
/n.
Bukti
Karena Y1,Y2, ..... ,Yn adalah sampel random berukuran n dan berdistribusi
normal dengan mean µ dan variansi o
2
maka Yi variabel random berdistribusi
normal dengan E[Yi] = µ dan var[Yi] = o
2
, untuk i = 1,2, 3, …, n. Lebih jauh
¿
=
=
n
i
i
Y
n
Y
1
1
=
n
Y
n
Y
n
Y
n
1
....
1 1
2 1
+ + +
98
sehingga merupakan kombinasi linear dari Y1,Y2, ..... ,Yn. Akibatnya Y
berdistribusi normal dengan mean
µ µ µ = + + = + + =
n n
Y
n
Y
n
E Y E
n
1
....
1
]
1
....
1
[ ] [
1
,
n n
n
n n
Y
n
Y
n
V Y V
n
2
2
2
2
2
2
2
1
1
....
1
]
1
....
1
[ ] [
o o
o o = = + + = + + = .
Hal itu berarti distribusi sampling Y adalah normal dengan mean µ dan
variansi o
2
/n .
Jika diketahui Y1,Y2, ..... ,Yn adalah sampel random berukuran n dan
berdistribusi normal dengan mean µ dan variansi o
2
maka
¿
=
=
n
i
i
Y
n
Y
1
1
berdistribusi normal dengan mean µ dan variansi o
2
/n sehingga
|
|
.
|

\
|
÷
=
÷
=
÷
=
o
µ
o
µ
o
µ Y
n
n
Y Y
Z
Y
mempunyai distribusi normal baku. Hal itu digambarkan dalam contoh
berikut ini.
Contoh IX.2
Suatu mesin minuman dapat diatur sedemikian rupa sehingga banyak
minuman yang dikeluarkan secara hampiran berdistribusi normal dengan
mean 200 ml dan variansi 10 ml
2
. Secara berkala dilakukan pemeriksaan
mesin dengan mengambil sampel 9 botol dan dihitung mean isinya. Bila mean
¿
=
=
n
i
i
Y
n
Y
1
1
kesembilan botol tersebut jatuh pada interval
) 2 , 2 (
Y Y Y Y
o µ o µ + ÷
maka mesin dianggap bekerja dengan baik, jika tidak mesin perlu diatur
kembali. Jika mean kesembilan botol tersebut 210 ml, tindakan apa yang
harus dilakukan ?
Penyelesaian :
Jika Y1, Y2, …, Y9 menyatakan kandungan minuman per botol maka Yi
berdistribusi normal dengan mean µ dan variansi o
2
= 1 untuk i = 1, 2, .., 9.
99
Oleh karena itu
¿
=
=
n
i
i
Y
n
Y
1
1
mempunyai distribusi sampling normal dengan
mean µ dan variansi ) 2 , 2 (
Y Y Y Y
o µ o µ + ÷ . Akan ditentukan
P[ | µ ÷ Y | ( 0,3 ] = P[ - 0,3 s µ ÷ Y s 0,3 ]
= ]
/
3 , 0
/ /
3 , 0
[
n n
Y
n
P
o o
µ
o
s
÷
s ÷
= ]
9 / 1
3 , 0
9 / 1
3 , 0
[ s s ÷ Z P
= P[ - 0,9 s Z s 0,9 ].
Dengan menggunakan tabel distribusi normal baku diperoleh
P[ - 0,9 s Z s 0,9 ] = 1 – 2 P( Z > 0,9 )
= 1 – 2(0,1841)
= 0,6318.
Hal itu berarti bahwa probabilitasnya hanya 0,63 bahwa sampel akan terletak
dalam 0,3 ons dari mean populasi.
Contoh IX.3
Dengan menggunakan keterangan pada Contoh IX.2 berapa ukuran sampel
yang diperlukan supaya dapat diharapkan bahwa Y terletak dalam 0,3 ons
dari µ dengan probabilitas 0,95 ?
Penyelesaian :
Diinginkan
P[ | Y - µ | s 0,3 ] = P[ - 0,3 s ( Y - µ ) s 0,3 ] = 0,95
dan dengan mengalikan semua ruas dengan \n / o = \n/1 = \n diperoleh
] 3 , 0 3 , 0 [ n
Y
n n P s
|
|
.
|

\
|
÷
s ÷
o
µ
= ] 3 , 0 3 , 0 [ n Z n P s s ÷ = 0,95.
Dengan menggunakan tabel distribusi normal baku diperoleh bahwa
P[ - 1,96 s Z s 1,96 ] = 0,95
sehingga 0,3 \n = 1,96 atau n = (1,96/0,3)
2
= 42,68. Hal itu berarti bahwa
jika diambil n = 43 maka P[ | Y - µ | s 0,3 ] akan sedikit melampaui 0,95.
100
Teorema IX.2
Jika Y1,Y2, ..... ,Yn didefinisikan seperti pada Teorema IX.1 maka
o
µ ÷
=
i
i
Y
Z
saling bebas dan mempunyai distribusi normal baku dan
¿ ¿
= =
|
.
|

\
| ÷
= =
n
i
i
n
i
i
Y
Z U
1
2
1
o
µ
mempunyai distribusi _
2
dengan derajat kebebasan n.
Bukti :
Karena Y1,Y2, ..... ,Yn sampel random dari distribusi normal dengan mean µ
dan variansi o
2
maka
o
µ ÷
=
i
i
Y
Z mempunyai distribusi normal baku untuk
i = 1, 2, …, n. Karena Yi saling bebas maka Zi saling bebas untuk i = 1, 2, …, n
sehingga Zi
2
juga saling bebas dengan masing-masing berdistribusi _
2
dengan
derajat bebas 1. Akibatnya
¿ ¿
= =
|
.
|

\
| ÷
= =
n
i
i
n
i
i
Y
Z U
1
2
1
o
µ
berdistribusi _
2
dengan
derajat bebas n.
Contoh IX.3
Jika Z1, Z2, ..... , Z6 sampel random dari distribusi normal baku maka
tentukan bilangan b sehingga P( b Z
i
i
s
¿
=
6
1
) = 0,95.
Penyelesaian :
Dengan menggunakan Teorema X.2 diperoleh berdistribusi chi-kuadrat
dengan derajat bebas 6. Berdasarkan tabel distribusi chi-kuadrat dengan
derajat bebas 6 maka diperoleh b = 12,5916 yaitu P( 5916 , 12
6
1
s
¿
= i
i
Z ) = 0,95
atau P( 5916 , 12
6
1
>
¿
= i
i
Z ) = 0,05.
Untuk membuat suatu inferensi tentang variansi populasi o
2
berdasar
pada sampel random Y1,Y2, …... ,Yn dari populasi normal, maka distribusi _
2
akan memainkan peranan penting. Estimator yang baik untuk o
2
adalah
variansi sampel
101
2
1
2
) (
1
1
Y Y
n
S
n
i
i
÷
÷
=
¿
=
.
Teorema IX.2
Diketahui Y1,Y2, ..... ,Yn adalah sampel random dari distribusi normal dengan
mean µ dan variansi o
2
maka
2
2
2
1
2
) 1 (
) (
o o
S n
Y Y
n
i
i
÷
=
÷
¿
=
mempunyai distribusi _
2
dengan derajat kebebasan n-1.
Contoh IX.4
Berdasar pada Contoh IX.2, volume minuman yang diisikan ke dalam botol
dianggap berdistribusi normal dengan variansi 10 ml
2
. Misalkan direncanakan
unutk mengambil sampel random sebanyak 10 botol dan diukur banyak
volume pada setiap botol. Jika 10 sampel ini digunakan unutk menentukan S
2
maka akan berguna untuk menentukan interval (b1, b2) yang memuat S
2
dengan probabilitas yang tinggi. Tentukan b1 dan b2 sehingga
P(b1 s S
2
s b2) = 0,90.
Penyelesaian :
Perlu dicatat bahwa
P(b1 s S
2
s b2) =
(
¸
(

¸
÷
s
÷
s
÷
2
2
2
2
2
1
) 1 ( ) 1 ( ) 1 (
o o o
b n S n b n
P .
Karena o
2
= 1 maka (n-1)S
2
/o
2
= (n-1)S
2
mempunyai distribusi chi-kuadrat
dengan derajat bebas n-1. Oleh karena itu dengan menggunakan tabel
distribusi chi-kuadrat dengan derajat bebas n-1 dapat ditentukan a1 dan a2
sehingga
P(a1 s (n-1)S
2
s a2) = 0,90.
Suatu metode yang biasa digunakan adalah dengan metode ekor sama
sehingga dengan menggunakan tabel distribusi chi-kuadrat dengan derajat
bebas 9 diperoleh a1 = 3,325 dan a2 = 16,919. Akibatnya diperoleh
a1 =
2
1
) 1 (
o
b n ÷
= (n-1)b1 = 9 b1 ,
a2 =
2
2
) 1 (
o
b n ÷
= (n-1)b2 = 9 b2
atau b1 = 3,325/9 = 0,369 dan b2 = 16,919/9 = 1,880.
102
Soal-soal
1. Bila suatu sampel berukuran 10 diambil dari populasi normal dengan
mean 60 dan deviasi standar 5, tentukan peluang bahwa mean sampel
Y akan terletak dalam interval sampai dengan menganggap mean
sampel dapat diukur sampai tingkat ketelitian yang diinginkan.
2. Sampel ukuran 5 diambil dari suatu variabel random dengan distribusi
N(12,4). Tentukan probabilitas bahwa mean sampel tidak melebihi 13.
3. Misalkan bahwa variabel random X mempunyai variabel random
distribusi N(0,0,09). Suatu sampel berukuran 25 diambil dari X,
misalkan X1,X2,...,X25 tentukan probabilitas bahwa
¿
=
n
i
i
X
1
2
lebih dari
1,5.
***
103
BAB X
TEOREMA LIMIT SENTRAL
Dalam bab terdahulu telah ditunjukkan bahwa apabila Y1, Y2, …... , Yn
menyatakan sampel random dan sebarang distribusi dengan mean µ dan
variansi o
2
maka E( Y ) = µ dan Var( Y ) = o
2
/n. Dalam pasal ini akan
dikembangkan suatu pendekatan distribusi sampling Y tanpa memandang
dari distribusi populasi yang manakah sampelnya diambil.
Jika sampel random dari populasi normal maka Teorema IX.1 telah
menyatakan bahwa distribusi samplingnya akan normal. Tetapi apakah yang
dapat dikatakan tentang distribusi sampling Y jika Y tidak berdistribusi
normal ? Dalam pasal ini akan terlihat bahwa Y berdistribusi sampling yang
mendekati normal bila ukuran sampel besar. Secara formal hasil tersebut
dapat dinyatakan sebagai berikut.
Teorema X.1 (Teorema Limit Sentral):
Diketahui Y1,Y2, .... ,Yn variabel random independen dan berdistribusi identik
dengan E(Yi) = µ dan Var(Yi) = o
2
untuk setiap i. Jika didefinisikan
o
µ) ( ÷
=
Y n
U
n
dengan
¿
=
=
n
i
i
Y
n
Y
1
1
maka untuk n ÷ ·, fungsi distribusi Un
akan konvergen ke fungsi distribusi normal standar.
Pendekatan normal untuk Y akan cukup baik bila n > 30, terlepas dari
bentuk populasi. Bila n < 30 pendekatan tersebut akan baik bila populasinya
tidak jauh dari normal. Bila populasinya berdistribusi normal maka distribusi
sampel Y akan tepat berdistribusi normal tanpa memandang ukuran sampel.
Contoh X.1
Diketahui populasi yang berdistribusi uniform diskrit
f(y) = 1/4 untuk y = 0, 1, 2, 3
= 0 untuk y yang lain
104
Tentukan probabilitas bahwa sampel random yang berukuran 36 yang diambil
dari populasi tersebut akan menghasilkan mean sampel lebih besar 1,4 tetapi
lebih kecil dari 1,8 bila mean diukur sampai persepuluhan terdekat.
Penyelesaian :
Karena sample random diambil dari populasi tersebut maka meannya adalah
2 / 3 ] [ = = Y E µ
dan variansinya adalah
4 / 5
2
= o .
Akibatnya
) 1 , 0 ( ~
36 / 2 / 5
) 2 / 3 (
/
N
Y
n
Y ÷
=
÷
o
µ
dan
) 1 , 0 ( ~
12 / 5
) 2 / 3 (
/
N
Y
n
Y ÷
=
÷
o
µ
.
Probabilitas mean sampel lebih besar 1,4 tetapi lebih kecil dari 1,8 adalah
( )
|
|
.
|

\
|
÷
s
÷
s
÷
= s s
12 / 5
5 , 1 8 , 1
12 / 5
5 , 1
12 / 5
5 , 1 4 , 1
8 , 1 4 , 1
Y
P Y P
= P[- 0.0037 s Z s 0.0112 ]
= 0.0059.
Pendekatan Normal untuk Distribusi Binomial
Probabilitas distribusi Binomial dengan mudah dapat diperoleh dari
fungsi probabilitas binomial
f(y) =
|
|
.
|

\
|
y
n
p
y
(1 - p)
n-y
, y = 0, 1, 2, ....., n
atau dari tabel distribusi Binomial komulatif bila n kecil. Jika n cukup besar
sehingga tidak terdapat dalam tabel yang ada maka dengan menggunakan
cara pendekatan akan dapat dihitung probabilitas binomial. Berikut ini
teorema yang memungkinkan penggunaan luas di bawah kurva normal untuk
memungkinkan memperkirakan probabilitas binomial bila n cukup besar.
105
Teorema X.2
Bila Y variabel random binomial dengan mean µ = np dan variansi o
2
=
npq dengan q = 1 – p maka bentuk limit distribusi
npq
np Y
Z
÷
= adalah normal
standar bila n ÷ · .
Distribusi normal akan memberikan pendekatan yang baik terhadap
distribusi binomial bila n besar dan p dekat dengan 1/2.
Contoh X.2
Suatu proses menghasilkan sejumlah barang yang 10% cacat, bila 100 barang
diambil secara random dari proses tersebut. Tentukan probabilitas bahwa
banyak yang cacat melebihi 13.
Penyelesaian
Banyak yang cacat berdistribusi binomial dengan parameter n = 100 dan p =
0,1. Karena ukuran sampel besar maka mestinya pendekatan normal akan
memberikan hasil yang cukup teliti dengan
µ = np = (100)(0,1) = 10,
o = \(npq) = \[(100)(0,1)(0,9)] = 3,0.
Untuk mendapatkan probabilitas yang ditanyakan harus dicari luas
sebelah kanan y = 13,5. Harga z yang sesuai dengan 1,35 adalah
z = (13,5-10)/3 = 1,167.
Probabilitas banyak cacat melebihi 13 adalah
P(Y > 13) =
¿
=
100
14
) 1 , 0 ; 100 ; (
y
y B
= P(Z > 1,167)
= 1 - P( Z < 1,167)
= 1 - 0,8784
= 0,1216.
Contoh X.3
Suatu ujian pilihan ganda terdiri dari 200 soal dan masing-masing soal
mempunyai 4 pilihan jawaban dengan hanya satu jawaban yang benar. Dari
200 soal tersebut seorang siswa tidak dapat menjawab 80 soal sehingga ia
106
memilih jawabannya secara random. Tentukan probabilitas bahwa siswa
tersebut akan dapat mendapatkan jawaban yang benar antara 25 sampai 30
soal dari 80 soal tersebut.
Penyelesaian
Probabilitas menjawab benar untuk tiap soal dari 80 soal adalah 1/4. Jika Y
menyatakan banyak jawaban yang benar dengan hanya menebak maka
P(25 s Ys 30) =
¿
=
30
25
) 4 / 1 ; 80 ; (
y
y B .
Menggunakan pendekatan normal dengan
µ = np = 80 (1/4) = 20
o = \(npq) = \ [(80)(1/4)(3/4)]
diperlukan luas antara y1 = 24,5 dan y2 = 30,5.
Harga z yang sesuai adalah
z1 = (24,5-20) / 3,87 = 1,163,
z2 = (30,5-20) / 3,87 = 2,713.
Probabilitas menebak tepat 25 sampai 30 dinyatakan dengan daerah yang
diarsir dalam grafik di atas.
P(25 s Y s 30) =
¿
=
30
25
) 4 / 1 , 80 ; (
y
y B
( P(1,163 < Z < 2,713)
= P(Z < 2,713) - P(Z < 1,163)
= 0,9966-0,8776
= 0,1190.
Contoh X.4
Misalkan variabel random Y mempunyai distribusi binomial dengan n = 25
dan p = 0,4. Tentukan probabilitas eksak bahwa Y ≤ 8 dan Y = 8 dan
bandingkan hasilnya dengan metode pendekatan normal.
Penyelesaian :
Berdasarkan pada tabel binomial dengan n = 25 dan p = 0,4 maka
P(Y ≤ 8) = 0,274
dan
P(Y = 8) = P(Y ≤ 8) - P(Y ≤ 7)
= 0,274 - 0,154
107
= 0,120.
Untuk pendekatan normal maka U = Y/n akan mendekati distribusi normal
dengan mean p dan variansi p(1-p)/n. Dengan cara yang sama maka dapat
dipilih bahwa Y akan mendekati distribusi normal W dengan mean np dan
variansi np(1-p). Untuk menentukan P(Y ≤ 8) dengan berdasarkan pada kurva
normal maka didapat
P(Y ≤ 8) = P(W ≤ 8,5)
= P(W ≤ - np/\[np(1-p)] ≤ 8,5 - 10/\[25(0,4)(0,6)])
= P(Z ≤ - 0,61)
= 0,2709.
Untuk menentukan pendekatan normal terhadap probabilitas Binomial P(Y =
8) ditentukan area di bawah kurva normal antara titik 7,5 dan 8,5. Karena Y
mempunyai distribusi yang sama dengan W yang berdistribusi normal dengan
mean
np = 25(0,40) = 10
dan variansi np(1-p) = 6 maka
P(Y = 8) ( P(7,5 ≤ W ≤ 8,5)
= P( (7,5 – 10)/\6 ≤ (W – 10)/ \6 ≤ (8,5 –10)/\6 )
= P(-1,02 ≤ Z ≤ -0,61)
= P(Z ≤- 0,61) - P(Z < -1,02)
= 0,2709 - 0,1539
= 0,1170.
Terlihat bahwa pendekatan normal untuk P(Y = 8) cukup dekat dengan
perhitungan eksak yaitu 0,1198.
Soal-soal
1. Dalam ujian pilihan ganda tersedia 100 pertanyaan dengan 5 alternatif
jawaban untuk setiap pertanyaan dan hanya ada satu jawaban yang benar.
Berapakah probabilitas bahwa peserta ujian yang tidak tahu apa-apa akan
lulus ujian bila batas kelulusan minimal 55 jawaban benar.
2. Diketahui hanya 5% mahasiswa di kota Salatiga yang mempunyai IQ = 130
atau lebih. Jika diambil sampel random sebanyak 50 mahasiswa di
Salatiga. Tentukan P( Y = 10 ) dan P(Y > 12) dengan menggunakan
pendekatan normal.
108
DAFTAR PUSTAKA
Bain, L. J and Engelhardt, 1992, Introduction to Probability and Mathematical Statistics 2
nd
Edition, Buxbury Thomson Learning, Pasific Grove.
Godlphin, J, 2007, Lecture Notes on Mathematical Statistics,
Roussas, G. G. , 1973, A first course in Mathematical Statistics, Addison-Wesley Publishing
Company, Reading Massachusetts
Larsen, R. J. and M. L. Moris, 2006, Introduction to Mathematical Statistics and Its Applications
4
th
Edition, Pearson Education

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->