STATISTIKA MATEMATIKA I
Disusun Oleh :
Februl Defila
(10050051)
PROGRAM STUDI PENDIDIKAN MATEMATIKA
SEKOLAH TINGGI KEGURUAN DAN PENDIDIKAN
(STKIP) PGRI SUMATERA BARAT
2012
1 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
BAB I
PELUANG
1.1 Ruang Sampel dan Kejadian
Ruang sampel atau sampel adalah himpunan semua kejadian yang mungkin dari sebuah experience, disimbolkan “S”. Himpunan bagian dari ruang sampel dinamakan kejadian/event. Secara khusus, himpunan yang hanya terdiri dari satu kejadian dinamakan kejadian dasar. Contoh :
1. Jika sebuah koin dilempar 3 kali, kejadian yang mungkin adalah :
S={GGG,GGA,GAG,AGG,GAA,AGA,AAG,AAA}. Dengan S adalah ruang sampel. 2. S = {1,2,3}
S 23 = {,{1},{2},{3},{1,2},{1,3},{2,3},{1,2,3}} Dari pernyataan diatas diperoleh : {1}S
{1}
S{1}
SDimana
S adalah power set atau himpunan bagian.3. Sebuah dadu dilempar 120 kali. Dari kejadian tersebut, diperoleh hasil eksperimen atau frekuensi kejadian sebagai berikut :
Angka 1 sebanyak 20 kali, angka 2 sebanyak 19 kali, angka 3 sebanyak 18 kali, angka 4 sebanyak 21 kali, angka 5 sebanyak 17 kali, angka 6 sebanyak 25 kali. Tentukan banyaknya jumlah frekuensi jika :
a) Ada sebuah kejadian munculnya angka genap. b) Ada sebuah kejadian munculnya angka ganjil.
c) Ada sebuah kejadian munculnya angka kurang dari 4. Jawab :
Untuk menjawab pertanyaan diatas, pengertian peluang dapat diterjemahkan menggunakan frekuensi relatif kejadian yang didefinisikan sebagai :
) ( ) ( ) ( S f A f A fn
2 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com 1 120 120 ) ( ) ( ) ( S f S f S fn a) A = {2,4,6} maka f(A) = 19 + 21 + 25 = 65 120 65 ) ( ) ( ) ( S f A f A fn b) B = {1,3,5} maka f(B) = 20 + 18 + 17 = 55 120 55 ) ( ) ( ) ( S f B f B fn c) C = {1,2,3} maka f(C) = 20 + 19 + 18 = 57 120 57 ) ( ) ( ) ( S f C f C fn
Dari contoh soal diatas, frekuensi relatif memiliki sifat : fn(0)0
fn(S)1
fn(AB) fn
A fn
B jika AB Kejadian dikatakan saling asing jika kejadian tersebut tidak dapat terjadi bersama-sama. Jika ruang sampel suatu percobaan dengan kejadian dasar S = {Si}, maka peluang
timbulnya kejadian dasar S = {Si} dengan i = 1,2,…,n adalah :
Pi = P[{Si}], i = 1,2,…,n dengan sifat : Pi 0 1 1
i i P Jika A1,…,Ak adalah kejadian dalam S yang saling asing maka
k i i k i i P P P 1 1
1.2 Peluang KlasikPeluang Klasik adalah suatu kejadian yang mempunyai peluang yang sama, yaitu
N 1 . N i i N Pi , , 1,2,..., 1
3 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
) ( ) ( S n A n AP , dengan sifat : P(A)0 ; P(S)1 ; P()0 dan P(AB)P(A)P(B) jika AB
Sifat – sifat lain dari peluang, dinyatakan dalam teorema berikut : Jika A,B suatu kejadian dalam S, maka :
1. P(AB)P(A)P(B)P(AB) 2. P(A)1P(A) AAS A A 3. P(AB)P(A)P(AB) 4. P(ABC)P(A)P(B)P(C)P(AB)P(AC)P(BC)+
A B C
P Contoh :Dua kartu diambil secara acak satu – persatu, tentukan peluang bahwa kartu yang terambil pertama adalah kartu Jack dan kartu yang terambil kedua adalah kartu Queen!
Jawab :
Peluang dari kejadian diatas adalah :
663 4 2652 16 51 4 52 4 1.3 Peluang Bersyarat
Peluang bersyarat suatu kejadian dengan syarat terjadinya peristiwa yang lain (sebelumnya) didefinisikan sebagai berikut :
B P B A P B A P | dengan P
B 04
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Secara umum, jika dua peristiwa A1 dan A2 saling asing
A1A2
, maka :
B P B A A P B A A P 1 2 2 1 | =
B P B A B A P 1 2
P
B
B A P B P B A P 1 2
A B
P A B
P 1| 2 | Sifat – sifat lain dari peluang bersyarat adalah sebagai berikut : 1. P(A|B) = P
A|B
2. P
A1A2|B
= P
A1|B
P A2 |B
P A1A2 |B
3. 0P
A|B
1 Contoh :1. Empat kartu diambil secara random satu persatu tanpa pengembalian. Tentukan probabilitas bahwa kartu yang terambil secara berturut – turut adalah as waru hitam (AsWH), as waru merah (AsWM), as wajik (AsW), as semanggi (AsS)!
Jawab :
WH
WM WH
WJ WH WM
s WJ WM WH As As As P As P As As P As As As As P( ) | |
Ass AsWH AsWM AsWJ
P | 49 1 50 1 51 1 52 1 = 0,0792. Kotak A berisi 10 bola merah (MA) dan 15 bola hijau (HA). Kotak B berisi 12 bola merah
(MB) dan 17 bola hijau (HB). Sebuah bola diambil secara acak dari kotak A kemudian
dikembalikan ke kotak B. Dari kotak B diambil sebuah bola secara acak. Tentukan peluang bahwa 2 bola yang terambil berwarna hijau!
5 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
HA HB
P
HA P HB HA
P | 36 , 0 30 18 . 25 15 1.4 Hukum Total Probabilitas
Menurut teori himpunan, telah diuraikan bahwa jika kejadian B dan kejadian B saling asing, maka : 1. BB 2. BB S 3. A 4. A A 5. ASA 6. ASS
Hukum diatas disebut dengan Hukum Identitas.
S A = A
A BB
= ABAB n
A
BB
= n
AB
n
AB
, sehingga
A P = P
A
BB
= P
AB
P
AB
Secara umum, jika B1,B2,..., Bk kejadian – kejadian saling asing, maka k B B B S 1 2 ... . Sehingga :
B B Bk
A B A B A Bk A S A 1 2 ... 1 2 ... Teorema :Jika B1,B2,...,Bk himpunan kejadian saling asing, maka untuk sebarang peristiwa A berlaku :
i
k i i P A B B P A P | 1
Bukti : Karena A
AB1
...
ABk
6 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
A P
A B
P
A Bk
P 1 ... = P
B1 .P A|B1
...P
Bk .P A|Bk
=
i
k i i P A B B P . | 1
Contoh :a. Terdapat 3 dos berisi barang elektronik (lampu). Dos I berisi 25 lampu dan 5 diantaranya rusak. Dos II berisi 35 lampu dan 10 diantaranya rusak. Dos III berisi 40 lampu dan 5 diantaranya rusak. Sebuah dos dipilih secara random, tentukan probabilitas bahwa produk yang terambil rusak!
Jawab:
Misal : A = lampu yang rusak B1 = dos 1 B2 = dos 2 B3 = dos 3
A P
A B1
P A B2
P A B3
P = P
B1 P A|B1
P B2 P A|B2
P B3 P A|B3
= 40 5 3 1 30 10 3 1 25 5 3 1 Dari contoh di atas, dapat dikaitkan konsep aturan Bayes, sebagai berikut :
Jika diasumsikan seperti syarat pada teorema sebelumnya, maka untuk setiap j,j=1, 2, 3, ... , k berlaku :
k j j j j j j B A P B P B A P B P A B P 1 | | |7
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
1.5 Kejadian Saling Bebas
Dua kejadian dikatakan saling bebas jika tidak saling mempengaruhi. Secara statistik, A dan B dikatakan bebas / independent, jika :
A B
P = P
A P B Saling Bebas
A B
P P
A P B Tidak bebas / Saling tergantung Sehingga : P
A|B
P
A, jika A, B bebas: P
A|B
P
B, jika B, A bebas Teorema :Jika A dan B adalah dua kejadian saling bebas jika dan hanya jika : 7. A danB, bebas 8. A dan B, bebas 9. A dan B, bebas Bukti : 10. P
AB
= P
A P AB
= P
A P AP B = P
A
1P
B
= P
B P
ASecara umum, jika Ai, i, i1,2,...,k adalah peristiwa saling bebas, maka :
k i k i i i P A A P 1 1 Contoh :Jika dua dadu dilempar satu kali secara bersamaan, tunjukkan bahwa dua kejadian dibawah ini saling bebas !
Jawab :
A : Dua dadu berjumlah tujuh.
8 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Jawab :
1,6, 2,5, 3,4, 4,3, 5,2, 6,1
A
1,1, 2,2, 3,3, 4,4, 5,5, 6,6
BSehingga dapat diketahui bahwa :
6 1 P B A P ,
36 1 6 1 6 1 P B A P B A , P
AB
0Karena P
AB
P A P B , maka dua kejadian A dan B adalah kejadian yang saling bebas.9
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
BAB II
VARIABEL RANDOM DAN FUNGSI DISTRIBUSI
2.1 Variabel Random
Variabel random adalah sebuah fungsi dengan domain kecil hasil pengamatan dan kodomainnya merupakan himpunan bilangan real. Variabel random disimbolkan dengan huruf kapital ( X, Y, Z, dll ). Contoh :
1. Sebuah koin dilemparkan tiga kali, maka ruang sampelnya adalah : S = { AAA, AAG, AGA, GAA, AGG, GAG, GGA, GGG}
2. Misalkan X merupakan variabel random yang menyatakan banyaknya angka yang muncul, Y adalah variabel random yang menyatakan banyaknya gambar yang muncul, maka apa hubungan antara X dan Y?
Jawab : S X Y P(X) P(Y) AAA 3 0 8 1 8 1 AAG AGA 2 1 8 3 8 3 GAA AGG GAG 1 2 8 3 8 3 GGA GGG 0 3 8 1 8 1 Keterangan :
10
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Karena P
X P
Y , dan X Y, maka X dan Y merupakan variabel acak identik. Selain itu, karena P
X Y
P
X PY X, Y independent.Macam-macam variabel acak :
a. Variabel Acak Diskrit (Countable) b. Variabel Acak Continue (Measurable)
2.2 Variabel Acak Diskrit (pdf)
Jika ruang sampel dari variabel random X countable, maka variabel random X dinamakan variabel random diskrit. Suatu fungsi dengan domain variabel acak diskrit dinamakan fungsi densitas probabilitas diskrit. Disingkat dengan pdf diskrit atau dinamakan fungsi masa probabilitas.
Teorema :
Suatu fungsi f (x) adalah pdf diskrit jika hanya jika memenuhi sifat: 1. f (x) > 0
2.
f
x 13. Penulisan lain f (x) fX
x dengan x = nilai variabel random X Contoh :Dari contoh pelemparan koin di atas (Sebuah koin yang dilempar 3 kali), jelas bahwa f (x) =
P (X = x), x = 0, 1, 2, 3. Semuanya 0 dan jumlahnya = 1
2.3 Fungsi Distributif Kumulatif (CDF)
CDF dari variabel acak X didefinisikan untuk sebarang bilangan real x berlaku :
x P
X x
F
xF X
11
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Teorema :
Misal X variabel acak diskrit dengan pdf = f(x) dan CDF = F(x). Jika nilai-nilai dari variabel acak X yang mungkin adalah berurutan naik, maka :
... 3 2 1 x x x
x1 F
x1 f dan j , j>1 , berlaku f
xj = F
xj F xj1Sedangkan untuk x < xi, maka F(x) = 0 Sehingga
x x j j x f x F Sifat-sifat CDF : a. lim
1 F x X b. lim
0 F x X c. F
x h
F
x h 0 lim d. abF
a F
b Contoh :Dari contoh pelemparan koin diatas (sebuah koin yang dilemparkan tiga kali), bentuklah fungsi distribusinya! Jawab : 8 4 8 1 8 7 1 1 2 3
x F x12
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
2.4 Variabel Acak Kontinu
Suatu variabel acak X disebut variabel acak kontinu jika terdapat pdf f(x), sedemikian hingga
CDF-nya dapat dinyatakan sebagai :
CDF
x dt t f x F pdf
F
x dx d x f Secara khusus, jika X variabel acak kontinu, maka :
a. P
a xb
P
axb
P
axb
P
a xb
a. P
xk
0,dengan k = konstanta b.
b a dx x f b x a P Teorema :Suatu fungsi f (x) adalah pdf untuk beberapa variabel acak kontinu X, jika memenuhi : 1. f
x 0, bilangan real X. 2.
1 dx x f Contoh :Jika X merupakan variabel acak kontinu dengan pdf
0 , 1 0 , 0 3 x x c x x f Tentukan CDF nya! Jawab :
x dx c1 3 = 1
0 2 1 2 1 x c = 1 c = 213
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Maka, CDF nya adalah :
x dt t f x F =
t dt x
3 1 2
0 , 1 1 0 , 0 2 x x x x F 2.5 Nilai HarapanApabila X adalah variabel acak diskrit dengan pdf f(x), maka Nilai Harapan dari X didefinisikan sebagai :
n X x xf x E 1 Contoh :Dari contoh pelemparan koin di atas (Sebuah koin yang dilempar 3 kali), didapat
2 3 x E .
2 3 8 1 . 0 8 3 . 1 8 3 . 2 8 1 . 3 x EJika X variabel acak kontinu dengan pdf f(x), maka Nilai Harapan
E x xf x dx Contoh :
Dari contoh di atas (Jika X merupakan variabel acak kontinu), maka :
0 3 1 1 2 . . 0 . dx x x dx x x ESifat – sifat umum nilai harapan
Teorema :
Jika X variabel random dengan pdf f(x) dan u(x) merupakan fungsi bernilai real dari variabel random X, maka :
R x f x u x u E , X VAD
R dx x f x u x u E , X VAK14
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Jika X variabel random dengan pdf f(x), a, b suatu konstanta dan g(x), h(x) suatu fungsi bernilai real dari variabel x, maka:
ag x bhx
aE
g
x
bE
h
x
E .
Bukti :
Misalkan V variable acak kontinu, maka :
ag x bh x
ag
x bh
x
f x dx E R
. . = ag
x f x dx bh
x f x dx R R
. =a g
x f x dx b h
x f x dx R R
=aE
g
x
bE
h
x
Secara khusus, E
axb
aE
x E b
R R dx x f E dx x bf b E 12.6 Distribusi Campuran (Mixed Distribution)
Suatu distribusi probabilitas untuk variabel random X dinamakan campuran, jika CDF-nya dapat dinyatakan sebagai berikut :
x F
x
F xF d 1 c , dengan 0x1
Contoh :
Misal X adalah variabel random yang menyatakan waktu tunggu sebuah proses dengan CDF
x F
x F
xF 0,4. d 0,6. c , dengan Fd
x 1 dan
xc x e
F 1 , untuk x0. Tentukan bentuk CDF campuran tersebut!
Jawab :
x t
P = F
x
x t
P = 1F
x
0
0,4 0 P x x15 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
1
0,636 6 , 0 4 , 0 5 x e x Jadi, P
xt|x0
=
0
0 x P t x danP x P =
0
0 x P t x P =
0
1 0 x F F t F =
4 , 0 1 1 6 , 0 4 , 0 t e = 1et
t
t e e dt d t F dt d t f 1 2.7 VarianVarian dari variabel acak X didefinisikan sebagai Var(x) = V(x) =
2, 0,2
x E x E x dengan E
x Atau Var
x
x
2 f x , variabel acak diskrit Atau Var
x x
f x dxR
2
, variabel acak kontinu
Teorema :
Jika X variabel acak kontinu, maka v
x E
x2 2Bukti :
x V
x
2f x dxE
x
2 R = E
x2 2x
2 = E
x2 2E
x E
2 =
2 2 . 2 x E
x V E
x 2 216
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Contoh :
Perhatikan contoh pelemparan koin sebelumnya, dengan mean = 2
3 . Tentukan varian dan simpangan bakunya! Jawab : x = 0, 1, 2, 3 Var(x) =
x
2 f x =
8 1 . 3 3 8 3 . 2 3 2 8 2 . 2 3 1 8 1 . 2 3 0 2 2 2 2 Var(x) = 0.75 Maka, V
x 0,750,8661 Teorema :Jika X variabel acak dan a, b suatu konstanta, maka :
V(ax+b)=V(ax) sehingga V(ax+b) = a2 V(x)
Bukti :
ax b
V E
axb
E
axb
2= E
axb
2
E
axb
2= a2v
xJika X,Y dua buah variabel random, maka berlaku :
x y
V
x V y Cov
x yV 2 ,
Jika X, Y independen dan cov (x, y) = 0, maka berlaku : ) ( ) ( ) (x y v x v y v
x y Cov , E
xx
yy
=E
xy E x.E yJika X, Y independen, maka :
xy E
x E yE .
17 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
x,y korelasi (x, y) =
y V x V y x, ) cov(Secara khusus, V(x)cov(x,x)
2.8 Momen
Momen ke-k di sekitar x=0 dari variabel random X didefinisikan sebagai :
k k E x
Momen ke k disekitar x =, didefinisikan : k E
x
kJika k=1 1 E
x
E(x)0 k=22 E(x)2 2Contoh :
Misalkan ada seorang pembalap mobil yang diasumsikan waktu berkendaranya antara 20 hingga 30 menit. Jika X adalah variable acak yang menyatakan waktu dalam menit, maka tentukan momen ke k dari variable tersebut!
Jawab :
x 110fX , 20x30
10 1
, untuk yang lain.
Momen ke k dari variable acak tersebut adalah :
k k E X m x dx k
30 2010
1 10 20 30 1 1 k k k , dimana k = 1, 2, 3, … Sehingga diperoleh :
25 2 10 20 302 2 1 m dan
3 1 633 3 10 20 303 3 2 m18
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Karena m1 X, sehingga diperoleh X 25. Dan karena m2 X2 X2 , maka diperoleh
3 1 8 2 X
Batas – batas probabilitas
Jika X suatu variabel random dan xfungsi bernilai real non-negatif, maka untuk sembarang
konstanta positif c, berlaku :
c x E c p x ) (Dari teorema batas – batas probabilitas di atas, dapat diturunkan sebuah pertidaksamaan Chebychev, sebagai berikut :
Teorema :
Jika X variabel random dengan mean dan varian 2, maka untuk sebarang k>0, berlaku :
12 k k x P or
1 12 k k x p Jika diambil k k
2 2 x P atau
2 2 1 x p2.9 Aproksimasi Mean dan Varian
Jika suatu fungsi dari variabel random X dapat dinyatakan atau diekspansikan dengan Deret Taylor di sekitar x, maka mean dan variannya dapat ditentukan. Selanjutnya, misalkan turunan dari fungsi H'
x,H'' x,...., Hn
x dan H
x dapat diekspansikan menurut Deret Taylor di sekitar x, maka :
"
... ! 2 ! 1 2 ' ' H x H x H x H Sehingga :
....) ! 2 ) ( " 2 ' E H x H x H x H E19 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com =
... 2 " . 2 ' E x H E x H H =
2 0 0 '' H H Jadi,
"
2 2 2 1 2 1 e e H H x H E
H x
V V
H
x
H' ...
=0V
x
H'
=
H'
2v
x
=
H'
22 Jadi, V
H
x
H'
2r2 Contoh :Jika X variabel random bernilai positif dengan pdf f
x lnx , maka tentukan E ln
x dan
x V ln Jawab :
x x H ln maka H
lnx
x x H' 1
12 " x x H
x
x
H
x E 2 '' 2 1 ln ln =
2 2 1 2 1 ln x = 2 2 2 1 ln 20 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
x V ln
H'
22 = 122 = 2 2 2.10 Momen Generation Function (MGF)
Jika X variabel random, maka MGF dari X didefinisikan sebagai berikut :
txx t E e
M , hth , h0 Ekspektasi ini ada nilainya, jika :
X Variabel acak diskrit
11 x f e e E t M i txi tx x
X Variabel acak kontinu M
t E
e e f
x dxr tx tx
x
Fungsi ini penting terutama dalam mendapatkan mean dan varian. Secara khusus, jika X variabel diskrit, maka berlaku :
i txi x t e f x M
i txi x f xie t x M'
i txi i e f x x t x M"
2 : :
i txi r i r x t x e f x M( )
Jika t = 0, maka :
i
i x x f x M' 0
= E
x
i
i x x f x M'' 0
221 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com =E
x2 2 r2
i r i i r x f x x f x M
Jadi , M'
x 0
'
2 '' 2 0 0 M x x M Contoh :Jika X variabel acak kontinu dengan f
x ex,x0, maka tentukan MGF! Jawab :
t e f
x dx M R tx x
= etxexdx
0 =
e t xdx 0 1 =
t x d t et x 1 1 0 1
=
0 1 1 1 t x e t =
0 1 1 1 tx e t =
0 1 1 1 t 1 , 1 1 t t
1 1 1 1 t t t Mx
1
1 2 1 ' t t Mx22 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com =
1t
2
0 1 ' x M
2
1 3 1 " t t Mx =2
1t
3
0 2 " x M Jadi, E
x 1
1 1 2 2 2 Contoh :Jika X variabel acak diskrit dengan pdf
1 2 1 x x
f dengan x=0,1... Tentukan MGF-nya! Jawab :
i i txi x t e f x M
0 = 1 0 2 1
xi i txi e = i x i t e
0 2 2 1 =
0 2 1 i xi s =
1 ...
2 1 2 s s = 8 1 1 2 1 = t e 2 1 deret konvergen Jadi, t 2 e 2 ln t23
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Sifat-sifat MGF :
1. Jika y = ax+b, maka MGF-nya adalah M
t e Mx
atbt
y
2. yxMy
t etMx
tTeorema :
Jika MGF X ada, maka
r
0x r M x E dengan
1 ! 1 r r r x r t x E t M24
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
BAB III
HUKUM – HUKUM PROBABILITAS
Distribusi Probabilitas
Terdapat dua macam distribusi probabilitas, yaitu : 1. Variabel acak diskrit
2. Variabel acak kontinu
Macam-macam distribusi probabilitas variabel acak diskrit : 1. Distribusi Bernoulli
2. Distribusi Binomial 3. Distribusi Hipergeometrik 4. Distribusi Poisson
5. Distribusi Uniform, dll.
Macam-macam distribusi probabilitas variabel acak kontinu : 1. Distribusi Uniform
2. Distribusi Gamma 3. Distribusi Eksponensial 4. Distribusi Weibull 5. Distribusi Normal, dll.
VARIABEL ACAK DISKRIT
3.1 Distribusi Bernoulli
Suatu variabel acak X berdistribusi Bernoulli jika pdf-nya berbentuk : ,... 1 , 0 , ) ( 1 x q p x f x x p = sukses, jika 0 < p < 1 q = gagal, jika (1 - p)
25
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Teorema :
Jika X Bernoulli, maka :
p x E( ) pq x v( ) Contoh :
Buktikan teorema diatas dan cari MGF-nya! Jawab :
( ) ) (x xf x E E(x2)
x2f(x) =0.q1.p = 0.q1.p = p = p Sehingga, v(x)E(x2)(E(x))2 = p p2 = p(1 p) = pq ) ( ) (t pe q Mx t 3.2 Distribusi Binomial Ciri-ciri :a. Percobaan dilakukan n kali dan independen b. Peluang sukses (p) dan gagal (q)
Suatu variabel acak X berdistribusi Binomial, jika pdf-nya berbentuk : ,... 1 , 0 , ) ( x q p x n x f x n x ) , , ( ) (x b x n p f =BIN(n,p)
26
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Teorema :
Jika X BIN (n, p), maka :
np x E( ) npq x v( ) n t x t pe q M ( )( ) Bukti : ) ( ) ( tx x t E e M = txi pxiqn xi x n e
=
t xi n xi q p e x n ) ( = (pet q)n n b a ) ( = i n i n o i b a i n
) 0 ( ' ) (x x E 2 )) 0 ( ' ( ) 0 ( ' ' ) (x x x v Contoh : 0046 , 0 2 1 2 1 16 20 2 1 , 10 , 16 4 16 b 3.3 Distribusi HipergeometrisSuatu populasi akan berdistribusi Hipergeometris apabila memenuhi : a. Berukuran M, diantaranya bersifat a (tertentu).
b. Sampel diambil secara random berukuran n, x diantaranya bersifat a. c. Pengambilannya tanpa pengembalian.
27
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Definisi :
Variabel random X dikatakan berdistribusi Hipergeometris, jika pdf-nya berbentuk :
n x n N x n M N x M M N n x h( , , , ) , 0,1,2,..., Teorema :
Jika X distribusi Hipergeometris, maka :
N nM x E( ) 1 1 ) ( N M N N M N nM x v Bukti :
( ) ) (x xf x E
n N x n M N x M x
1 1 1 1 0 n N n N x n M N x M x M x n x
1 1 1 1 1 n N x n M N x M N nM n x Misal : 1 x y , maka y x1, sehingga x1,y0 Sehingga :28 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
1 0 1 1 1 1 n x n N y n M N y M N nM N nM x E Jadi, ( )
n N x n M N x M x x E( 2) 2Dengan cara yang sama, maka 2 2
)) ( ( ) ( ) (x E x E x v 1 1 ) ( , n M N n M N nM x v Jadi Contoh :
Sepuluh produk diambil dari sebuah dos besar berisi 1000 produk, 400 diantaranya rusak. Sampel tersebut diambil secara random. Dari sepuluh yang diambil tadi, terdapat lima produk yang cacat.
Jawab : x= 5, n=10, N=1000, M=400 2013 , 0 10 1000 5 600 5 400 ) 400 , 1000 , 10 , 5 ( ) , , , ( h M N n x h Teorema :
Jika X berdistribusi Hipergeometris dan x0,1,...,n,N,M , P N M
29 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com x q x N x p q n n N x n M N x M lim 3.4 Distribusi Poisson
Suatu variabel random X berdistribusi Poisson jika pdf-nya berbentuk : 0 ,..., 2 , 1 , 0 , ! ) ( ) , ( x x e x f x f x x Teorema :
Jika X berdistribusi Poisson, maka E(x),v(x),Mx(t)e(et1)
Bukti : ) ( ) ( ix x t E e M =
n x x tx x e e 0 ! =
! x e e x tx =
! ) ( x e e x t = x et e e = e(et1) t e x t e e M' ( ) (t1) ) 0 ( 'x M ) 1 ( 2 ) 1 ( ) ( ) ( ) ( ' ' x t e et et et exet M 2 ) 0 ( n M 2 )) 0 ( ' ( ) 0 ( ) ( x x n M M x v = 2 2 = 30
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Teorema :
Jika X BIN(n,p), maka untuk setiap nilai x = 0,1,2,…,n dan P0 dengan np
suatu konstanta, maka
! ) 1 ( lim x e p p x n x x n x n , dengan . Contoh :
Buktikan teorema diatas! Jawab : x n x x n x n n x n x n p p x n 1 )! ( ! ! ) 1 ( = x n x n n x x x x n n n n 1 ) 1 )...( 2 )( 1 ( ) 1 )...( 2 )( 1 ( = x n x x n n n x x n n n n 1 1 ! ) 1 )...( 2 )( 1 ( = x n x x x n n n x n n n n 1 1 ! ) 1 )...( 2 )( 1 ( = x n x n nnn n x n n x n n n 1 1 ! ... . . ) 1 )...( 1 ( lim = . .1 ! . 1 e x x = ! x e x (Terbukti)
31
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
3.5 Distribusi Uniform Diskrit (Seragam)
Suatu variabel random X berdistribusi Uniform Diskrit, jika pdf-nya berbentuk :
N N
N, 1,2,...,
1
f(x) = Memiliki peluang yang sama
0, yang lain
Teorema :
Jika X DU(N), maka E x (N 1),dan
2 1 ) ( ( 1) 12 1 ) (x N2 v Contoh :
Buktikan teorema diatas! Jawab :
N x x xf x E 1 ) ( ) ( =
N x 1 =
N
N 12... 1 = N
a Un
N 2 1 1 =
1 2 1 1 N N N =
1
2 1 N (Terbukti)
2 2 ) ( ) (x
x f x
xf x v =
2 2 2 2 1 4 1 ... 3 2 1 1 N N N32 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com = ( 1) 12 1 2 N (Terbukti)
VARIABEL ACAK KONTINU
3.6 Distribusi Uniform Kontinu
Suatu variabel acak X berdistribusi Uniform Kontinu pada interval (a,b), jika pdf-nya berbentuk : ) , ( ba UNIF x b x a a b b a x f pdf ( , , ) 1 , = 0, yang lain a x , 0 F(x,a,b) CDF a x a b a x , b x , 1 Teorema :
Jika X UNIF( ba, ), maka E x (b a),dan
2 1 ) ( ( )2 12 1 ) (x b a v Contoh :
Buktikan teorema diatas! Jawab :
b a dx x xf x E( ) ( ) =
b a dx a b x 133 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com = b a x a b 2 2 1 1 =
2 2 2 1 2 1 1 b a a b =
b a
b a
a b 2 1 1 = ( ) 2 1 a b (Terbukti)
b a b a dx x xf dx x f x x v 2 2 ) ( ) ( ) ( =
b a a b dx a b x2 2 4 1 1 = 3
2 4 1 3 1 1 a b b a x a b =
3 3
2 2
2 4 1 3 1 1 a ab b a b a b =
2 2
2 2 4 1 2 1 4 1 3 1 1 a ab b a ab b a b a b = 2 2 2 2 4 1 2 1 4 1 3 1 3 1 3 1 a ab b a ab b = 2 2 12 1 6 1 12 1 a ab b =
2 2
2 12 1 a ab b =
2 12 1 a b (Terbukti)34
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
3.7 Distribusi Gamma
Untuk memahami distribusi Gamma, perlu diketahui fungsi Gamma secara umum dan sifat-sifatnya. Secara umum, fungsi Gamma didefinisikan sebagai :
x t etdt
0 1 Sifat-sifatnya : 1.
x 1
x, 0 2.
n n1
!,nA 3.
1 1 4. 2 1X suatu variabel acak kontinu dengan distribusi Gamma dengan parameter positif dan
negatif, jika pdf-nya berbentuk :
, ,
1
, 0, 0, 0 : ) , ( 1 x e x x f GAM x x dan merupakan parameter-parameter tertentu, merupakan parameter bentuk dan merupakan parameter skala. Karena merupakan bentuk, maka bentuk kurva distribusi Gamma tergantung dari nilai .
Teorema :
Jika X GAM(,), maka E(x),danv(x)2
Contoh :
Buktikan teorema diatas! Jawab :
xdx xf x E
0 ) ( =
x x e dx x x
1 0 135 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com =
x e dx x x
0 1 ) 1 ( 1 =
x
x e dx x
1 ) 1 ( 0 1 1 1 1 1 =
x e dx x
( 1) 1 0 1 1 1 1 1 =
.1 = (Terbukti) Akibat khusus : CDF-nya : X GAM(,)
x
t e dt F t
1 0 1 , , Jika 2dan 2 , maka 2 , 2 ) ( 2 GAM GAM x xJika 1, maka GAM
,1 eksponensial
3.8 Distribusi EksponensialX berdistribusi Eksponensial (X exp()), jika pdf-nya :
,
1 , 0, 0 x e x f x Jika 1 , maka : f
x, ex, 0,x0 CDF-nya berbentuk : x e x F 1 ) , (36
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Teorema :
Jika X berdistribusi Eksponensial, maka E(x),danv(x)2
Secara khusus, distribusi Eksponensial merupakan distribusi yang sangat penting, khususnya di bidang teori (keandalan). Pada umumnya, pada distribusi eksponensial berlaku sifat no memory, seperti pada teorema berikut :
) exp(
X , jika hanya jika : P
xat|xa
P
xt
,a o,t 0no memoryBukti :
a x P a x danP t a x P a x t a x P | = P
xat
= a t a e e ( ) = P
xt
(Terbukti) Contoh :Masa usia sejenis komponen listrik berdistribusi Eksponensial dengan rata-rata 100 jam. Tentukan probabilitas bahwa komponen tersebut dapat digunakan 50 jam lagi dari batas yang ditentukan perusahaan!
Jawab :
P = 0,6065
3.9 Distribusi Weibull
Seperti pembahasan sebelumnya, distribusi Weibull sering diaplikasikan untuk mendapatkan keandalan sejenis komponen tertentu. Sama seperti distribusi Gamma maupun distribusi Eksponensial.
37
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Suatu variabel acak X wei
,
, 0, 0, maka :0 , 1 x e x x
x,,
f 0, yang lain Jika 1, maka :
e x x f , ,1 1 xexp() Jika 2, maka :
2 2 2 , , x xe x f xRayleigh Bentuk CDF-nya :
x e x F , , 1 Terorema :Jika X wei(,), maka :
1 1 ) (x E 1 2 1 1 ) (x 2 2 v 3.10 Distribusi Normal
Distribusi ini dinamakan juga distribusi Gauss dan mempunyai 2 parameter. Selain kelebihan di atas, distribusi ini sangat bermanfaat untuk menyelesaikan beberapa kasus / persoalan yang terkait dengan distribusi hampiran (limited distribution). Salah satu teorema yang terkenal yang terkait dengan distribusi Normal adalah CLT (Central Limited Distribution).
Definisi :
Variabel X acak kontinu berdistribusi Normal dengan parameter (mean) dan
38 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
x e x f N x x , 0 , , 2 1 , , ) , ( 2 2 1
2 2 ) (
R R dx x xf dx x f x x v = E
x
2 Sifat-sifat : 1. f
x,,
0 2.
f
x, ,
dx1 R Contoh : Buktikan :
f
x, ,
dx1 R Jawab : dx e x R 2 2 1 2 1
Ambil z x dz dx 1 = e z dz R 2 2 1 2 1 2
Misal : dv v dz v z v z z v 2 1 2 2 2 1 . 2 2 2 2 1 = e v v 2dv 1 0 2 1 2 2 1 2
39 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com = v evdv
2 1 0 1 = v evdv
0 2 1 1 =
2 1 2 1 1 2 1 1 0 1
dt t = = 1Selanjutnya, jika Z berdistribusi Normal baku dengan rata-rata = 0 dan = 1, yang dinotasikan z N(0,1), maka pdf-nya berbentuk :
z e z pdf z , 2 1 2 2 1
z
tdt CDF
Sifat-sifat : 1.
z z fungsigenap 2. N(0,1)simetris di z = 0 Teorema : Jika X N(,), maka Fx
x x P
x x
Contoh :Misalkan X variabel acak yang menyatakan masa pakai suatu komponen listrik dengan ukuran bulan. Jika variabel diasumsikan berdistribusi Normal dengan = 60 dan 2 = 36
40
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com bulan. Tentukan probabilitas bahwa komponen tersebut masa pakainya maksimal 4 tahun! Jawab :
6 60 48 48 x P =
2 =
2 = 0,0228 Teorema : Jika X N(,), maka
2 2 2 1 t t x t e M Bukti :
tx x t Ee M Misal : z x x z
tx x t Ee M = e f
z dz R t
2 = e e z dz R tz 2 2 1 2 1
= e z t e t dt R 2 2 2 1 2 1 2 1
= e e z t dz R t2 2 2 1 2 1 2 1
= .1 2 2 1 t e Sehingga Mx
t M2 t41 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com = t z t M e = 2 2 2 1 t t e e = 2 2 2 1 t t e (Terbukti) Teorema : Jika X N(,), maka :
x 'x
0 E
2 0 ' 0 "x x x v 42
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com
BAB IV
JOIN DISTRIBUSI VARIABEL RANDOM
4.1 Join Distribusi (Distribusi Bersama)
Dalam analisis statistik, distribusi bersama umumnya distribusi yang terdiri dari k buah variabel random (berdimensi k) atau sering dinamakan vektor random.
X X X
vektoracak X 1, 2,..., k Definisi :
pdf bersama dari variabel acak diskrit berdimensi k (vektor random) didefinisikan sebagai
berikut :
X Xk
P
X x Xk xk
f 1,..., 1 1,...,
= P
X1 x1...Xk xk
Untuk semua nilai (x), X
X1,X2,..., Xk
dari vektor random yang mungkin.Contoh :
Sebuah dos berisi 1000 bolpen, 400 warna merah, 400 warna hitam, sisanya biru. Jika 10 bolpen diambil secara random sekaligus tanpa pengembalian, maka tentukan probabilitas banyaknya bolpen yang terambil berwarna merah, hitam, dan biru.
Jawab :
10 1000 200 400 400 , , 10 , 1000 X1 X2 X1 X2 n X1 X2 f , dengan X1 X2 X3 nDistribusi bersama biasanya terkait dengan distribusi multinomial (perluasan dari binomial).
4.2 Distribusi Multinomial
Misalkan terdapat k1 kejadian yang terbatas dan saling asing, yakni e1,e2,...,ek1 dengan e
43
Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com Misalkan Xi variabel acak menyatakan banyaknya kejadian Ei dari n eksperimen, maka
vektor random dikatakan berdistribusi multinomial, jika pdf-nya berbentuk :
1 1 1 1 1 1 1 , ... ! !... ! ,..., Xk k X k k P P X X n X X f n i X n X k i i k
,0 1 1
k i i k P P 1 1 1
n P P Pk
mult X , 1, 2,..., Teorema :Suatu fungsi f
X1,...,Xk
adalah pdf bersama untuk beberapa vektor random jika hanya jika berlaku : a. f
X1,..., Xk
0,i,i1,2,...,k b. ...
,...,
1 1 1
X X k k X X f Contoh :1. Sebuah bidang tetrahedron dilemparkan sebanyak 20 kali, masing-masing permukaaan mempunyai peluang yang sama, yakni 1/4. Tentukan probabilitas bahwa dari percobaan tersebut munculnya angka 1 adalah 4 kali, angka 2 adalah 6 kali, angka 3 dan 4 adalah 5 kali. Jawab : 20 5 5 6 4 4 1 ! 5 !. 5 !. 6 !. 4 ! 20 4 1 4 1 4 1 4 1 ! 5 !. 5 !. 6 !. 4 ! 20 = 0,00890,9% 2. X mult
3;0,4;0,4
44 Februl Defila defiladefila@gmail.com http://febroeldefila.wordpress.com X1/X2 0 1 2 3 0 0,008 0,048 0,096 0,064 0,216 f1(0) = P(X1=0) 1 0,048 0,192 0,192 0 0,432 f1(1) = P(X1=1) 2 0,096 0,192 0 0 0,288 f1(2) = P(X1=2) 3 0,064 0 0 0 0,064 f1(3) = P(X1=3) 0,216 0,432 0,288 0,064 1 Peluang : harus 1 (0,4)0(0,4)0(0,2)3 = 0,008
x X
f
0,1 f 0,2 f 0,3 f 1,2 f 1,3 f 2,3 P = 0,0480,0960,0640,19200 = 0,4 Definisi :Jika pasangan variabel acak diskrit X1, X2 mempunyai pdf f
X1, X2
, maka pdf marginaldari X1 dan X2 adalah :
2 2 1 1 1 , X X X f Xf (X1 fixed and X2 variable)
1 2 1 2 2 , X X X f Xf (X2 fixed and X1 variable)
CDF bersama dari k variabel acak (vector random) adalah suatu fungsi yang didefinisikan
sebagai berikut :
X Xk
F
X x Xk xk
F 1,..., 1 1,...,
Teorema :
Suatu fungsi F