Diktat Probstat

Diktat Kuliah
PROBABILITAS dan STATISTIKA

(IF 2152)
Judhi Santoso
PRODI INFORMATIKA
SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA
INSTITUT TEKNOLOGI BANDUNG
2007
Daftar Isi
1 Pendahuluan 1
1.1 Model Probabilitas . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rataan (Mean)dari Sample . . . . . . . . . . . . . . . . . . . 2
1.3 Variansi dari sample . . . . . . . . . . . . . . . . . . . . . . . 2
2 Probabilitas 3
2.1 Ruang Sample . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Event . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Menghitung titik sample . . . . . . . . . . . . . . . . . . . . . 5
2.4 Probabilitas dari Event . . . . . . . . . . . . . . . . . . . . . 8
2.5 Aturan Penjumlahan . . . . . . . . . . . . . . . . . . . . . . . 9
2.6 Probabilitas Bersyarat . . . . . . . . . . . . . . . . . . . . . . 11
2.7 Event Independent (saling lepas) . . . . . . . . . . . . . . . . 12
2.8 Aturan Perkalian . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.9 Aturan Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Variable Random dan Distribusi Peluang 19
3.1 Konsep Variable Random . . . . . . . . . . . . . . . . . . . . 19
3.2 Distribusi Peluang Diskrit . . . . . . . . . . . . . . . . . . . . 21
3.3 Distribusi Peluang Kontinu . . . . . . . . . . . . . . . . . . . 23
3.4 Distribusi Empirik . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Distribusi Peluang Gabungan . . . . . . . . . . . . . . . . . . 26
4 Ekspektasi Matematika 33
4.1 Rataan dari Variabel Random . . . . . . . . . . . . . . . . . . 33
4.2 Variansi dan Kovariansi . . . . . . . . . . . . . . . . . . . . . 37
4.3 Rataan dan Variansi dari Kombinasi linier Variabel random . 42
i
ii DAFTAR ISI
5 Beberapa Distribusi Peluang Diskrit 47
5.1 Distribusi Uniform Diskrit . . . . . . . . . . . . . . . . . . . . 47
5.2 Distribusi Binomial dan Multinomial . . . . . . . . . . . . . 48
5.3 Distribusi Hypergeometric . . . . . . . . . . . . . . . . . . . . 52
5.4 Distribusi Poisson dan Proses Poisson . . . . . . . . . . . . . 54
6 Beberapa Distribusi Peluang Kontinu 57
6.1 Distribusi Uniform Kontinu . . . . . . . . . . . . . . . . . . . 57
6.2 Distribusi Normal . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.3 Aproksimasi Normal untuk Binomial . . . . . . . . . . . . . . 61
6.4 Distribusi Gamma dan Exponential . . . . . . . . . . . . . . . 62
6.4.1 Aplikasi dari distribusi Exponential dan Gamma . . . 64
6.4.2 Distribusi Chi-Squared . . . . . . . . . . . . . . . . . . 65
6.5 Distribusi Lognormal . . . . . . . . . . . . . . . . . . . . . . . 66
6.6 Distribusi Weibull . . . . . . . . . . . . . . . . . . . . . . . . 67
7 Distribusi Sampling Dasar 69
7.1 Sampling Random . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2 Beberapa Statistik yang Penting . . . . . . . . . . . . . . . . 69
7.3 Distribusi Sampling . . . . . . . . . . . . . . . . . . . . . . . 70
7.4 Distribusi sampling dari Rataan . . . . . . . . . . . . . . . . . 71
7.5 Distribusi Sampling dari S
2
. . . . . . . . . . . . . . . . . . . 73
7.6 Distribusi t . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.7 Distribusi F . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
8 Estimasi Parameter Populasi 79
8.1 Penaksiran dengan Metoda Klasik . . . . . . . . . . . . . . . 79
8.2 Menaksir rataan dari Sampel tunggal . . . . . . . . . . . . . . 82
8.3 Menaksir Variansi dari Sampel tunggal . . . . . . . . . . . . . 85
8.4 Menaksir rasio dua variansi dari dua sampel . . . . . . . . . . 87
9 Testing Hipotesis Statistik 89
9.1 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
9.2 Kesalahan Uji . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
9.3 Kekuatan Uji . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Bab 1
Pendahuluan
Ilmu statistika sangat diperlukan sebagai tool oleh ilmuwan komputer, mis-
alkan untuk menganalisis algoritma atau performansi sistem komputer. Dalam
menganalisa algoritma statistik digunakan untuk menghitung average-case
suatu algoritma. Bila problem yang akan dianalisa berjumlah besar (banyak),
maka model distribusi data masukan sangat diperlukan, misalkan model ek-
sponensial, normal dsb.
1.1 Model Probabilitas
Teori probabilitas mempelajari suatu fenomena yang bersifat random. Fenom-
ena random mempunyai karakteristik bahwa kelakuan yang akan datang
tidak dapat diprediksi secara deterministik. Namun demikian sifat-sifat
statistiknya dapat digunakan untuk mendeskripsikan secara matematik. Hal
ini diselesaikan dengan cara membuat model statistik dari masalah dunia
nyata. Model ini terdiri dari kejadian-kejadian yang mungkin beserta nilai
probabilitasnya (peluangnya).
Karena model hanya merupakan abstraksi dari dunia nyata, prediksi
yang dilakukan berdasarkan model ini harus divalidasi dengan eksperimen
fenomena yang sebenarnya. Teori statistik sangat diperlukan dalam proses
validasi model tersebut (statistik inferensi ), misalkan dengan testing hipote-
sis.
Contoh suatu masalah untuk memprediksi jumlah job yang datang dalam
selang waktu (0, t) dalam suatu sistem komputer. Model yang yang biasa
digunakan adalah model Poisson, artinya jumlah job yang datang dalam
selang waktu tersebut mempunyai distribusi Poisson. Sehingga kita tinggal
menentukan parameter (laju kedatangan, ) yang sesuai.
1
2 BAB 1. PENDAHULUAN
1.2 Rataan (Mean)dari Sample
Ukuran lokasi dari suatu data memberikan informasi secara kuantitatif di-
mana letak nilai pusat dari sample tersebut. Misalkan pengamatan dari
suatu sampel adalah x
1
, x
2
, ..., x
3
, maka rataan sample adalah:
x =
n
i=1
x
i
n
=
x
1
+x
2
+... +x
n
n
Disamping ukuran diatas terdapat ukuran nilai dari data yang disebut den-
gan median dari sample. Median dihitung dengan cara sbb:
x = x
(n+1)/2
jika n ganjil
= x
n/2
+x
(n/2)+1
jika n genap
Contoh:
Diberikan data 1.7, 2.2, 3.9, 3.11, dan 14.7. Mean dan median dari sample
tersebut adalah :
x = 5.12 x = 3.9
1.3 Variansi dari sample
Variansi dari data mengukur simpangan dari nilai rataan. Variansi dari
sample dirumuskan:
s
2
=
n
i=1
(x
i
x)/(n 1)
Akar kuadrat dari variansi sample disebut dengan simpangan baku (stan-
dard deviation)
s =
_
n
i=1
(x
i
x)
(n 1)
Nilai (n 1) disebut dengan derajat kebebasan yang bersesuain dengan
estimasi variansi.
Bab 2
Probabilitas
2.1 Ruang Sample
Dalam statistik dikenal istilah eksperimen untuk menjelaskan proses mem-
bangkitkan sekumpulan data. Contoh dari eksperimen statistik adalah melem-
par coin. Dalam eksperimen ini ada dua kemungkinan kejadian (outcomes),
muka atau belakang.
Denisi:
Kumpulan dari semua kejadian dari eksperimen statistik disebut dengan
ruang sample, dinotasikan dengan S
Ruang sample dari eksperimen melempar mata uang adalah:
S = {H, T}
dimana H dan T bersesuaian dengan muka(head) dan belakang(tail )
Contoh:
Suatu eksperimen melempar coin kemudian melempar sekali lagi bila yang
muncul pertama adalah muka, jika yang muncul belakang diteruskan dengan
melempar dadu. Maka ruang samplenya adalah:
S = {HH, HT, T1, T2, T3, T4, T5, T6}
Contoh:
Tiga item diambil dari suatu process manufacturing, dimana item tersebut
3
4 BAB 2. PROBABILITAS
diklasikasikan manjadi dua, defectif (D) dan non-defektif (N). Maka ruang
sample S adalah sbb:
S = {DDD, DDN, DND, DNN, NDD, NDN, NND, NNN}
Ruang sample yang mempunyai titik sample besar, lebih baik diterangkan
dengan aturan, misalkan:
S = {x|xsuatu kota dengan populasi besar dari 1 juta}
2.2 Event
Event adalah subset dari ruang sample, yaitu suatu kejadian dengan kondisi
tertentu.
Contoh:
Diberikan suatu ruang sample S = {t|t 0} dimana t adalah umur dalam
satuan tahun suatu komponen elektronik. Suatu Event A adalah umur
komponen yang kurang dari lima tahun, atau dituliskan A = {t|0 t < 5}
Denisi:
Komplemen dari event A terhadap S adalah subset dari semua elemen S
yang bukan elemen dari A. Komplemen dari A dituliskan dengan A
Contoh:
Misalkan R adalah event dimana kartu warna merah diambil dari 52 kartu
bridge. Komplemen dari R adalah R
yaitu kartu dengan warna hitam.

Denisi:
Interseksi/irisan dari dua event A dan B adalah suatu event yang memuat
elemen yang ada di A dan B, dinotasikan dengan A B
Denisi:
Dua event A dan B dikatakan mutually exclusive atau disjoint jika A
B =
2.3. MENGHITUNG TITIK SAMPLE 5
Denisi:
Union dari dua event A dan B dinotasikan dengan A B adalah suatu
event dengan element dari A atau B atau keduanya.
Kaitan antara event dan ruang sample dapat digambarkan pada gambar3.1
C
S
A
7 2
1
3
6
4
5
B
Figure 2.1: Event yang direpresentasikan dengan region
A B = region 1 dan 2
B C = region 1 dan 3
A C = region 1,2,3,4,5,7
B
A = region 4 dan 7
A B C = region 1
(A B) C
= region 2, 6 dan 7
2.3 Menghitung titik sample
Dalam eksperimen statistik, semua kejadian yang mungkin dapat ditentukan
tanpa harus mendaftarkan satu-per-satu.
Teorema:
Jika operasi pertama dapat dilakukan dengan n
1
cara, dan operasi kedua
dengan n
2
cara maka dua operasi dapat dilakukan dengan n
1
n
2
cara.
Contoh:
Ada berapa titik sample jika dua buah dadu dilempar bersama-sama. Jawab:
(6)(6)=36 cara.
Secara umum bila ada k operasi dengan masing-masing mempunyai n
1
, n
2
, ..., n
k
cara maka terdapat (n
1
)(n
2
)...(n
k
) cara.
Denisi:
Permutasi adalah sebuah susunan dari semua atau sebagian kumpulan ob-
jek. Bila terdapat n objek yang berbeda terdapat n! permutasi.
Contoh:
Bila terdapat 3 huruf a,b,c maka jumlah permutasinya 6, yaitu abc, acb, bac, bca, cab, cba
Teorema:
Jumlah permutasi dari n objek yang berbeda diambil r adalah:
n
P
r
=
n!
(n r)!
Contoh:
Dua tiket lotere diambil dari 20 untuk hadian pertama dan kedua. Tentukan
jumlah titik sample event tersebut:
2
0P
2
=
20!
18!
= (20)(19) = 380
Teorema:
Jumlah permutasi dari n objek yang berbeda disusun melingkar adalah
(n 1)!, dimana satu objek dianggap mempunyai posisi tetap sehingga ada
(n 1) yang disusun.
Bila objek-objek tersebut ada yang sama, maka akan terdapat susunan yang
berulang. Misalkan dari tiga huruf a,b,c dengan b=c=x, maka kemungki-
nan susunan adalah axx, axx, xax, xax, xxa, xxa sebenarnya hanya ada 3
susunan yang berbeda. Susunan tersebut dihitung dengan cara 3!/2! = 3.
2.3. MENGHITUNG TITIK SAMPLE 7
Teorema:
Jumlah permutasi yang berbeda dari n objek yang terdiri dari n
1
jenis 1,
n
2
jenis 2, ... ,n
k
jenis ke-k adalah:
n!
n
1
! n
2
! ...n
k
!
Contoh:
Terdapat lampu merah 3, lampu kuning 4, dan lampu biru 2 akan dipasang
dengan tiga sinar pada 9 socket. Berapa kemungkinan yang dapak disusun.
Jawab:
9!
3! 4! 2!
Bila diberikan n objek kemudian akan dipartisi menjadi r subset disebut
sel. Urutan objek dalam sel tidak penting. Suatu contoh diberikan 5 huruf
a, i, u, e, o akan dipartisi menjadi dua sel masing-masing berisi 4 dan 1, maka
susunan yang mungkin adalah:
{(a, e, i, o), (u)}, {(a, i, o, u), (e)}, {(e, , i, o, u), (a)}, {(a, e, o, u), (i)}, {(a, e, i, u), (o)}
Jumlah partisi tersebut dinotasikan :
_
5
4, 1
_
=
5!
4! 1!
= 5
Teorema:
Jumlah cara untuk mempartisi sekumpulan n objek menjadi r sel dengan
n
1
elemen di sel pertama, n
2
elemen di sel ke dua dst. adalah:
_
n
n
1
, n
2
, ..., n
r
_
=
n!
n
1
!, n
2
!, ...n
r
!
dimana n
1
+n
2
+... +n
r
= n.
Contoh:
Ada 7 orang akan menginap di Hotel dengan 3 kamar, satu kamar berisi 3
orang dan dua kamar berisi 2 orang. Ada berapa cara untuk menempatkan
orang tersebut. Jawab:
_
7
3, 2, 2
_
=
7!
3! 2! 2!
= 210
Teorema:
Diberikan n objek akan diambil sebanyak r tanpa memperhatikan urutan,
cara pemilihan ini disebut dengan kombinasi, dihitung dengan cara berikut:
_
n
r, n r
_
atau
_
n
r
_
=
n!
r!(n r)!
Contoh:
Dari 4 orang kimia akan diambil 2 orang, dari 3 orang sika diambil 1 orang.
Bila orang yang dipilih digabung membentuk suatu kepanitian, ada berapa
cara. Jawab:
_
4
2
__
3
1
_
= (6)(3) = 18
2.4 Probabilitas dari Event
Untuk mencari probabilitas dari suatu event A kita menjumlahkan semua
probabilitas dari setiap titik sample A. Jumlah ini disebut dengan proba-
bilitas dari A, dinotasikan dengan P(A).
Denisi:
Probabilitas dari event A adalah jumlah dari bobot semua titik sample
dalam A. Sehingga:
0 P(A) 1, P() = 0 dan P(S) = 1
Contoh:
Suatu mata uang dilempar dua kali. Tentukan peluang sekurang-kurangnya
satu head muncul.
Jawab:
Ruang sample dari eksperimen ini adalah:
S = {HH, HT, TH, TT}
Jika mata uang ini rata/seimbang make peluangnya sama, masing-masing
1
4
. Jika A adalah event tersebut maka:
A = {HH, HT, TH} dan P(A) =
1
4
+
1
4
+
1
4
=
3
4
Contoh:
Sebuah dadu dilempar dimana kemunculan bilangan genap mempunyai pelu-
ang dua kali lebih besar. Jika E adalah suatu kejadian bahwa bilangan yang
2.5. ATURAN PENJUMLAHAN 9
muncul kurang dari 4 tentukan P(E).
Jawab:
Ruang samplenya adalah S = {1, 2, 3, 4, 5, 6}. Misalkan peluang ganjil
adalah w dan peluang genap adalah 2w. Karena totalnya 1 make 3w+6w =
9w = 1, sehingga w =
1
9
.
E = {1, 2, 3} dan P(E) =
1
9
+
2
9
+
1
9
=
4
9
Teorema:
Dalam suatu eksperimen sebanyak N, jika suatu event A muncul sebanyak
n maka peluang dari event A adalah:
P(A) =
n
N
Contoh:
Diambil 5 kartu poker, tentukan peluang terambil 2 ace dan 3 jack.
Jawab:
P(C) =
_
4
2
__
4
3
_
_
52
5
_ = 0.9 10
5
2.5 Aturan Penjumlahan
Teorema:
Jika A dan B adalah dua buah event sebarang maka:
P(A B) = P(A) +P(B) P(A B)
Akibat:
Jika A dan B mutually exclusive maka
P(A B) = P(A) +P(B)
Akibat:
Jika A
1
, A
2
, A
3
, ..., A
n
mutually exclusive make
P(A
1
A
2
... A
n
) = P(A
1
) +P(A
2
) +... +P(A
n
)
Akibat:
Jika A
1
, A
2
, A
3
, ..., A
n
adalah partisi dari ruang sample S make
P(A
1
A
2
... A
n
) = P(A
1
) +P(A
2
) +... +P(A
n
)
= P(S)
= 1
Teorema:
Untuk tiga event A, B, dan C
P(A B C) =P(A) +P(B) +P(C) P(A B) P(A C)
P(B C) +P(A B C)
Contoh:
Peluang Paula lulus matematika adalah 2/3 lulus bahasa inggris 4/9. Jika
peluang lulus keduanya 1/4, berapa peluang lulus sekurang-kurangnya satu
pelajaran.
Jawab:
P(M E) = P(M) +P(E) P(M E) = 2/3 + 4/9 1/4 = 31/36
Contoh:
Dua dadu dilempar, tentukan probabilitas jumlahnya 7 atau 11.
Jawab:
Misalkan P(A) adalah dua dadu dengan jumlah 7, P(B) adalah dua dadu
dengan jumlah 11.
P(A B) = P(A) +P(B) =
1
6
+
1
18
=
2
9
Teorema:
Jika A dan A
adalah event yang saling berkomplemen maka:

P(A) +P(A
) = 1
2.6. PROBABILITAS BERSYARAT 11
2.6 Probabilitas Bersyarat
Probabilitas event B terjadi jika diketahui bahwa event A telah terjadi
disebut dengan probabilitas bersyarat dan dinotasikan dengan P(B|A).
Penulisan ini dibaca peluang B terjadi diberikan A telah terjadi.
Ilustrasi:
Misalkan B adalah bilangan kuadrat sempurna bila sebuah dadu dilempar.
Seperti contoh sebelumnya bilangan genap mempunyai peluang dua kali
dibanding yang ganjil. Ruang sample S = {1, 2, 3, 4, 5, 6} dengan peluang
1
9
dan
2
9
untuk bilangan ganjil dan genap. Ruang sample B adalah B = {1, 4}
dengan P(B) =
1
3
. Misalkan A adalah suatu event dimana bilangan yang
muncul lebih besar dari atau sama dengan 4, atau A = {4, 5, 6}. Untuk
menghitung peluang B terjadi relatif terhadap event A. kita harus menghi-
tung dahulu peluang baru A proposional dengan peluang semula demikian
sehingga jumlahnya 1. Misalkan w adalah peluang bilangan ganjil dan 2w
peluang bilangan genap dari event A, maka w =
1
5
. Event B|A = {4},
sehingga
P(B|A) =
2
5
Atau kita dapat menuliskan:
P(B|A) =
2
5
=
2/9
5/9
=
P(A B)
P(A)
Denisi:
Peluang bersyarat dari B diberikan A dinotasikan dengan P(B|A) diden-
isikan dengan :
P(B|A) =
P(A B)
P(A)
jika P(A) > 0
Contoh:
Dari suatu ruang sample populasi orang dewasa dibedakan atas laki-laki,
wanita , bekerja dan tidak bekerja, seperti pada tabel berikut:
bekerja tak bekerja jumlah
Pria 460 40 500
Wanita 140 260 400
Jumlah 600 300 900
Akan dipilih salah satu sample dari tabel diatas. Ada dua event diperhatikan
yaitu:
M : seorang pria dipilih
E : seorang yang terpilih adalah bekerja.
P(M|E) =
460
600
=
23
30
Misalkan n(A) adalah jumlah element dari A, dengan notasi ini diperoleh:
P(M|E) =
n(E M)
n(E)
=
n(E M)/n(S)
n(E)/n(S)
=
P(E M)
P(E)
Untuk memeriksa hasil ini dapat diambil data diatas:
P(E) =
600
900
=
2
3
dan P(E M) =
460
900
=
23
45
Sehingga:
P(M|E) =
23/45
2/3
=
23
30
sama dengan hasil diatas
2.7 Event Independent (saling lepas)
Denisi:
Dua event A dan B independent jika dan hanya jika:
P(B|A) = P(B) dan P(A|B) = P(A)
jika tidak demikian maka dependent.
Contoh:
Pengambilan dua kartu dimana kartu pertama adalah ACE, kemudian dikem-
balikan lagi. Pengambilan yang kedua adalah SPADE. Misalkan A adalah
event pertama dan B event kedua, maka
P(B|A) = P(B) =
13
52
2.8. ATURAN PERKALIAN 13
2.8 Aturan Perkalian
Teorema:
Jika dalam suatu eksperimen dua event A dan B dapat terjadi maka:
P(A B) = P(A)P(B|A)
Contoh:
Misalkan dalam suatu box terdapat 20 sekering, 5 diantaranya putus. Akan
diambil dua secara random dengan pengambilan pertama tanpa dikemba-
likan. Tentukan peluang keduanya putus.
Jawab:
Peluang pertama putus adalah
5
20
=
1
4
yang kedua putus adalah
4
19
, sehingga
P(A B) =
_
1
4
__
4
19
_
=
1
19
Contoh:
Satu tas pertama berisi 4 bola putih dan 3 bola hitam. Tas kedua berisi 3
bola putih dan 5 bola hitam. Satu bola diambil dari tas pertama dimasukkan
ke tas kedua (secara random). Tentukan peluang mengambil satu bola dari
tas kedua berwarna hitam.
Jawab:
Misalkan B
1
, B
2
dan W
1
mewakili pengambilan bola hitam dari tas 1, bola
hitam dari tas 2 dan bola putih dari tas 1. Event yang dimaksud adalah
B
1
B
2
digabung dengan W
1
B
2
, peluang dari event tersebut adalah:
P[(B
1
B
2
) or (W
1
B
2
)] = P(B
1
B
2
) + P(W
1
B
2
)
= P(B
1
)P(B
2
|B
1
) + P(W
1
)P(B
2
|W
1
)
=
_
3
7
__
6
9
_
+
_
4
7
__
5
9
_
=
_
38
63
_
Teorema:
Dua even A dan B adalah independent jika dan hanya jika
P(A B) = P(A)P(B)
Contoh:
Sepasang dadu dilempar dua kali. Tentukan peluang jumlah 7 dan 11.
Jawab:
Misalkan
A
1
: pelemparan pertama berjumlah 7
A
2
: pelemparan kedua berjumlah 7
B
1
: pelemparan pertama berjumlah 11
B
2
: pelemparan kedua berjumlah 11
P[(A
1
B
2
) (B
1
A
2
)] = P(A
1
B
2
) +P(B
1
A
2
)
= P(A
1
)P(B
2
) +P(B
1
)P(A
2
)
=
_
1
6
__
1
18
_
+
_
1
18
__
1
6
_
=
1
54
Teorema:
Jika dalam suatu eksperimen event-event A
1
, A
2
, A
3
, ..., A
k
dapat terjadi,
maka
P(A
1
A
2
A
3
...A
k
) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
A
2
)...P(A
k
|A
1
A
2
...A
k1
)
Jika event-event A
1
, A
2
, A
3
, ..., A
k
saling lepas (independent) maka:
P(A
1
A
2
A
3
... A
k
) = P(A
1
)P(A
2
)P(A
3
)...P(A
k
)
Contoh:
Tiga lembar kartu diambil secara berturutan tidak dikembalikan. Tentukan
peluang dari event A
1
A
2
A
3
dimana:
A
1
: kartu pertama adalah ACE merah
A
2
: kartu kedua adalah 10 atau JACK
A
3
: kartu ketiga lebih besar dari 3 dan kurang dari 7
Jawab:
P(A
1
) =
2
52
P(A
2
|A
1
) =
8
51
P(A
3
|A
1
A
2
) =
12
50
Sehingga diperoleh:
P(A
1
A
2
A
3
) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
A
2
)
=
_
2
52
__
8
51
__
12
50
_
=
8
5525
2.9. ATURAN BAYES 15
2.9 Aturan Bayes
bekerja tak bekerja jumlah
Pria 460 40 500
Wanita 140 260 400
Jumlah 600 300 900
Dari tabel tersebut, ada suatu klub Rotary yang akan mempromosikan
pabrik baru, dimana anggota dari klub tersebut 36 orang bekerja dan 12
orang tidak bekerja. Misalkan klub Rotary tersebut direpresentasikan den-
gan event A. Tentuka peluang dari anggota klub terpilih, hitung P(A).
A = (E A) (E
A)
P(A) dapat dihitung sebagai berikut:
P(A) = P[(E A) (E
A)]
= P(E A) +P(E
A)
= P(E)P(A|E) +P(E
)P(A|E
)
Dengan memasukkan nilai dari tabel tersebut diperoleh:
P(E) =
600
900
=
2
3
P(A|E) =
36
600
=
3
50
Dan
P(E
) =
1
3
P(A|E
)
12
300
=
1
25
Sehingga diperoleh :
P(A) =
2
3
3
50
+
1
3
1
25
=
4
75
Teorema:(Aturan eliminasi)
Jika event B
1
, B
2
, ..., B
k
membentuk partisi dari ruang sample S, demikian
sehingga P(B
i
) = 0 untuk i = 1, 2...k maka untuk sebarang event A dari S
berlaku:
P(A) =
k
i=1
P(B
i
A) =
k
i=1
P(B
i
)P(A|B
i
)
Bk
A
B4
B1
B2
B3
Figure 2.2: Digram venn untuk contoh diatas
Bukti:
Dari diagram Venn:
A = (B
1
A) (B
2
A) (B
k
A)
Dengan teorema sebelumnya peluangnya adalah:
P(A) = P[(B
1
A) (B
2
A) (B
k
A)]
= P(B
1
A) +P(B
2
A) +... +P(B
k
A)
=
k
i=1
P(B
i
A) =
k
i=1
P(B
i
)P(A|B
i
)
Contoh:
Dalam suatu industri perakitan, tiga mesin B
1
, B
2
dan B
3
menghasilkan
30%, 45% dan 25% produk. Diketahui dari pengalaman sebelumnya 2%,
3%, 2% dari produknya mengalami dekeftif. Diambil satu produk jadi secara
random, tentukan peluang produk tersebut defektif.
Jawab:
Event-event yang ada, misalkan:
A: produk yang defektif
B
1
:produk yang dibuat oleh mesin B
1
B
2
2
B
3
3
Dengan menggunakan aturan eliminasi:
P(A) = P(B
1
)P(A|B
1
) +P(B
2
)P(A|B
2
) +P(B
3
)P(A|B
3
)
2.9. ATURAN BAYES 17
Dengan memasukkan nilai diatas diperoleh:
P(B
1
)P(A|B
1
) =(0.3)(0.02) = 0.006
P(B
2
)P(A|B
2
) =(0.45)(0.03) = 0.0135
P(B
3
)P(A|B
3
) =(0.25)(0.02) = 0.005
Sehingga diperoleh:
P(A) = 0.006 + 0.0135 + 0.005 = 0.0245
Teorema:
(Aturan Bayes) Jika event-event B
1
, B
2
, ..., B
k
membangun partisi dari ru-
ang sample S, dimana P(B
i
) = 0 untuk i = 1, 2, ..., k, maka untuk sebarang
event A dalam S dan P(A) = 0,
P(B
r
|A) =
P(B
r
A
k
i=1
P(B
i
A)
=
P(B
r
)P(A|B
r
)
k
i=1
P(B
i
)P(A|B
i
)
untuk r = 1, 2, ...k
Bukti:
Dari teorema sebelumnya diperoleh:
P(B
r
|A) =
P(B
r
A
P(A)
=
P(B
r
A
k
i=1
P(B
i
A)
Contoh:
Dari soal sebelumnya pertanyaanya dibalik, jika sebuah produk diambil dan
ternyata rusak (defektif), tentukan peluang produk tersebut dibuat oleh
mesin B
3
Jawab:
Dengan menerapkan aturan Bayes:
P(B
3
|A) =
P(B
3
)P(A|B
3
)
P(B
1
)P(A|B
1
) +P(B
2
)P(A|B
2
) +P(B
3
)P(A|B
3
)
Dengan memasukkan nilainya diperoleh:
P(B
3
|A) =
0.005
0.006 + 0.0135 + 0.005
=
0.005
0.0145
=
10
49
Bab 3
Variable Random dan
Distribusi Peluang
3.1 Konsep Variable Random
Dari eksperimen pengambilan sample baik dan defektif diperoleh ruang sam-
ple:
S = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
Misalkan kita tertarik pada sample yang rusak (defektif). Dari tiap elemen
sample tersebut dapat kita berikan nilai (dipadankan) 0,1,2,3 yang meny-
atakan banyaknya sample yang rusak.
Denisi:
Sebuah variable random X pada ruang sample S adalah fungsi X : S
yang memadankan sebuah bilangan real X(s) dengan setiap titik sample
s S.
Variable random dinotasikan dengan huruf besar X dan huruf kecil x yang
menyatakan nilai dari variable random tersebut.
Contoh:
Dua buah bola diambil secara berturutan tanpa penggantian dari sebuat pot
yang berisi 4 warna merah dan 3 warna hitam. Misalkan Y adalah variable
random yang menyatakan warna merah maka y dituliskan pada Tabel 3.1
19
20 BAB 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG
Contoh:
Ruang sample y
RR 2
RB 1
BR 1
BB 0
Table 3.1: Pengambilan bola
Seorang penjaga penitipan helm, mengembalikan 3 helm kepada orang yang
punya sesuai dengan urutan. Misalkan M adalah variable random yang
menyatakan kesesuaian dengan pemiliknya, maka M dapat ditabelkan pada
Tabel 3.2.
Ruang sample m
SJB 3
SBJ 1
JSB 1
JBS 0
BSJ 0
BJS 1
Table 3.2: Pencocokan helm
Dua contoh diatas menyatakan ruang sample yang berhingga. Seba-
liknya, sebuah dadu dilempar sampai angka 5 muncul, maka ruang sample
S dapat dituliskan:
S = {F, NF, NNF, NNNF, ..., }
dimana simbol F menyatakan 5.
Denisi:
Jika sebuah ruang sample berisi sejumlah hingga kemungkinan atau barisan
tak hingga sebanyak dari elemennya disebut dengan ruang sample diskrit.
Denisi:
Jika sebuah ruang sample berisi sejumlah tak hingga kemungkinan sama
dengan sejumlah titik pada sebuah segmen garis maka disebut dengan ru-
ang sample kontinu.
3.2. DISTRIBUSI PELUANG DISKRIT 21
m 0 1 3
P(M = m)
1
3
1
2
1
6
Table 3.3: Distribusi peluang
3.2 Distribusi Peluang Diskrit
Setiap variable random diskrit mempunyai nilai yang menyatakan peluang
dari variabel tersebut. Misalkan contoh dari sebelumnya (penjaga helm)
nilai yang menyatakan peluang dituliskan pada Tabel 3.3. Untuk kemudahan
biasanya untuk menyatakan semua nilai peluang dari variable random X
dengan sebuah rumus/ fungsi, f(x), g(x), r(x) dan seterusnya. Misalkan
f(x) = P(X = x), kumpulan pasangan terurut (x, f(x) disebut dengan
fungsi peluang atau distribusi peluang dari variable random X.
Denisi:
Kumpulan pasangan terurut (x, f(x) disebut dengan fungsi peluang, atau
fungsi massa peluang dari variable random diskrit X, jika setiap kejadian
x dipenuhi:
1. f(x) 0
2.
x
f(x) = 1
3. P(X = x) = f(x)
Contoh:
Pengiriman 8 buah komputer serupa ke penjual berisi 3 defektif. Jika seko-
lah akan membeli 2 buah tentukan distribusi peluang komputer tersebut
defektif.
Jawab:
Misalkan X menyatakan variable random yang bernilai x jumlah yang rusak/defektif,
maka
f(0) = P(X = 0) =
_
3
0
__
5
2
_
_
8
2
_ =
10
28
f(1) = P(X = 1) =
_
3
1
__
5
1
_
_
8
2
_ =
15
28
f(2) = P(X = 2) =
_
3
2
__
5
0
_
_
8
2
_ =
3
28
Sehingga distribusi peluang X adalah:
x 0 1 2
f(x) 10/26 15/28 3/28
Table 3.4: Tabel distribusi
Denisi:
Distribusi kumulatif F(x) dari variable random diskrit X dengan distribusi
peluang f(x) adalah:
F(x) = P(X x) =
tx
f(t) untuk < x <
Contoh:
Dari contoh penjaga helm dapat dihitung:
F(2.4) = P(M 2.4) = f(0) +f(1) =
1
3
+
1
2
=
5
6
Distribusi peluang dari M adalah:
F(m) =
_
_
0 untuk m < 0
1
3
untuk 0 m < 1
5
6
untuk 1 m < 3
1 untuk m 3
3.3. DISTRIBUSI PELUANG KONTINU 23
x
0 1 2 3
1
5/6
2/6
F(x)
Figure 3.1: Distribusi kumulatif diskrit
3.3 Distribusi Peluang Kontinu
Variable random kontinu ada peluang yang bernilai nol, oleh karena itu dis-
tribusi peluang tidak dapat dituliskan dalam bentuk tabel. Jika X kontinu
maka :
P(a < X b) = P(a < X < b) +P(X = b) = P(a < X < b)
Dan dihitung sbb:
P(a < X < b) =
_
b
a
f(x)dx
Denisi:
Fungsi f(x) adalah fungsi densitas peluang untuk variable random kon-
tinu X, didenisikan pada bilangan real , jika:
1. f(x) 0, x
2.
_
f(x)dx = 1,
3. P(a < X < b) =
_
b
a
f(x)dx
Contoh:
Kesalahan pengukuran temperatur dinyatakan dengan variable random X
dengan fungsi densitas yang didenisikan sbb:
f(x) =
_
_
_
x
2
3
1 < x < 2
0 untuk x yang lain
a
f(x)
x
b
Figure 3.2: P(a < X < b)
a). Periksa syarat 2 dari dinisi diatas.
b). Hitunglah P(0 < X 1)
Jawab:
a).
_

f(x)dx =
_
2
1
x
2
3
=
8
9
+
1
9
= 1
b). P(0 < X 1) =
_
1
0
x
2
3
dx =
1
9
Denisi:
Distribusi kumulatif F(x) dari variable random kontinu X dengan fdp f(x)
adalah:
F(x) = P(X x) =
_
x
f(t)dt untuk < x < .

Akibat dari denisi diatas dapat dituliskan:
P(a < x < b) = F(b) F(a) dan f(x) =
dF(x)
dx
Contoh:
Dari fdp soal sebelumnya tentukan F(x) kemudian gunakan untuk menghi-
tung P(0 < X 1)
3.4. DISTRIBUSI EMPIRIK 25
Jawab:
Untuk 1 < x < 2
F(x) =
_
x
f(t)dt =
_
x
t
2
3
dt =
x
3
+ 1
9
Sehingga:
F(x) =
_
_
0 x 1
x
3
+ 1
9
1 x < 2
1 x 2
Untuk menghitung P(0 < X 1):
P(0 < X 1) = F(1) F(0) =
2
9

1
9
=
1
9
3.4 Distribusi Empirik
Pasal sebelumnya membahas tentang distrisbusi diskrit dan kontinu. Jika
data tidak dapat dikarakteristikan ke dalam kedua bentuk tersebut, mis-
alkan informasi tidak cukup, maka direpresentasikan dengan distribusi em-
pirik. Distribusi empirik mengelompokkan data ke dalam suatu interval,
dimana frekuensi data dalam setiap interval dapat digunakan untuk menen-
tukan frekuensi relatifnya. Frekuensi relatif dapat digambarkan/diplot dalam
bentuk histogram. Misalkan diberikan sekolompok data yang sudah dihitung
frekuensi dan frekuensi relatifnya seperti Tabel 3.5. Dari tabel tersebut da-
pat diplot dalam histogram seperti Gambar 3.4.
Interval ttk tengah Frekuensi Frek. relatif
1.5-1.9 1.7 2 0.050
2.0-2.4 2.2 1 0.025
2.5-2.9 2.7 4 0.100
3.0-3.4 3.2 15 0.375
3.5-3.9 3.7 10 0.250
4.0-4.4 4.2 5 0.125
4.5-4.9 4.7 3 0.075
Table 3.5: Distribusi frekuensi relatif dari umur battery
f
r
e
k
u
e
n
s
i

r
e
l
a
t
i
f
0
0.125
0.375
0.250
1.7 2.2 2.7 3.7 4.2 4.7 3.2
umur battery
Figure 3.3: Histogram frekuensi relatif
3.5 Distribusi Peluang Gabungan
Jika X dan Y dua variabel random diskrit, maka distribusi peluang un-
tuk kejadian simultan dapat direpresentasikan dengan fungsi f(x, y) un-
tuk setiap pasangan (x, y). Fungsi ini disebut dengan distribusi peluang
gabungan dari variabel random X dan Y . Untuk kasus diskrit dituliskan:
f(x, y) = P(X = x, Y = y)
Denition:
Fungsi f(x, y) adalah distribusi peluang gabungan atau fungsi masa
peluang dari variabel random diskrit X dan Y jika:
1.f(x, y) 0 untuk semua (x, y)
2.
y
f(x, y) = 1
3.P(X = x, Y = y) = f(x, y)
Untuk daerah sebarang A dalam bidang xy, P[(x, y) A] =
f(x, y).
Contoh:
Dua isi ulang dari ballpoint diambil dari box yang berisi 3 warna biru, 2
warna merah dan 3 warna hijau. Jika X menyatakan jumlah warna biru
3.5. DISTRIBUSI PELUANG GABUNGAN 27
dan Y menyatakan jumlah warna warna merah, tentukan:
a). fungsi peluang gabungan f(x, y) dan
b). P[(X, Y ) A] dimana A adalah daerah {(x, y)|x +y 1}
Jawab:
a). Nilai pasangan yang mungkin dari (x, y) adalah (0, 0), (0, 1), (1, 0), (1, 1), (2, 0), (0, 2).
Jumlah semua kemungkinan pengambilan adalah
_
8
2
_
= 28. Dalam bentuk
tabel dapat dituliskan:
f(x,y) x=0 x=1 x=2 total baris
y=0
3
28
9
28
3
28
15
28
y=1
3
14
3
14
3
7
y=2
1
28
1
28
total kolom
5
14
15
28
3
28
1
Table 3.6: Distribusi peluang gabungan
Dituliskan dalam bentuk rumus adalah:
f(x, y) =
_
3
x
__
2
y
__
3
2 x y
_
_
8
2
_
Untuk x = 0, 1, 2; y = 0, 1, 2; 0 x +y 2
b).
P[(X, Y ) A] = P(X +Y 1)
= f(0, 0) +f(0, 1) +f(1, 0)
=
3
28
+
3
14
+
9
28
=
9
14
Denisi:
Fungsi f(x, y) adalah fungsi densitas gabungan dari variabel random
kontinu X dan Y jika:
1.f(x, y) 0 untuk semua (x, y)
2.
_

f(x, y)dxdy = 1
3.P[(X, Y ) A] =
__
A
f(x, y)dxdy
untuk sebarang daerah A dalam bidang xy
Contoh:
Diberikan fungsi densitas gabungan dari variabel random kontinu X dan Y
sbb:
f(x, y) =
_
_
_
2
5
(2x + 3y), 0 x 1, 0 y 1
0 untuk x yang lain
a). Periksa kondisi 2). dari denisi diatas
b). Tentukan P[(X, Y ) A], A adalah daerah {(x, y)|0 < x <
1
2
,
1
4
< y <
1
2
}
Jawab:
a).
_

f(x, y)dxdy =
_
1
0
_
1
0
2
5
(2x + 3y)dxdy
=
2
5
+
3
5
= 1
b).
P[(X, Y ) A] = P(0 < x <
1
2
,
1
4
< y <
1
2
)
=
_ 1
2
1
4
_ 1
2
0
2
5
(2x + 3y)dxdy
=
13
160
Denisi:
Distribusi marginal dari X dan Y adalah:
g(x) =
y
f(x, y) dan h(y) =
x
f(x, y)
untuk kasus diskrit, dan
g(x) =
_

f(x, y)dy dan h(y) =

_

f(x, y)dx
untuk kasus kontinu.
Contoh:
Dari Tabel 3.6, tentukan distribusi marginal dari X dan Y
Jawab:
Untuk variabel random X dapat dihitung sbb: (satunya sebagai latihan)
P(X = 0) = g(0) =
2
y=0
f(0, y) = f(0, 0) +f(0, 1) +f(0, 2)
=
3
28
+
3
14
+
1
28
=
5
14
P(X = 1) = g(1) =
2
y=0
f(1, y) = f(1, 0) +f(1, 1) +f(1, 2)
=
9
28
+
3
14
+ 0 =
15
28
P(X = 2) = g(2) =
2
y=0
f(2, y) = f(2, 0) +f(2, 1) +f(2, 2)
=
3
28
+ 0 + 0 =
3
28
Dalam bentuk tabel sebagai berikut:
x 0 1 2
g(x) 5/14 15/28 3/28
Contoh:
Tentukan g(x) dan h(y) dari contoh sebelumnya.
g(x) =
_

f(x, y)dy =
_
1
0
2
5
(2x + 3y)dy =
4x + 3
5
untuk 0 x 1 dan g(x) = 0 untuk x yang lain. Dengan cara yang sama,
h(y) =
_

f(x, y)dx =
_
1
0
2
5
(2x + 3y)dx =
2(1 + 3y)
5
untuk 0 y 1 dan h(y) = 0 untuk y yang lain.
Denisi:
Misalkan X dan Y dua variabel random, diskrit atau kontinu. Distribusi
bersyarat dari variabel random Y , diberikan X = x adalah:
f(y|x) =
f(x, y)
g(x)
, g(x) > 0
Distribusi bersyarat dari variabel random X, diberikan Y = y adalah:
f(x|y) =
f(x, y)
h(y)
, h(y) > 0
Contoh:
Dari contoh sebelumnya, tentukan distribusi bersyarat dari X diberikan
Y = 1.
Jawab:
Akan dihitung f(x|y), dimana y = 1.
h(1) =
2
x=0
f(x, 1) =
3
14
+
3
14
+ 0 =
3
7
Kemudian dihitung:
f(x|1) =
f(x, 1)
h(1)
=
7
3
f(x, 1), x = 0, 1, 2.
Sehingga diperoleh:
f(0|1) =
7
3
f(0, 1) =
1
2
f(1|1) =
7
3
f(1, 1) =
1
2
f(2|1) =
7
3
f(2, 1) = 0
Dalam bentuk tabel:
x 0 1 2
f(x|1) 1/2 1/2 0
Contoh:
Diberikan fungsi densitas gabungan:
f(x, y) =
_
_
_
x(1 + 3y
2
)
4
, 0 x 2, 0 y 1
0 untuk x yang lain
Tentukan g(x), h(y), f(x|y), kemudian hitung P(
1
4
< X <
1
2
|Y =
1
3
)
Jawab:
Dari denisi:
g(x) =
_

f(x, y)dy =
_
1
0
x(1 + 3y
2
)
4
dy =
x
2
, 0 x 2
Dengan cara yang sama:
h(y) =
_

f(x, y)dx =
_
2
0
x(1 + 3y
2
)
4
dx =
1 + 3y
2
2
, 0 y 1
Kemudian dihitung:
f(x|y) =
f(x, y)
h(y)
=
x
2
dan
P(
1
4
< X <
1
2
|Y =
1
3
) =
_ 1
2
1
4
x
2
dx = 3/64
Bab 4
Ekspektasi Matematika
4.1 Rataan dari Variabel Random
Jika dua buah mata uang dilempar sebanyak 16 kali, misalkan X adalah
jumlah muka yang muncul, maka X dapat bernilai 0,1,dan 2. Misalkan
eksperimen tadi menghasilkan dengan frekuensi sbb: tanpa muka sebanyak
4 kali, muncul 1 muka sebanyak 7 kali, dan muncul 2 muka sebanyak 5 kali.
Maka rata-rata muncul muka dari setiap pelemparan adalah:
(0)(4) + (1)(7) + (2)(5)
16
= 1.06
Nilai tersebut adalah nilai rataan tidak harus nilai yang terjadi dari suatu
eksperimen.
Kalau mata uang tersebut rata (fair) antara muka dan belakang, maka
peluang dari P(X = 0) =
1
4
, P(X = 1) =
1
2
, dan P(X = 2) =
1
4
, sehingga
rataan dari X adalah:
= E(X) = (0)
_
1
4
_
+ (1)
_
1
2
_
+ (2)
_
1
4
_
Artinya jika seseorang melempar dua mata uang terus-menerus maka rata-
rata akan mendapatkan 1 muka pada setiap pelemparan
33
34 BAB 4. EKSPEKTASI MATEMATIKA
Denisi:
Jika X adalah variabel random dengan distribusi peluang f(x). Rataan atau
nilai ekspektasi dari X adalah:
= E(X) =
x
xf(x)
jika X diskrit, dan
= E(X) =
_

xf(x)dx
jika X kontinu.
Contoh:
Suatu produk terdiri dari 7 komponen diambil sebagai sample, dimana ter-
diri dari 4 komponen baik dan 3 komponen rusak. Jika diambil tiga dari
produk tersebut tentukan rataan dari jumlah produk yang baik.
Jawab:
Distribusi peluang dari X adalah:
f(x) =
_
4
x
__
3
3 x
_
_
7
3
_ , x = 0, 1, 2, 3
= E(X) =(0)f(0) + (1)f(1) + (2)f(2) + (3)f(3)
=(0)
_
1
35
_
+ (1)
_
12
35
_
+ (2)
_
18
35
_
+ (3)
_
4
35
_
=
12
7
Contoh:
MisalkanX adalah variabel random dengan distribusi peluang:
f(x) =
_
_
_
20000
x
3
, x > 100
0 untuk x yang lain
Hitunglah rataan dari X
Jawab:
= E(X) =
_

100
x
20000
x
3
dx = 200
4.1. RATAAN DARI VARIABEL RANDOM 35
Teorema:
Misalkan X variabel random dengan distribusi peluang f(x). Rataan atau nilai
ekspektasi dari variabel random g(x) adalah:
g(X)
= E[g(X)] =
g(x)f(x)
jika X diskrit, dan
g(X)
= E[g(X)] =
_

g(x)f(x)dx
jika X kontinu.
Contoh:
Misalkan frekuensi mobil yang masuk pencucian mobil X adalah sbb:
x 4 5 6 7 8 9
P(X = x)
1
12
1
12
1
4
1
4
1
6
1
6
Misalkan g(X) = 2X1 merepresentasikan uang hasil dari pencucian mobil
tersebut. Tentukan rataan yang diperoleh dari pencucian mobil tersebut.
Jawab:
E[g(X)] = E(2X 1)
=
9
x=4
(2x 1)f(x)
= (7)
_
1
12
_
+ (9)
_
1
12
_
+ (11)
_
1
4
_
+ (13)
_
1
4
_
+ (15)
_
1
6
_
+ (17)
_
1
6
_
= 12.67
Denisi:
Misalkan X dan Y adalah variabel random dengan fungsi densitas gabungan
f(x,y). Rataan atau ekspektasi dari dari variabel random g(x, y) adalah:
g(X,Y )
= E[g(X, Y )] =
y
g(x, y)f(x, y)
jika X dan Y diskrit, dan
g(X,Y )
= E[g(X, Y )] =
_

g(x, y)f(x, y)dxdy

jika X dan Y kontinu.
Contoh:
Hitunglah E
_
Y
X
_
dengan fungsi densitas sbb:
f(x, y) =
_
_
_
x(1 + 3y
2
)
4
, 0 x 2, 0 y 1
0 untuk x yang lain
Jawab:
E
_
Y
X
_
=
_
1
0
_
2
0
y(1 + 3y
2
)
4
dxdy =
5
8
Jika g(X, Y ) = X diperoleh:
E(X) =
_
y
xf(x, y) =
x
xg(x) untuk kasus diskrit
xf(x, y)dxdy =
xg(x)dx untuk kasus kontinu

dimana g(x) adalah distribusi marginal dari X.
Dengan cara yang serupa untuk variabel random Y :
E(Y ) =
_
y
yf(x, y) =
y
yh(y) untuk kasus diskrit
yf(x, y)dxdy =
yh(y)dy untuk kasus kontinu

4.2. VARIANSI DAN KOVARIANSI 37
dimana h(y) adalah distribusi marginal dari Y .
4.2 Variansi dan Kovariansi
Denisi:
Misalkan X adalah variabel random dengan distribusi peluang f(x) dan rataan
. Variansi dari X adalah:
2
= E[(X )
2
] =
x
(x )
2
f(x)
jika X diskrit, dan
2
= E[(X )
2
] =
(x )
2
f(x)dx
jika X kontinu. Akar kuadrat dari variansi disebut dengan standar devi-
asi/simpangan baku dari X.
Contoh:
Diberikan distribusi peluang sbb:
x 1 2 3
f(x) 0.3 0.4 0.3
Hitunglah variansi dari X
Jawab:
= E(X) = (1)(0.3) + (2)(0.4) + (3)(0.3) = 2.0
2
=
3
x=1
(x 2)
2
f(x) = (1 2)
2
(0.3) + (2 2)
2
(0.4) + (3 2)
2
(0.3) = 0.6
Teorema:
Variansi dari variabel random X adalah
2
= E(X
2
)
2
Contoh:
Diberikan distribusi diskrit dari variabel random X sbb:
x 0 1 2 3
f(x) 0.51 0.38 0.10 0.01
Hitunglah variansi dari X
Jawab:
= (0)(0.51) + (1)(0.38) + (2)(0.10) + (3)(0.01) = 0.61
E(X
2
) = (0)(0.51) + (1)(0.38) + (4)(0.10) + (9)(0.01) = 0.87
2
= 0.87 (0.61)
2
= 0.4979
Contoh:
Diberikan fdp dari X sbb:
f(x) =
_
_
_
2(x 1), 1 < x < 2
0 untuk x yang lain
Hitunglah rataan dan variansi dari X
Jawab:
= E(X) = 2
_
2
1
x(x 1)dx =
5
3
E(X
2
) = 2
_
2
1
x
2
(x 1)dx =
17
6
Sehingga:
2
=
17
6

_
5
2
_
2
=
1
18
Teorema:
Misalkan X adalah variabel random dengan densitas f(x). Variansi dari variabel
random g(X) adalah:
2
g(X)
= E[(g(X)
g(X)
)
2
] =
x
[g(X)
g(X)
]
2
f(x)
jika X diskrit, dan
2
g(X)
= E[(g(X)
g(X)
)
2
] =
[g(X)
g(X)
]
2
f(x)dx
jika X kontinu.
Contoh:
Hitunglah variansi dari g(X) = 2X + 3, dimana X adalah variabel random
dengan distribusi peluang
x 0 1 2 3
f(x) 1/4 1/8 1/2 1/8
Jawab:
2X+3
= E(2X + 3) =
3
x=0
(2x + 3)f(x) = 6
menggunakan teorema diatas diperoleh:
2
2X+3
= E{[(2X + 3)
2X+3
]
2
} = E{[2X + 3 6]
2
}
= E(4X
2
12X + 9) =
3
x=0
(4X
2
12X + 9)f(x) = 4
Denisi:
Misalkan X dan Y adalah variabel random dengan distribusi peluang gabungan
f(x, y). Kovariansi dari X dan Y adalah:
XY
= E[(X
X
)(Y
Y
)] =
y
(x
X
)(y
Y
)f(x, y)
jika X dan Y diskrit, dan
XY
= E[(X
X
)(Y
Y
)] =
(x
X
)(y
Y
)f(x, y)dxdy
jika X dan Y kontinu.
Kovariansi antara dua variabel random menunjukkan asosiasi antara dua
variabel tersebut, jika kedua variabel tersebut bergerak kearah yang sama
maka hasil kali (X
X
)(Y
Y
) bernilai positif, jika bergerak kearah
berlawanan (X membesar dan Y mengecil), maka hasil kali tersebut akan
bernilai negatif.
Teorema:
Kovariansi dua variabel random X dan Y dengan rataan
X
dan
Y
adalah:
XY
= E(XY )
X
Y
Contoh:
Jumlah ballpoint warna biru X dan jumlah ballpoint warna merah Y , jika
dua diambil secara random dari box mempunyai distribusi sbb:
f(x,y) x=0 x=1 x=2 h(y)
y=0 2/28 9/28 3/28 15/28
y=1 3/14 3/14 3/7
y=2 1/28 1/28
g(x) 5/14 5/18 3/28 1
Hitunglah kovariansi dari X dan Y .
Jawab:
X
= E(X) =
2
x=0
2
y=0
xf(x, y) =
2
x=0
xg(x)
= (0)
_
5
14
_
+ (1)
_
15
28
_
+ (2)
_
3
28
_
=
3
4
Y
= E(Y ) =
2
x=0
2
y=0
yf(x, y) =
2
x=0
yh(y)
= (0)
_
15
28
_
+ (1)
_
3
7
_
+ (2)
_
1
28
_
=
1
2
Sehingga diperoleh:
XY
= E(XY )
X
Y
=
3
14

_
3
4
__
1
2
_
=
9
56
Contoh:
Pelari pria X dan pelari wanita Y mempunyai distribusi peluang gabungan:
f(x, y) =
_
_
_
8xy, 0 x 1, 0 y x
0 untuk x dan y yang lain
Hitunglah kovariansi X dan Y
Jawab:
Distribusi marginal dari X dan Y adalah:
g(x) =
_
_
_
4x
3
, 0 x 1
0 untuk x yang lain
h(y) =
_
_
_
4y(1 y
2
), 0 y 1
0 untuk y yang lain
Dari fungsi densitas marginal diatas diperoleh:
X
= E(X) =
_
1
0
4x
4
dx =
4
5

Y
= E(Y )
_
1
0
4y
2
(1 y
2
)dy =
8
15
E(XY ) =
1
_
0
1
_
y
8x
2
y
2
dxdy =
4
9
XY
= E(XY )
X
Y
=
4
9

_
4
5
__
8
15
_
=
4
225
4.3 Rataan dan Variansi dari Kombinasi linier Vari-
abel random
Teorema:
Jika a dan b adalah konstanta, maka
E(aX +b) = aE(X) +b
Contoh:
Dengan menggunakan teorema tersebut, hitunglah g(X) = 2X 1
Jawab:
E(2X 1) = 2E(X) 1
Kemudian E(X) dihitung dengan rumus sebelumnya E(X) =
x
xf(x) bila
x diskrit.
Teorema:
Nilai rataan dari jumlah atau selisih dua fungsi variabel random adalah jumlah
atau selisih dari nilai rataan dari fungsi tersebut.
E[g(X) h(X)] = E[g(X)] E[h(X)]
Contoh:
Permintaan minuman dalam liter per minggu dinyatakan dalam fungsi vari-
abel random g(X) = X
2
+X 2, dimana X mempunyai fungsi densitas:
f(x) =
_
_
_
2(x 1), 1 < x < 2
0 untuk x yang lain
4.3. RATAANDANVARIANSI DARI KOMBINASI LINIER VARIABEL RANDOM43
Tentukan nilai rataan dari permintaan minuman tersebut:
Jawab:
E(X
2
+X 2) = E(X
2
) +E(X) E(2) =
17
6
+
5
3
2 =
5
2
Teorema:
Nilai rataan dari jumlah atau selisih dua fungsi variabel random X dan Y adalah
jumlah atau selisih dari nilai rataan fungsi tersebut:
E[g(X, Y ) h(X, Y )] = E[g(X, Y )] E[h(X, Y )]
Teorema:
Misalkan X dan Y adalah dua variabel random yang saling bebas, maka
E(X, Y ) = E(X)E(Y )
Teorema:
Jika a dan b adalah konstanta maka
2
aX+b
= a
2
2
X
= a
2
2
Teorema:
Jika X dan Y adalah variabel random dengan distribusi peluang gabungan
f(x, y), maka
2
aX+bY
= a
2
2
X
+b
2
2
Y
+ 2ab
XY
Akibat:
Jika X dan Y variabel random saling bebas, maka
2
aXbY
= a
2
2
X
+b
2
2
Y
Contoh:
Jika X dan Y adalah variabel random dengan variansi
2
X
= 2
2
Y
= 4
dan kovariansi
XY
= 2, hitunglah variansi dari variabel random Z =
3X 4Y + 8
Jawab:
2
Z
=
2
3X4Y +8
=
2
3X4Y
= 9
2
X
+ 16
2
Y
24
XY
= 130
Teorema Chebyshev:
Probabilitas dari sebarang variabel random X dalam selang k simpangan baku
dari rataan sekurang-kurangnya 1 1/k
2
, atau
P( k < X < +k) 1
1
k
2
Bukti:
2
= E[(X )
2
]
=
(x )
2
f(x)dx
=
k
_
(x )
2
f(x)dx +
+k
_
k
(x )
2
f(x)dx +
_
+k
(x )
2
f(x)dx
k
_
(x )
2
f(x)dx +
_
+k
(x )
2
f(x)dx
Sekarang karena |x | k, maka berlaku (x )
2
k
2
2
. Sehingga
kedua suku terakhir dapat dituliskan:
k
_
k
2
2
f(x)dx +
_
+k
k
2
2
f(x)dx
atau
k
_
f(x)dx +
_
+k
f(x)dx
1
k
2
4.3. RATAANDANVARIANSI DARI KOMBINASI LINIER VARIABEL RANDOM45
Sehingga diperoleh:
P( k < X < +k) =
+k
_
k
f(x)dx 1
1
k
2
Contoh:
Variabel random X mempunyai rataan = 8 dan variansi
2
= 9 dan
distribusi peluang tidak diketahui. Tentukan:
a). P(4 < x < 20)
b). P(|x 8|) 6)
Jawab:
a). P(4 < X < 20) = P[8 (4)(3) < X < 8 + (4)(2)]
15
16
b).
P(|x 8| 6) = 1 P(|X 8| < 6)
= 1 P(6 < X 8 < 6)
= 1 P[8 (2)(3) < X < 8 + (2)(3)]
1
4
Bab 5
Beberapa Distribusi Peluang
Diskrit
5.1 Distribusi Uniform Diskrit
Distribusi Uniform diskrit adalah distribusi peluang diskrit yang paling
sederhana, dimana peluang dari setiap nilai variabel randomnya adalah
sama.
Distribusi Uniform Diskrit
Jika variabel random X mempunyai nilai x
1
, x
2
, ..., x
k
dengan peluang yang sama,
maka distribusi uniform diskrit didenisikan:
f(x; k) =
1
k
, x = x
1
, x
2
, ..., x
k
Contoh:
Jika sebuah dadu dilempar, maka setiap elemen dari ruang sampelnya S =
{1, 2, 3, 4, 5, 6} terjadi dengan peluang yang sama 1/6, sehingga kita mem-
punyai distribusi uniform:
f(x; 6) =
1
6
, x = 1, 2, 3, 4, 5, 6
Dapat digambarkan sbb:
47
48 BAB 5. BEBERAPA DISTRIBUSI PELUANG DISKRIT
6
f(x;6)
1/6
1 2 3 4 5
Figure 5.1: Histogram dari pelemparan dadu
Teorema:
Rataan dan variansi dari distribusi uniform diskrit f(x; k) adalah:
=
k
i=1
x
i
k
dan
2
=
k
i=1
(x
i
)
2
k
Contoh:
Hitunglah rataan dan variansi dari contoh sebelumnya:
=
1 + 2 + 3 + 4 + 5 + 6
6
= 3.5
2
=
(1 3.5)
2
+ (2 3.5)
2
+... + (6 3.5)
2
6
=
35
12
5.2 Distribusi Binomial dan Multinomial
Sebuah eksperimen sering terdiri dari percobaan yang dilakukan secara beru-
lang, dimana masing-masing kejadian terdiri dari sukses atau gagal. Con-
toh aplikasi adalah pengujian suatu produk untuk menentukan berapa jum-
lah yang rusak dari n pengujian. Proses demikian disebut dengan proses
Bernoulli, dimana masing-masing percobaan/pengujian bersifat indepen-
den (tidak bergantung pada percobaan sebelumnya).
5.2. DISTRIBUSI BINOMIAL DAN MULTINOMIAL 49
Proses Bernoulli
Proses Bernoulli mempunyai sifat-sifat sebagai berikut:
1. Eksperimen terdiri dari n ppercobaan yang berulang
2. Setiap hasil percobaan dapat diklasikasikan sukses atau gagal
3. Peluang dari sukses adalah p, yang bersifat tetap setiap kali percobaan
4. Percobaan berulang tersebut bersifat independen
Misalkan kumpulan dari percobaan Bernoulli dimana 3 item dipilih se-
cara random dari proses manufaktur, diperiksa kemudian diklasikasikan
baik (N) dan rusak (D). Misalkan X adalah variabel random yang meny-
atakan jumlah baik (tidak rusak). Nilai yang mungkin dari X adalah 0,1,2,3
seperti pada tabel berikut:
Kejadian x
NNN 0
NDN 1
NND 1
DNN 1
NDD 2
DND 2
DDN 2
DDD 3
Karena item dipilih secara independen dari proses yang mempunyai peluang
25% defektif (D), maka
P(NDN) = P(N)P(D)P(N) =
_
3
4
__
1
4
__
3
4
_
=
9
64
Distribusi peluang dari X secara lengkap adalah:
x 0 1 2 3
f(x)
27
64
27
64
9
64
1
64
Jumlah sukses X dari n percobaan Bernoulli disebut dengan variabel
random binomial. Distribusi peluang dari variabel random diskrit ini dise-
but dengan distribusi binomial, dan nilainya dinotasikan dengan b(x; n, p),
misalkan:
P(X = 2) = f(2) = b(2; 3,
1
4
) =
9
64
Distribusi Binomial
Sebuah percobaan Bernoulli dapat menghasilkan sukses dengan peluang p dan
gagal dengan peluang q = 1 p. Maka distribusi peluang dari variabel random
binomial X, jumlah sukses dari n percobaan yang independen adalah:
b(x; n, p) =
_
n
x
_
p
x
q
nx
, x = 0, 1, 2, ..., n
Contoh:
Peluang seorang pasien sembuh dari suatu penyakit adalah 0.4. Jika 15
orang terjangkit penyakit ini, tentukan peluang: a). sekurang-kurang nya
10 orang bisa sembuh, b). dari 3 sampai dengan 8 bisa sembuh, c). tepat 5
orang bisa sembuh.
Jawab:
Misalkan X adalah jumlah orang yang sembuh,
(a).P(X 10) = 1 P(X < 10) = 1
9
x=0
b(x; 15, 0.4) = 1 0.9662
= 0.0338
(b).P(3 X 8) =
8
x=3
b(x; 15, 0.4)
=
8
x=0
b(x; 15, 0.4)
2
x=0
b(x; 15, 0.4) = 0.9050 0.0271
= 0.8779
(c).P(X = 5) = b(5; 15, 0.4) =
5
x=0
b(x; 15, 0.4)
4
x=0
b(x; 15, 0.4)
= 0.4032 0.2173 = 0.1859
5.2. DISTRIBUSI BINOMIAL DAN MULTINOMIAL 51
Teorema:
Rataan dan variansi dari distribusi binomial b(x; n, p) adalah:
= np dan
2
= npq
Eksperimen Multinomial
Eksperimen dapat dikembangkan menjadi multinomial bila, tiap percobaan
menghasilkan lebih dari dua kejadian, jadi tidak hanya sukses dan gagal.
Misalkan pengambilah kartu dengan pengembalian adalah percobaan multi-
nomial. Dari rumus binomial dapat dikembangkan menjadi:
_
n
x
1
, x
2
, ..., x
k
_
=
_
n!
x
1
!, x
2
!, ..., x
k
!
_
Distribusi Multinomial
Jika suatu percobaan dapat menghasilkan k kejadian E
1
, E
2
, ..., E
k
dengan pelu-
ang p
1
, p
2
, ..., p
k
, maka distribusi peluang dari variabel random X
1
, X
2
, ..., X
k
,
yang mewakili nilai dari kejadian E
1
, E
2
, ..., E
k
dalam n percobaan yang inde-
penden adalah:
f(x
1
, x
2
, ..., x
k
; p
1
, p
2
, ..., p
k
, n) =
_
n
x
1
, x
2
, ..., x
k
_
p
x
1
1
p
x
2
2
...p
x
k
k
dimana
k
i=1
x
i
= n dan
k
i=1
p
i
= 1
Contoh:
Sepasang dadu dilempar sebanyak 6 kali, tentukan peluang memperoleh jum-
lah 7 atau 11 sebanyak dua kali, angka yang sama sekali, dan kombinasi
sisanya sebanyak 3 kali.
Jawab:
Misalkan:
E
1
: terjadi jumlah 7 atau 11
E
2
: terjadi angka yang sama
E
3
: bukan dari dua tersebut (kombinasi sisanya)
Peluang dari E
1
, E
2
, E
3
masing-masing adalah p
1
= 2/9, p
2
= 1/6, p
3
=
11/18 (periksa sendiri!). Dengan distribusi multinomial dengan x
1
= 2, x
2
=
1, x
3
= 3, diperoleh:
f(2, 1, 3;
2
9
,
1
6
,
11
18
, 6) =
_
6
2, 1, 3
__
2
9
_
2
_
1
6
_
3
_
11
18
_
3
=
6!
2!1!3!
.
2
2
9
2
.
1
6
.
11
3
18
3
= 0.1127
5.3 Distribusi Hypergeometric
Distribusi hypergeometric mempunyai sifat-sifat sebagai berikut:
1. Sebanyak random diambil sebanyak n dari tanpa dikembalikan dari N
item.
2. k dari N item diklasikasikan baik (sukses), dan N-k diklasikasikan
rusak.
Jumlah sukses X dari eksperimen hypergeometric disebut variabel ran-
dom hypergeometric. Distribusi peluang dari variabel hypergeometric
disebut dengan distribusi hypergeometric, dan nilainya dinotasikan den-
gan h(x; N, n, k)
Distribusi Hypergeometric
Distribusi peluang dari variabel random hypergeometric X, yaitu jumlah sukses
dari sample random berukuran n dipilih dari N item dimana terdapat k jumlah
sukses dan N k jumlah gagal/rusak adalah:
h(x; N, n, k) =
_
k
x
__
N k
n x
_
_
N
n
_ , x = 0, 1, 2, ..., n
Contoh:
Sebanyak 40 komponen, tiga diantaranya rusak. Jika diambil sampel beruku-
ran 5, tentukan peluang sample tersebut berisi 1 komponen yang rusak.
5.3. DISTRIBUSI HYPERGEOMETRIC 53
Jawab:
Dengan distribusi hypergeometric dengan n = 5, N = 40, k = 3 dan x = 1
diperoleh:
h(1; 40, 5, 3) =
_
3
1
__
37
4
_
_
40
5
_ = 0.3011
Teorema:
Rataan dan variansi dari distribusi hypergeometric h(x; N, n, k) adalah:
=
nk
N
dan
2
=
N n
N 1
.n.
k
N
_
1
k
N
_
Distribusi Hypergeometric Multivariate
Jika N item dapat dipartisi ke dalam k sel A
1
, A
2
, ..., A
k
yang berisi masing-
masing a
1
, a
2
, ..., a
k
elemen, maka distribusi peluang dari variabel random
X
1
, X
2
, ..., X
k
yang mewakili jumlah elemen yang diterpilih dari A
1
, A
2
, ..., A
k
dalam sample random yang berukuran n adalah:
f(x
1
, x
2
, ..., x
k
; a
1
, a
2
, ..., a
k
, N, n) =
_
a
1
x
1
__
a
2
x
2
_
...
_
a
k
x
k
_
_
N
n
_
dimana
k
i=1
x
i
= n dan
k
i=1
a
i
= N
Contoh:
Kelompok yang terdiri dari 10 orang digunakan untuk belajar biologi. Kelom-
pok ini terdiri dari 3 orang bergolongan dari O, 4 orang bergolongan A, dan
3 orang bergolongan darah B. Tentukan peluang sebuah sampel random dari
5 orang dengan 1 orang bergolongan darah O, 2 orang bergolongan darah
A, dan 2 orang bergolongan darah B.
Jawab:
Dengan distribusi hypergeometric multivariate dapat dihitung:
f(1, 2, 2; 3, 4, 3, 10, 5) =
_
3
1
__
4
2
__
3
2
_
_
10
5
_ =
3
14
5.4 Distribusi Poisson dan Proses Poisson
Eksperimen yang menghasilkan nilai numerik dari variabel random X, jum-
lah kejadian selama selang waktu yang diberikan, disebut dengan eksper-
imen Poisson. Misalkan jumlah panggilan telepon dalam 1 jam yang di-
terima oleh resepsionis, dsb. Eksperimen Poisson diturunkan dari proses
Poisson dan mempunyai sifat-sifat berikut:
Sifat-sifat proses Poisson
Jumlah kejadian yang terjadi dalam satu selang waktu atau daerah
yang diberikan adalah independen dari kejadian yang terjadi di se-
lang atau daerah yang lain. Dengan kata lain proses Poisson tidak
mempunyai memori.
Peluang suatu kejadian yang terjadi dalam selang waktu yang sangat
pendek atau daerah yang sangat kecil tidak tergantung dari kejadian
yang terjadi diluar selang atau daerah tersebut.
Peluang dari kejadian yang terjadi lebih dari satu dalam selang waktu
yang pendek dapat diabaikan.
Distribusi Poisson
Distribusi peluang dari variabel random Poisson X, yang mewakili jumlah ke-
jadian yang terjadi dalam selang waktu atau daerah yang diberikan dinotasikan
dengan t adalah:
p(x; t) =
e
t
(t)
x
x!
, x = 0, 1, 2, ...
dimana adalah rata-rata jumlah kejadian yang terjadi per satuan waktu atau
daerah, dan e = 2.71828...
5.4. DISTRIBUSI POISSON DAN PROSES POISSON 55
Contoh:
Dalam eksperimen laboratorium, rata-rata jumlah partikel radioaktif yang
lewat counter adalah 4 tiap msec. Tentukan peluang 6 partikel akan lewat
dalam selang waktu 1 msec.
Jawab:
Menggunakan distribusi Poisson dengan x = 6 dan t = 4, kemudian meng-
gunakan tabel distribusi Poisson:
p(6; 4) =
e
4
4
6
6!
=
6
x=0
p(x; 4)
5
x=0
p(x; 4) = 0.8893 0.7851 = 0.1042
Teorema:
Rataan dan variansi dari distribusi Poisson p(x; t) adalah sama yaitu t
Distribusi Poisson sebagai bentuk limit dari Binomial
Teorema:
Misalkan X adalah variabel random binomial dengan distribusi peluang b(x; n, p).
Bila n , p 0, dan = np tetap konstan:
b(x; n, p) p(x; )
Bab 6
Beberapa Distribusi Peluang
Kontinu
6.1 Distribusi Uniform Kontinu
Distribusi Uniform kontinu adalah distribusi peluang kontinu yang paling
sederhana.
Distribusi Uniform Kontinu
Fungsi densitas dari variabel random uniform kontinu X pada selang [A,B] adalah
f(x; A, B) =
1
B A
, A x B
= 0 untuk x yang lain
Contoh:
Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih
dari 4 jam. Misalkan X adalah variabel random yang menyatakan waktu
rapat, yang mempunyai distribusi uniform.
a. Tentukan fungsi densitas peluang dari X
b. Tentukan peluang suatu rapat berlangsung 3 jam atau lebih.
57
58 BAB 6. BEBERAPA DISTRIBUSI PELUANG KONTINU
Jawab:
a. Menurut rumus diatas fungsi densitas peluang dari X adalah
f(x) =
1
4
, 0 x 4
= 0 untuk x yang lain
b. Pr[X 3] =
_
4
3
_
1
4
_
dx =
1
4
Teorema:
Rataan dan variansi dari distribusi uniform kontinu adalah:
=
A+B
2
dan
2
=
(B A)
2
12
6.2 Distribusi Normal
Distribusi normal adalah distribusi yang paling penting diantara distribusi
yang lain. Kurva dari distribusi normal mempunyai bentuk yang simetri,
seperti pada gambar 6.2.
x
Figure 6.1: Kurva Normal
6.2. DISTRIBUSI NORMAL 59
Distribusi Normal
Fungsi densitas dari variabel random normal X, dengan rataan dan variansi
2
adalah
n(x; , ) =
1
2
e
(1/2)[(x)/]
2
, < x <
dimana = 3.14159... dan e = 2.71828...
Sifat-sifat kurva Normal
1. Modus, adalah suatu titik yang terletak pada sumbu x dimana kurva
mempunyai nilai maksimum, yaitu x = .
2. Kurva berbentuk simetri terhadap sumbu tegak pada x =
3. Kurva mempunyai titik balik pada x = .
4. Kurva mendekati sumbu datar secara asimtotik ke dua arah (kiri/kanan)
berawal dari .
5. Luas daerah dibawah kurva adalah 1
Daerah dibawah kurva Normal
Untuk menghitung luas daerah dibawah kurva, dapat dilakukan transfor-
masi berikut:
Z =
X
Dengan transformasi diatas, dapat dihitung:

P(x
1
< X < x
2
) =
1
2
_
x
2
x
1
e
(1/2)[(x)/]
2
dx
=
1
2
_
z
2
z
1
e
(z
2
/2)
dz
=
_
z
2
z
1
n(z; 0, 1)dz
= P(z
1
< Z < z
2
)
Denisi:
Distribusi variabel random normal dengan rataan 0 dan variansi 1 disebut dengan
distribusi normal standard.
Contoh:
Diberikan distribusi normal standard, hitunglah daerah dibawah kurva yang
dibatasi:
a). sebelah kanan z=1.84
b). antara z=-1.97 dan z=0.86
Jawab:
a). Luas sebelah kanan = 1 - luas sebelah kiri z=1.84 (dilihat dari tabel).
Dari tabel luas sebelah kiri = 0.9671, jadi Luas sebelah kanan = 1- 0.9671
= 0.0329
b). Luas daerah antar batas tersebut adalah luas batas kanan dikurangi
dengan luas dari batas kiri, sehingga diperoleh 0.8051 - 0.0244 = 0.7807
Contoh:
Diberikan distribusi normal dengan = 50 dan = 10, hitungalah peluang
x terletak antara 45 dan 62.
Jawab:
Nilai z yang bersesuain dengan x tersebut adalah:
z
1
=
45 50
10
= 0.5 dan z
2
=
62 50
10
= 1.2
Sehingga:
P(45 < X < 62) = P(0.5 < Z < 1.2)
= P(Z < 1.2) P(Z < 0.5)
= 0.8849 0.3085 = 0.5764
Contoh:
Sebuah mesin pembuat resistor dapat memproduksi resistor dengan ukuran
rata-rata 40 ohm dengan standard deviasi 2 ohm. Misalkan ukuran tersebut
mempunyai distribusi normal, tentukan peluang resistor mempunyai ukuran
lebih dari 43 ohm.
6.3. APROKSIMASI NORMAL UNTUK BINOMIAL 61
Jawab:
Lakukan transformasi terlebih dulu:
z =
43 40
2
= 1.5
sehingga dapat dihitung:
P(X > 43) = P(Z > 1.5) = 1 P(Z < 1.5) = 1 0.9332 = 0.0668
6.3 Aproksimasi Normal untuk Binomial
Dari seksi sebelumnya, distribusi Poisson digunakan untuk aproksimasi pelu-
ang Binomial ketika n membesar dan p sangat dekat ke 0 atau 1. Kedua
distribusi tersebut adalah diskrit. Dalam seksi ini distribusi kontinu Nor-
mal digunakan untuk aproksimasi Binomial bilamana n cukup besar dan p
tidak harus dekat ke nilai 0 atau 1.
Teorema:
Jika X adalah variabel random binomial dengan rataan = np dan variansi
2
= npq, maka bentuk limit dari distribusi dari :
Z =
X np
npq
bilamana n adalah distribusi normal standard n(z; 0, 1)
Contoh:
Dalam soal ujian ada 200 pertanyaan multiple choice, ada 4 jawaban dan
hanya satu yang benar. Berapakan peluang menebak dan benar sebanyak
25 sampai 30 dari 80 jawaban yang benar.
Jawab:
Peluang jawab yang benar adalah p = 1/4. Jika X menyatakan variabel
random dari jawab yang benar, maka
P(25 X 30) =
30
x=25
b(x; 80,
1
4
)
Menggunakan aproksimasi kurva normal dengan
= np = (80)(
1
4
) = 20
dan
=
npq =
_
(180)(
1
4
)(
3
4
) = 3.873
Dengan aproksimasi normal, perlu ditentukan batas-batasnya yaitu x
1
=
24.5 dan x
2
= 30.5. Nilai variabel-z yang bersesuaian adalah:
z
1
=
24.5 20
3.873
= 1.16 dan z
2
=
30.5 20
3.873
= 2.71
Sehingga dapat dihitung:
P(25 X 30) =
30
x=25
b(x; 80,
1
4
)
P(1.16 < Z < 2.71)
= P(X < 2.71) P(X < 1.16)
= 0.9966 0.8770
= 0.1196
6.4 Distribusi Gamma dan Exponential
Denisi:
Fungsi gamma didenisikan sbb:
() =
_

0
x
1
e
x
dx
untuk > 0
Dengan cara rekursif diperoleh:
() = ( 1)( 1)
dari denisi diperoleh:
(1) =
_

0
e
x
dx = 1
6.4. DISTRIBUSI GAMMA DAN EXPONENTIAL 63
Distribusi Gamma
Variabel random kontinu X mempunyai distribusi gamma, dengan parameter
dan , jika fdp-nya diberikan:
f(x) =
_
_
_
1
()
x
1
e
x/
, x 0
0 untuk x yang lain
dimana > 0 dan > 0.
Beberapa distribusi gamma ditunjukkan pada 6.4.
=4,=1
1 2 3 5 6
0.5
1.0
4 7 0
f(x)
x
=1,=1
=2,=1
Figure 6.2: Distribusi gamma
Distribusi Exponential
Variabel random kontinu X mempunyai distribusi exponential, dengan param-
eter , jika fdp-nya diberikan:
f(x) =
_
_
_
1
e
x/
, x 0
0 untuk x yang lain
dimana > 0.
Teorema:
Rataan dan variansi dari distribusi gamma adalah
= dan
2
=
2
Akibat:
Rataan dan variansi dari distribusi exponential adalah
= dan
2
=
2
Hubungan dengan Poisson proses
Hubungan distribusi eksponensial dengan Poisson cukup sederhana. Mis-
alkan distribusi Poisson dengan parameter , dimana adalah rata-rata
jumlah event dalam satu satuan waktu. Misalkan X adalah variabel ran-
dom yang menyatakan panjang selang waktu dimana event pertama terjadi.
Dengan distribusi Poisson, peluang tidak ada event sampai selang waktu t
adalah:
p(0; t) =
e
t
(t)
0
0!
= e
t
Peluang panjang selang waktu event pertama terjadi sampai melewati x
sama dengan peluang tidak ada event Poisson sampai selang waktu x, se-
hingga dituliskan e
x
.
P(X x) = e
x
Fungsi distribusi kumulatif dari X diberikan:
P(0 X x) = 1 e
x
Dengan mengambil turunan dari fungsi diatas diperoleh fungsi densitas:
f(x) = e
x
,
yang mana merupakan fdp dari distribusi eksponensial dengan = 1/
6.4.1 Aplikasi dari distribusi Exponential dan Gamma
Yang perlu diperhatikan adalah parameter dan . Rataan dari distribusi
exponential adalah , dimana sama dengan 1/. adalah rataan antara dua
event yang berturutan. Dalam aplikasi dapat merepresentasikan waktu rata-
rata antara kerusakan/kegagalan (mis. suatu komponen/mesin/peralatan).
6.4. DISTRIBUSI GAMMA DAN EXPONENTIAL 65
Contoh:
Suatu sistem terdiri tipe komponen tertentu yang mempunyai umur sam-
pai rusak dalam tahun dinyatakan dalam T. Variabel random T dapat
dimodelkan dengan distribusi eksponensial waktu sampai kerusakan = 5.
Jika terdapat 5 buah komponen dipasang pada sistem, tentukan peluang
sekurang-kurangnya 2 komponen masih berfungsi sampai akhir tahun ke 8.
jawab:
Peluang komponen masih berfungsi hingga akhir tahun ke 8 adalah:
P(T > 8) =
1
5
_

8
e
t/5
dt = e
8/5
0.2
Misalkan X adalah jumlah komponen yang masih berfungsi hingga akhir
tahun ke 8, maka dengan distribusi binomial:
P(X 2) =
5
x=2
b(x; 5, 0.2) = 1
1
x=0
b(x; 5, 0.2) = 1 0.7373 = 0.2627
Contoh:
Suatu panggilan telepon datang pada papan switching mengikuti proses
Poisson dengan rata-rata 5 panggilan datang tiap menit. Tentuka peluang
hingga 1 menit terjadi 2 panggilan yang datang.
Jawab:
Proses Poisson dapat diterapkan dengan menunggu sampai 2 event Poisson
terjadi mempunyai distribusi Gamma dengan = 1/5 dan = 2. Misalkan
X adalah selang waktu dimana sebelum 2 panggilan telpon datang. Peluang
dapat dihitung sbb:
P(X x) =
_
x
0
1
2
xe
x/
dx
P(X 1) = 25
_
1
0
xe
5x
dx = [1 e
5(1)
(1 + 5)] = 0.96
6.4.2 Distribusi Chi-Squared
Kasus yang lain dari distribusi Gamma adalah Chi-Squared, dengan mengam-
bil = /2 dan = 2, dimana bilangan bulat positif.
Distribusi Chi-Squared
Variabel random kontinu X mempunyai distribusi chi-squared, dengan derajat
kebebasan , jika fdp-nya diberikan:
f(x) =
_
_
_
1
2
/2
(/2)
x
/21
e
x/2
, x > 0
0 untuk x yang lain
dimana bilangan bulat positif.
Akibat:
Rataan dan variansi dari distribusi chi-squared adalah
= dan
2
= 2
6.5 Distribusi Lognormal
Distribusi Lognormal
Variabel random kontinu X mempunyai distribusi lognormal, jika variabel ran-
dom Y = ln(X) mempunyai dsitribusi normal dengan rataan dan simpangan
baku . Fdp diberikan:
f(x) =
_
_
_
1
2x
e
[ln(x)]
2
/(2
2
)
, x 0
0 x < 0
Akibat:
Rataan dan variansi dari distribusi lognormal adalah
E(X) = e
+
2
/2
dan V ar(X) = e
2+
2
.(e
2
1)
6.6. DISTRIBUSI WEIBULL 67
6.6 Distribusi Weibull
Distribusi Weibull
Variabel random kontinu X mempunyai distribusi Weibull, dengan parameter
dan , jika fdp-nya diberikan:
f(x) =
_
x
1
e
x
, x > 0
0, untuk x yang lain
dimana > 0 dan > 0.
Akibat:
Rataan dan variansi dari distribusi Weibull adalah
=
1/
_
1 +
1
_
dan
2
=
2/
_
_
1 +
2
_
1 +
1
__
2
_
Bab 7
Distribusi Sampling Dasar
7.1 Sampling Random
Denisi:
Sebuah populasi terdiri dari keseluruhan pengamatan yang menjadi perhatian
kita.
Denisi:
Sebuah sample adalah himpunan bagian dari populasi.
Denisi:
Misalkan X
1
, X
2
, ..., X
n
adalah n variabel random yang saling bebas, masing-
masing mempunyai distribusi peluang f(x). Kemudian kita denisikan
X
1
, X
2
, ..., X
n
sebagai sample random berukuran n dari populasi f(x) dan di-
tuliskan distribusi peluang gabungan-nya sebagai berikut:
f(x
1
, x
2
, ..., x
n
) = f(x
1
)f(x
2
)...f(x
n
)
7.2 Beberapa Statistik yang Penting
Denisi:
Sebarang fungsi dari variabel random yang menunjukkan sample random disebut
dengan statistik.
69
70 BAB 7. DISTRIBUSI SAMPLING DASAR
Denisi:
Jika X
1
, X
2
, ..., X
n
menunjukkan sample random berukuran n, maka rataan dari
sample didenisikan dengan statistik:
X =
n
i=1
X
i
n
Denisi:
Jika X
1
, X
2
, ..., X
n
menunjukkan sample random berukuran n, diurutkan sesuai
besar nilainya, maka nilai-tengah (median) dari sample didenisikan dengan
statistik:
X
=
_
_
X
(n+1)/2
, jika n ganjil
X
n/2
+X
(n/2)+1
2
jika n genap
Denisi:
Jangkauan dari sample random X
1
, X
2
, ..., X
n
didenisikan dengan statistik
X
(n)
X
(1)
, dimana X
(n)
dan X
(1)
adalah nilai maksimum dan minimum dari
sample.
Denisi:
Jika X
1
, X
2
, ..., X
n
menunjukkan sample random berukuran n, maka variansi
sample didenisikan dengan statistik:
S
2
=
n
i=1
(X
i
X)
2
n 1
7.3 Distribusi Sampling
Denisi:
Distribusi peluang dari statistik disebut dengan distribusi sampling.
7.4. DISTRIBUSI SAMPLING DARI RATAAN 71
7.4 Distribusi sampling dari Rataan
Distribusi sampling yang penting adalah distribusi sampling rataan X. Mis-
alkan sample random dari n pengamatan diambil dari distribusi normal den-
gan rataan dan variansi
2
. Masing-masing pengamatan X
i
, i = 1, 2, .., n
dari sample random akan mempunyai distribusi normal juga. Sehingga:
X =
X
1
+X
2
+... +X
n
n
mempunyai distribusi normal dengan rataan:
X
=
+ +... +
n
=
dan variansi:
2
X
=

2
+
2
+... +
2
n
2
=

2
n
Teorema:
Teorema Limit Pusat Jika X adalah rataan dari sample random berukuran n
yang diambil dari populasi dengan rataan dan variansi
2
, maka bentuk limit
dari distribusi dari
Z =
X
/
n
bila n , adalah distribusi normal standard n(z; 0, 1).
Contoh:
Pabrik bola lampu dimana lampu yang dihasilkan mempunyai umur yang
berdistribusi normal dengan rataan 800 jam dengan simpangan baku 40 jam.
Hitunglah peluang dari sample random dari 16 bola lampu yang mempunyai
umur kurang dari 775 jam.
Jawab:
Distribusi sampling X akan berbentuk normal juga dengan
X
= 800 dan
X
= 40/
16 Dengan mengubah menjadi normal standard dari x = 775

diperoleh:
z =
775 800
10
= 2.5
Sehingga diperoleh:
P(X < 775) = P(Z < 2.5) = 0.0062
Distribusi Sampling dari beda antara dua Rata-rata
Teorema:
Jika sample yang saling bebas berukuran n
1
dan n
2
diambil secara random dari
populasi (diskrit atau kontinu), dengan rataan
1
dan
2
dan variansi
1
dan
2
, maka distribusi sampling dari beda dua rataan, X
1
X
2
, secara aproksimasi
berdistribusi normal dengan rataan dan variansi diberikan:
X
1
X
2
=
1
2
dan
X
1
X
2
=

2
1
n
1
+

2
2
n
2
sehingga
Z =
(X
1
X
2
) (
1
2
)
_
(
2
1
/n
1
) + (
2
2
/n
2
)
adalah variabel normal standard secara aproksimasi.
Contoh:
Dua buah eksperimen dilakukan dimana dua pengecatan dibandingkan. 18
belas contoh akan di-cat dengan dua type cat, A dan B. Waktu kering antara
dua type tersebut dicatat. Simpangan baku populasi antara dua type adalah
sama, yaitu 1.0. Asumsi rata-rata waktu kering antara dua type cata adalah
sama, tentukan P(X
A
X
B
> 1, 0), dimana X
A
dan X
B
adalah rata-rata
waktu kering dari sample yang berukuran n
A
= n
B
= 18.
Jawab:
Dari distribusi sampling X
A
X
B
, diketahui bahwa distribusinya normal
dengan rataan:
X
A
X
B
=
A
B
= 0
dan variansi adalah:
X
A
X
B
=

2
A
n
A
+

2
B
n
B
=
1
18
+
1
18
=
1
9
Variabel random Z yang bersesuaian dengan X
A
X
B
= 1.0 adalah:
Z =
1 (
A
B
)
_
1/9
=
1 0
1/3
= 3.0
Pr(z > 3.0) = 1 Pr(z < 3.0) = 1 0.9987 = 0.0013
2
7.5. DISTRIBUSI SAMPLING DARI S
2
73
7.5 Distribusi Sampling dari S
2
Teorema:
Jika S
2
adalah variansi dari sample random yang berukuran n diambil dari pop-
ulasi normal dengan variansi
2
, maka statistik:
2
=
(n 1)S
2
2
=
n
i=1
(X
i
X)
2
2
mempunyai distribusi chi-squared dengan derajat kebebasan = n 1.
Contoh:
Suatu pabrik battery menjamin produknya mempunyai umur 3 tahun den-
gan simpangan baku 1 tahun. Jika lima battery mempunyai umur 1.9 2.4
3.0 3.5 dan 4.2 tahun. Apakah pabrik tersebut masih yakin bahwa klaimnya
dapat dipercaya. Asumsi umur battery mempunyai distribusi normal.
Jawab:
Pertama dihitung variansi sample:
s
2
=
(5)(48.26) (15)
2
(4)(5)
= 0.815
Kemudian hitung:
2
=
(4)(0.815)
1
= 3.26
Adalah nilai distribusi chi-squared dengan derajat kebebasan 4. Karena
tingkat kepercayaan 95% dari distribusi ini dengan d.k. 4terletak antara
0.484 dan 11.143 maka dengan simpangan baku 1 tahun masih dapat diter-
ima.
7.6 Distribusi t
Dalam seksi sebelumnya dibahas tentang kegunaan dari teorema limit pusat.
Teori ini sangat mendukung dalam penggunaan distribusi t, dengan asumsi
simpangan baku diketahui. Dalam realitas hal ini mungkin tidak layak,
sehingga sebagai pengganti cukup simpangan baku dari sampel S. Sehingga
statistik yang sesuai dan berkaitan dengan rataan populasi adalah:
T =
X
S/
n
Atau dapat dituliskan:
T =
(X )/(/
n)
_
S
2
/
2
=
Z
_
V/(n 1)
dimana:
Z =
X
/
n
mempunyai distribusi normal standard, dan
V =
(n 1)S
2
2
mempunyai distribusi chi-squared dengan derajat kebebasan = n 1
Teorema:
Misalkan Z adalah distribusi normal standard dan V berdistribusi chi-squred
dengan dk . Jika Z dan V saling bebas make distribusi T, dimana didenisikan
T =
Z
_
V/
dan fdpnya adalah
h(t) =
[( + 1)/2)]
(/2)
_
1 +
t
2
_
(+1)/2
, < t < .
Disebut dengan distribusi-t dengan derajat kebebasan.
Akibat:
Jika X
1
, X
2
, ..., X
3
adalah variabel random saling bebas semua berdistribusi nor-
mal dengan rataan dan simpangan baku . Dan
X =
n
i=1
X
i
n
dan s
2
=
n
i=1
(X
i
X)
2
n 1
.
Maka variabel random T =
X
S/
n
berdistribusi t dengan = n 1 derajat
kebebasan.
7.6. DISTRIBUSI T 75
Kurva dari distribusi t mempunyai sifat simetri seperti distribusi normal.
t =t t
1
Figure 7.1: Sifat simetri dari distribusi t
Contoh
Nilai t dengan d.k. 14 yang mempunyai luas 0.025 disebelah kiri, atau 0.975
sebelah kanan nilai tersebut adalah:
t
0.975
= t
0.025
= 2.145
Contoh
Tentukan P(t
0.025
< T < t
0.05
)
Jawab
Karena luas sebelah kanan t
0.05
adalah 0.05 dan sebelah kiri t
0.025
adalah
0.025, maka luas diantaranya adalah:
1 0.05 0.025 = 0.925
7.7 Distribusi F
Denisi:
Misalkan U dan V adalah saling bebas berdistribusi chi-squred dengan dk
1
dan
2
. Maka distribusi dari variabel random F =
U/
1
V/
2
diberikan :
h(f) =
_
_
_
[(
1
+
2
)/2](
1
/
2
)
1
/2
(
1
/2)(
2
/2)
f
1
/21
(1 +
1
f/
2
)
(
1
+
2
)/2
, x > 100
0 x yang lain
Disebut dengan distribusi-F dengan dk
1
dan
2
.
Bentuk kurva distribusi F tergantung dari derajat kebebasan
1
dan
2
.
Luas sebelah kanan nilai f
untuk d.k.
1
dan
2
mempunyai hubungan
sbb:
Teorema:
Dengan menuliskan f
(
1
,
2
) untuk f
dengan d.k.
1
dan
2
, diperoleh:
f
1
(
1
,
2
) =
1
f
(
2
,
1
)
Contoh:
Nilai-f dengan d.k. 6 dan 10 yang mempunyai luas sebelah kanan nilai tsb
0.95 adalah:
f
0.95
(6, 10) =
1
f
0.05
(10, 6)
=
1
4.06
= 0.246
Misalkan sampel random berukuran n
1
dan n
2
diambil dari dua populasi
normal dengan variansi
2
1
dan
2
2
. Dari teorema sebelumnya ditunjukkan:
X
2
1
=
(n
1
1)S
2
1
2
1
dan X
2
2
=
(n
2
1)S
2
2
2
2
adalah variabel random dengan distribusi chi-squared dengan d.k. n
1
1
dan n
2
1. Dari teorema sebelumnya dengan mengambil X
2
1
= U dan
X
2
2
= V diperoleh teorema sbb:
7.7. DISTRIBUSI F 77
Teorema:
Jika S
2
1
dan S
2
2
adalah variansi dari variabel random yang saling bebas dan
berukuran n
1
dan n
2
diambil dari populasi normal dengan variansi
2
1
dan
2
2
,
maka
F =
S
2
1
/
2
1
S
2
2
/
2
2
=

2
2
S
2
1
2
1
S
2
2
mempunyai distribusi F dengan d.k. n
1
1 dan n
2
1.
Bab 8
Estimasi Parameter Populasi
Bab sebelumnya menekankan tentang distribusi dari sampel yang mencakup
rataan dan simpangannya. Dalam bab ini akan dibahas tentang bagaimana
membangun dasar-dasar yang memungkinkan seorang statistik mengam-
bil kesimpulan tentang parameter statistik dari data eksperimen. Bagian
statistik yang mempelajari tentang masalah ini disebut dengan Statistik
inferensi. Statistik inferensi secara garis besar dibagi menjadi dua: esti-
masi/penaksiran dan uji hipotesis (dipelajari di Bab 9).
8.1 Penaksiran dengan Metoda Klasik
Sebuah nilai taksiran dari parameter populasi adalah sebuah nilai tunggal
dari statistik

. Suatu contoh, nilai x dari statistik X yang dihitung dari
sebuah sampel yang berukuran n adalah nilai taksiran dari parameter pop-
ulasi . Contoh lain p = x/n adalah nilai taksiran dari proporsi sebenarnya
p dari eksperimen binomial.
Sebuah nilai penaksir tidak diharapkan dapat menaksir paremeter popu-
lasi tanpa kesalahan, misalkan tidak perlu X dapat menaksir secara tepat,
tetapi diharapkan tidak terlalu jauh dari parameter yang ditaksir.
Misalkan

adalah penaksir dengan nilai taksiran

dari parameter pop-
ulasi yang tidak diketahui . Kita menginginkan distribusi sampling

mempunyai rataan sama dengan parameter yang ditaksir. Panaksir yang

memiliki sifat seperti ini disebut dengan tak bias(unbiased).
79
80 BAB 8. ESTIMASI PARAMETER POPULASI
Denisi:
Sebuah statistik

dikatakan penaksir tak bias dari parameter jika:
= E(
) =
Contoh:
Tunjukkan bahwa S
2
adalah penaksir tak bias dari parameter
2
.
Jawab:
Kita tuliskan:
n
i=1
(X
i
X)
2
=
n
i=1
[(X
i
) (X )]
2
=
n
i=1
(X
i
)
2
2(X )
n
i=1
(X
i
) +n(X )
2
=
n
i=1
(X
i
)
2
n(X )
2
Sekarang tentukan:
E(S
2
) = E
_
n
i=1
(X
i
X)
2
n 1
_
=
1
n 1
_
n
i=1
E(X
i
)
2
nE(X )
2
_
=
1
n 1
_
n
i=1
2
X
i
n
2
X
_
Tetapi:
2
X
i
=
2
untuk i = 1, 2, ..., n dan
2
X
=

2
n
Sehingga:
E(S
2
) =
1
n 1
_
n
2
n
2
n
_
=
2
8.1. PENAKSIRAN DENGAN METODA KLASIK 81
Variansi Nilai Penaksir
Jika

1
dan

2
adalah dua penaksir yang tak bias dari parameter populasi
yang sama, maka kita akan memilih penaksir dengan distribusi sampling
yang memiliki variansi yang lebih kecil. Sehingga, jika
2
1
<
2
2
, dikatakan
bahwa

1
penaksir yang lebih esien dari

2
.
Denisi:
Jika kita mengumpulkan semua penaksir tak bias yang mungkin dari parameter
, maka salah satu yang memiliki variansi terkecil dikatakan penaksir yang
paling esien dari .
Gambar berikut menunjukkan distribusi sampling dari tiga penaksir .
Dari ketiga kurva tersebut, penaksir yang tak bias adalah

1
dan

2
karena
mempunyai distribusi yang terpusat pada . Diantara

1
dan

2
, maka

1
mempunyai variansi yang lebih keci.
2
1
3
Figure 8.1: Distribusi sampling dari penaksir yang berbeda
Tetapi, pada situasi tertentu kita lebih suka untuk menentukan interval
dimana nilai penaksir tersebut berada. Interval ini disebut dengan interval
penaksiran.
Interval (selang) penaksiran
Sebuah selang penaksiran dari parameter populasi adalah sebuah selang
yang berbentuk

L
< <

U
, dimana

L
dan

U
bergantung pada nilai
statistik

untuk sampel tertentu dan distribusi samplingnya.
Karena sampel-sampel yang berbeda secara umum akan menghasilkan
nilai yang berbeda dari

, atau

L
dan

U
, maka nilai-nilai batas ini bers-
esuaian dengan variabel random

L
dan

U
. Dari distribusi sampling

,
kita dapat menentukan suatu nilai yang terletak antara 0 dan 1 demikian
sehingga:
P(
L
< <

U
) = 1
Selang

L
< <

U
yang dihitung dari sampel yang diambil disebut den-
gan selang kepercayaan (1 )100% dan 1 disebut dengan tingkat
kepercayaan.
8.2 Menaksir rataan dari Sampel tunggal
Distribusi sampel dari X terpusat pada dan pada sebagian besar aplikasi
mempunyai variansi yang lebih kecil dari penaksir-penaksir yang lain. Se-
hingga rataan sampel x digunakan sebagai nilai taksiran dari rataan populasi
.
Akan ditentukan selang taksiran dari . Misalkan sampel diambil dari
populasi normal, atau jika tidak mempunyai ukuran sampel yang besar.
Sesuai dengan teorema limit pusat, diharapkan distribusi sampel X akan
mendekati normal dengan rataan
X
= dan simpangan baku
X
= /
n.
Selanjutnya akan peluang Z yang terletak antara z
/2
dan z
/2
, ditun-
jukkan pada kurva berikut:
/2
0 Z Z
/2 /2
1
/2
Figure 8.2: P(z
/2
< Z < z
/2
) = 1
Dari gambar tersebut dapat dilihat:
P(z
/2
< Z < z
/2
) = 1
dimana:
Z =
X
/
n
8.2. MENAKSIR RATAAN DARI SAMPEL TUNGGAL 83
Sehingga:
P
_
z
/2
<
X
/
n
< z
/2
_
= 1
Atau dapat dituliskan:
P
_
X z
/2
n
< < X +z
/2
n
_
= 1
Interval kepercayaan dari ; diketahui
Jika x adalah rataan dari sampel random dengan ukuran n dari sebuah populasi
dan variansi
2
, interval kepercayaan (1 )100% dari adalah:
x z
/2
n
< < x +z
/2
n
dimana z
/2
adalah nilai-z yang memberikan luas /2 sebelah kanan nilai terse-
but.
Sampel-sampel yang berbeda akan memberikan nilai x yang berbeda,
sehingga akan menghasilkan selang taksiran yang berbeda pula, seperti di-
tunjukkan pada gambar berikut:
1
2
3
4
5
6
7
8
s
a
m
p
l
e
Figure 8.3: Interval taksiran dari untuk sampel yang berbeda
Contoh:
Rataan konsentrasi zinc dari pengukuran di 36 lokasi diperoleh 2.6 gram per
mililiter. Hitunglah selang kepercayaan 95% dari rataan yang ditemukan.
Jawab:
Nilai taksiran dari adalah x = 2.6. Nilai-z yang memberikan luas 0.025
sebelah kanan, atau 0.975 sebelah kiri adalah z
0.025
= 1.96 (Table A.3).
Sehingga selang kepercayaan 95% adalah:
2.6 (1.96)
_
0.3
36
_
< < 2.6 + (1.96)
_
0.3
36
_
Atau:
2.50 < < 2.70
Teorema:
Jika x digunakan untuk menaksir , maka kita berada pada tingkat kepercayaan
(1 )100% dengan kesalahan tidak lebih dari z
/2
/
n
Teorema:
Jika x digunakan untuk menaksir , maka kita berada pada tingkat kepercayaan
(1)100% dengan kesalahan tidak lebih dari e bilamana ukuran sampel adalah
n =
_
z
/2
e
_
2
Contoh:
Berapa jumlah sample yang diperlukan dari contoh sebelumnya agar kita
punya tingkat kepercayaan 95% bahwa taksiran punya kesalahan kurang
dari 0.05
Jawab:
Simpangan baku dari populasi adalah = 0.3, dengan teorema diatas:
n =
_
(1.96)(0.3)
0.05
_
2
= 138.3
Jadi jumlah sample yang diperlukan adalah 139
8.3. MENAKSIR VARIANSI DARI SAMPEL TUNGGAL 85
Interval kepercayaan dari ; tidak diketahui
Jika x dan s adalah rataan dan simpangan baku sampel random dari populasi
normal dengan variansi
2
yang tidak diketahui, selang kepercayaan (1)100%
untuk adalah:
x t
/2
s
n
< < x +t
/2
s
n
dimana t
/2
adalah nilai-t dengan n1 derajat kebebasan yang memberikan luas
/2 sebelah kanan nilai tersebut.
8.3 Menaksir Variansi dari Sampel tunggal
Jika sebuah sampel berukuran n diambil dari populasi normal dengan vari-
ansi
2
, dan variansi sampel s
2
dihitung, maka kita memperoleh nilai statis-
tik S
2
. Nilai yang dihitung ini akan digunakan sebagai nilai taksiran dari
2
. Dikatakan statistik S
2
adalah penaksir dari
2
.
Interval penaksiran dapat ditentukan dengan statistik:
X
2
=
(n 1)S
2
2
Sesuai dengan teorema Bab sebelumnya, statistik X
2
mempunyai distribusi
chi-squared dengan derajat kebebasan n-1, bila sampel diambil dari populasi
normal.
Untuk menentukan selang penaksiran dapat dituliskan (dapat dilihat
pada gambar 8.4:
P(
2
1/2
< X
2
<
2
/2
) = 1
dimana
2
1/2
dan
2
/2
adalah nilai-nilai dari distribusi chi-squared dengan
n-1 derajat kebebasan, yang mempunyai luas disebelah kanan 1 /2 dan
/2. Dengan mensubstitusikan X
2
, diperoleh:
P
_
2
1/2
<
(n 1)S
2
2
<
2
/2
_
= 1
atau dapat dituliskan:
P
_
(n 1)S
2
2
/2
<
2
<
(n 1)S
2
2
1/2
_
= 1
0
1
/2 /2
/2

2 2
/2
Figure 8.4: P(
2
1/2
< X
2
<
2
/2
) = 1
Interval kepercayaan untuk
2
Jika s
2
adalah variansi dari sampel random berukuran n dari populasi normal,
selang kepercayaan (1 )100% dari
2
adalah:
(n 1)S
2
2
/2
<
2
<
(n 1)S
2
2
1/2
dimana: dimana
2
/2
dan
2
1/2
adalah nilai-nilai dari distribusi chi-squared
dengan n-1 derajat kebebasan, yang mempunyai luas disebelah kanan /2 dan
1 /2.
Contoh:
Berat 10 paket biji rumput yang didistribusikan oleh perusahaan tertentu
adalah: 46.4;46.1;45.8;47.0;46.1;45.9;45.8;46.9;45.2;46.0. Hitunglah selang
kepercayaan 95% dari variansinya, asumsi distribusi normal.
Jawab:
Pertama dihitung:
s
2
=
n
n
i=1
x
2
i
(
n
i=1
x
i
)
2
n(n 1)
=
(10)(21, 273.12) (461.2)
2
(10)(9)
= 0.286
Untuk memperoleh selang kepercayaan 95%, dipilih = 0.05, dengan meli-
hat tabel A.5 dengan = 9, maka
2
0.025
= 19.023 dan
2
0.975
= 2.700.
8.4. MENAKSIR RASIO DUA VARIANSI DARI DUA SAMPEL 87
(9)(0.286)
19.023
<
2
<
(9)(0.286)
2.700
atau:
0.135 <
2
< 0.953
8.4 Menaksir rasio dua variansi dari dua sampel
Nilai taksiran rasio dari dua variansi populasi
2
1
/
2
2
adalah rasio s
2
1
/s
2
2
dari
variansi sampel. Sehingga statistik S
2
1
/S
2
2
dikatakan penaksir dari
2
1
/
2
2
.
Interval kepercayaan untuk
2
1
/
2
2
Jika s
2
1
dan s
2
2
adalah variansi dari dua sampel saling bebas yang berukuran n
1
dan n
2
dari populasi normal, maka interval kepercayaan (1)100% untuk
2
1
/
2
2
adalah
s
2
1
s
2
2
1
f
/2
(v
1
, v
2
)
<

2
1
2
2
<
s
2
1
s
2
2
f
/2
(v
2
, v
1
)
dimana f
/2
(v
1
, v
2
) adalah nilai-f dengan derajat kebebasan
1
= n
1
1 dan
2
= n
2
1 yang mempunyai luas sebelah kanan /2, serupa untuk f
/2
(v
2
, v
1
)
yang mempunyai derajat kebebasan
2
= n
2
1 dan
1
= n
1
1.
Contoh:
Sebuah perusahaan battery mobil mengklaim bahwa produknya, secara rata-
rata berumum 3 tahun dengan simpangan 1 tahun. Jika lima battery mem-
punyai umur 1.9; 2.4; 3.0; 3.5; 4.2 tahun, tentukan selang kepercayaan 95%
untuk
2
dan berilah pendapat apakah klaim perusahaan yang menyatakan
2
= 1 adalah valid. Asumsi distribusi umur battery adalah normal.
Jawab:
Hitung terlebih dahulu:
s
2
=
n
n
i=1
x
2
i
(
n
i=1
x
i
)
2
n(n 1)
=
(5)(48.26) (15)
2
(5)(4)
= 0.815
Untuk mendapatkan selang kepercayaan 95%, dipilih = 0.05 dengan meli-
hat tabel A.5 dengan = 4, maka
2
0.025
= 11.143 dan
2
0.975
= 0.484.
(4)(0.815)
11.143
<
2
<
(4)(0.815)
0.484
0.293 <
2
< 6.736
Kesimpulan klaim perusahaan bisa diterima, karena nilai 1 masih terletak
pada selang tersebut.
Bab 9
Testing Hipotesis Statistik
9.1 Ilustrasi
Diketahui tipe vaksin tertentu efektif hanya 25% setelah 2 tahun digunakan.
Untuk mengetahui vaksin baru lebih baik, maka diambil sampel 20 orang
dipilih secara random. Jika lebih dari 8 orang yang menerima vaksin baru
melewati 2 tahun masa uji dan ternyata tidak tertulari virus, maka vaksin
baru dikatakan lebih baik. Akan diuji hipotesis nol yang menyatakan vaksin
baru sama efektifnya dengan vaksin sekarang setelah melampaui 2 tahun.
Hipotesis alternatif menyatakan vaksin yang baru lebih baik dari vaksin yang
sekarang. Kasus ini ekivalen dengan menguji hipotesis bahwa parameter
binomial dengan peluang sukses adalah p = 1/4 terhadap hipotesis alternatif
p > 1/4. Dituliskan sebagai berikut:
H
0
: p =
1
4
,
H
1
: p >
1
4
Dari uji di atas X mempunyai nilai dari 0 sampai 20, yang dibagi men-
jadi dua, lebih kecil dari 8 dan lebih besar dari 8. Semua nilai yang lebih
besar dari 8 disebut dengan daerah kritis, yang lebih kecil dari 8 disebut
daerah penerimaan. Nilai 8 disebut dengan nilai kritis. Jika x > 8 maka
hipotesis H
0
ditolak, dan sebaliknya jika x 8 hipotesis H
0
diterima. Ada
dua macam kesalahan yang akan terjadi, menolak H
0
yang ternyata benar
dan menerima H
0
yang ternyata salah. Kesalahan yang pertama disebut
kesalahan tipe I dan kesalahan kedua disebut kesalahan tipe II.
89
90 BAB 9. TESTING HIPOTESIS STATISTIK
9.2 Kesalahan Uji
Denisi:
Menolak hipotesis nol ketika benar disebut kesalahan tipe I
Denisi:
Menerima hipotesis nol ketika salah disebut kesalahan tipe II
H
0
benar H
0
salah
Menerima H
0
keputusan benar kesalahan tipe II
Menolak H
0
kesalahan tipe I keputusan benar
Table 9.1: Situasi yang mungkin dari uji hipotesis
Peluang yang menyangkut kesalahan tipe I disebut tingkat signikan,
dinotasikan dengan . Dari contoh diatas dihitung:
=P(error tipe I) = P
_
X > 8; p =
1
4
_
=
20
x=9
b
_
x; 20,
1
4
_
=1
8
x=0
b
_
x; 20,
1
4
_
= 1 0.9591 = 0.0409
Dikatakan Hipotesis nol diuji untuk p = 1/4 dengan tingkat signikan =
0.0409
Peluang yang menyangkut kesalahan tipe II, dinotasikan dengan . Dari
contoh diatas dihitung dengan mengambil nilai p tertentu misalkan p = 1/2:
= P(error tipe II) = P
_
X 8; p =
1
2
_
=
8
x=0
b
_
x; 20,
1
2
_
= 0.2517
Idealnya, semua uji dapat menghasilkan kesalahan yang kecil, dan
. Untuk memperoleh hasil yang optimal maka nilai kritis dapat diubah-
ubah atau ukuran sample ditambah. Jika nilai krtis diubah, bila dapat
diperkecil maka bertambah besar. Dengan menambah ukuran sample,
9.2. KESALAHAN UJI 91
dan dapat diperkecil.
Untuk menentukan peluang kesalahan tipe I digunakan aproksimasi kurva
normal dengan ukuran sample ditambah menjadi 100, nilai kritis baru 36.
Selanjutnya dihitung:
= np = (100)(
1
4
) = 25 dan =
npq =
_
(100)(
1
4
)(
3
4
) = 4.33
Seperti digambarkan pada kurva Gambar 9.1, luas dengan x = 36.5,
berkorespondensi dengan:
z =
36.5 25
4.33
= 2.66
Dari table A-3 diperoleh:
=p(error tipe I) = P
_
x > 36; p =
1
4
_
P(Z > 2.66)
=1 P(Z < 2.66) = 1 0.9961 = 0.0039
=4.33
=25
36.5
Figure 9.1: Peluang kesalahan tipe I
Jika H
0
salah maka nilai benar untuk H
1
adalah p = 1/2, maka kesalahan
tipe II dapat dihitung:
= np = (100)(
1
2
) = 50 dan =
npq =
_
(100)(
1
2
)(
1
2
) = 5
Daerah penerimaan bila H
1
benar, digambarkan pada kurva Gambar 9.2.
Nilai z yang bersesuaian adalah:
z =
36.5 50
5
= 2.7
Sehingga peluang kesalahan tipe II adalah:
= p(error tipe II) = P
_
X 36; p =
1
2
_
P(Z < 2.7) = 0.0035
=50 =25 36.5
=4.33
H0
H1
x
=5
Figure 9.2: Peluang kesalahan tipe II
Dari contoh tersebut dapat disimpulkan:
1. Kesalahan tipe I dan II saling berhubungan. Jika salah satu membesar
yang lain mengecil.
2. Kesalahan tipe I dapat direduksi dengan mengatur nilai kritis
3. Menambah ukuran sample akan mengurangi kesalahan tipe I dan II
4. Jika hipotesis nol salah, nilai akan maksimum jika nilai benar dekat
dengan nilai hipotesis, dan sebaliknya akan semakin kecil.
9.3 Kekuatan Uji
Denisi:
Power/kekuatan dari Uji adalah peluang menolak hipotesis nol diberikan nilai
alternatif tertentu benar
9.3. KEKUATAN UJI 93
Contoh 1:
Proporsi mahasiswa di kota suatu kota ditaksir mempunyai peluang p=0.6.
Untuk menguji hipotesis diambil sample sebanyak 15 orang, jika sample
menunjukkan jumlah orang antara 6 sampai 12, maka hipotesis nol diterima
bahwa p=0.6 selain itu ditolak, atau p = 0.6
a). Hitunglah , asumsi p=0.6, gunakan distr. binomial
b). Hitunglah utk alternativ p = 0.5 dan p = 0.7
c). Apakah ini test yang baik.
Contoh 2:
Ulangi contoh diatas dengan sample 200 orang, daerah penerimaan antara
110 x 130. Gunakan aproksimasi normal.
Solusi:
a). 0.1498 b). 0.0793 0.0618
Ringkasan prosedur Uji Hipotesis
Tentukan hipotesis nol H
0
: =
0
Pilih hipotesis alternatif H
1
salah satu dari <
0
, >
0
, atau =
0
Tentukan tingkat signikan
Tentukan uji statistik yang sesuai dan tentukan daerah kritis. Jika
keputusan didasarkan dengan Nilai-P maka tidak perlu ditentukan
daerah kritis.
Hitunglah nilah uji dari data sample
Keputusan: TOLAKH
0
jika uji jatuh di daerah kritis. Jika berdasarkan
Nilai-P, maka Nilai-P kecil dari tingkat signikan yang diinginkan ().
Contoh:
Diambil 100 sample random umur orang di Amerika menunjukkan rata-rata
71.8 tahun, dengan simpangan baku 8.9 tahun. Apakah hal ini menunjukkan
bahwa umur orang Amerika rata-rata lebih dari 70 tahun. Gunakan tingkat
kepercayaan = 0.05.
Jawab:
1. H
0
: = 70 tahun
2. H
1
: > 70 tahun
3. = 0.05
4. Daerah kritis: z > 1.645, dimana z =
x
0
/
n
.
5. Perhitungan: x = 71.8 tahun, = 8.9 tahun, dan z =
71.8 70
8.9/
100
= 2.02
6. Keputusan: Tolak H
0
, umur orang US rata-rata memang lebih dari 70
tahun.

Diktat Probstat

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Diktat Probstat

Uploaded by

Copyright:

Available Formats

Diktat Kuliah

PROBABILITAS dan STATISTIKA

yaitu kartu dengan warna hitam.

adalah event yang saling berkomplemen maka:

f(t)dt untuk < x < .

f(x, y)dy dan h(y) =

g(x, y)f(x, y)dxdy

xg(x)dx untuk kasus kontinu

yh(y)dy untuk kasus kontinu

Dengan transformasi diatas, dapat dihitung:

16 Dengan mengubah menjadi normal standard dari x = 775

mempunyai rataan sama dengan parameter yang ditaksir. Panaksir yang

You might also like