Modul Statmat 2017

Modul Statistika Matematika ii
Kata Pengantar
Puji syukur kami panjatkan ke hadirat Allah SWT atas karunia dan hidayah-Nya, kami
dapat menyusun bahan ajar modul manual untuk mahasiswa Pendidikan Matematika, yakni
mata kuliah Statistika Matematika. Modul yang disusun ini berdasarkan silabus perkuliahan
Statistika Matematika yang berlaku di Universitas Muhammadiyah Prof. DR. HAMKA.
Penyusunan modul ini tidak lepas dari dorongan semua pihak baik berupa moril maupun
materil yang tidak dapat kami sebutkan satu persatu, terutama pada seluruh keluarga besar
Program Studi Pendidikan Matematika.
Kami menyadari masih banyak kekurangan atas modul ini, oleh sebab itu kritik dan saran
terhadap penyempurnaan modul ini kami harapkan.
Demikian, semoga modul ini dapat bermanfaat bagi semua, khususnya mahasiswa
Pendidikan Matematika FKIP UHAMKA.
Jakarta, Maret 2017

Penyusun,
Meyta Dwi Kurniasih, M.Pd.
iii Modul Statistika Matematika

Daftar Isi
HALAMAN SAMPUL ................................................................................................................ i
DAFTAR ISI .............................................................................................................................. ii
BAB I PELUANG .................................................................................................................. 2
1.1. Ruang sampel dan kejadian ............................................................................ 2
1.2. Definisi peluang ............................................................................................. 4
1.3. Peluang Bersyarat........................................................................................... 5
1.4. Proses stokastik berhingga .............................................................................. 6
1.5. Hukum-hukum probabilitas ............................................................................ 6
1.6. Teorema Bayes .............................................................................................. 7
1.7. Kejadian saling bebas ..................................................................................... 8
1.8. Soal-soal ........................................................................................................ 9
BAB 2 VARIABEL ACAK DAN FUNGSI DISTRIBUSI ............................................................... 14
2.1. Variabel acak ................................................................................................. 14
2.2. Variabel acak diskrit ....................................................................................... 16
2.3. Fungsi distribusi kumulatif .............................................................................. 16
2.4. Variabel acak kontinu..................................................................................... 17
2.5. Nilai harapan ................................................................................................. 18
2.6. Distribusi campuran........................................................................................ 20
2.7. Variansi.......................................................................................................... 20
2.8. Momen ......................................................................................................... 22
2.9. Aproksimasi mean dan median ....................................................................... 23
2.10. Momen generating functions .......................................................................... 24
2.11. Soal-soal ........................................................................................................ 27
BAB 3 HUKUM-HUKUM PROBABILITAS................................................................................ 30
3.1. Distribusi Bernouli ................................................................................. ....…. 31
3.2. Distribusi Binomial ................................................................................ …….. 33
3.3. Distribusi Hipergeometrik ...................................................................... ....…. 38
3.4. Distribusi Geometrik.............................................................................. ....…. 41
3.5. Distribusi Negatif Binomial .................................................................... ....…. 43
3.6. Distribusi Poisson .................................................................................. ....…. 46
3.7. Distribusi Uniform Diskrit ...................................................................... ....…. 49
3.8. Distribusi Uniform Kontinu.................................................................... ....…. 51
3.9. Distribusi Gamma.................................................................................. ....…. 53
3.10. Distribusi Eksponensial .......................................................................... ....…. 58
3.11. Distribusi Weibull .................................................................................. ....…. 62
3.12. Distribusi Normal .................................................................................. ....…. 65
3.13. Distribusi Pareto.................................................................................... ....…. 68
3.14. Soal-Soal ............................................................................................... ....…. 70
BAB 4 DISTRIBUSI BERSAMA VARIABEL ACAK....................................................................... 77
4.1. Distribusi Bersama ................................................................................. ....…. 77
4.2. Distribusi Multinomial ........................................................................... ....…. 78
4.3. Variabel Acak Kontinu Bersama ............................................................. ....…. 80
4.4. Variabel Acak Bebas Stokastik ................................................................ ....…. 81
4.5. Distribusi Bersyarat................................................................................ ....…. 82
4.6. Kovarians.............................................................................................. ....…. 86
4.7. Koefisien Korelasi .................................................................................. ....…. 90
4.8. Nilai Harapan Bersyarat ........................................................................ ....…. 91
4.9. MGF Bersama ....................................................................................... ....…. 93
4.10. Soal-Soal ............................................................................................... ....…. 95
BAB 5 FUNGSI VARIABEL ACAK ............................................................................................ 102
Modul Statistika Matematika iv

5.1. Metode CDF .............................................................................................…. 103
5.2. Metode Transformasi Variabel Acak...........................................................…. 105
5.3. Metode MGF ............................................................................................…. 109
5.4. Order Statistik ...........................................................................................…. 110
5.5. Teorema Limit Pusat ..................................................................................…. 113
5.6. Konvergen Stokastik ..................................................................................…. 117
5.7. Soal-Soal ...................................................................................................…. 118
BAB 6 DISTRIBUSI BERSAMA VARIABEL ACAK ....................................................................... 123
6.1. Distribusis Statistik Mean Sampel ................................................................…. 123
6.2. Distribusis Statistik Varian Sampel ...............................................................…. 125
6.3. Distribusi t-student .....................................................................................…. 127
6.4. Distribusi F ................................................................................................…. 131
BAB 7 ESTIMASI ..................................................................................................................... 135
REFERENSI ............................................................................................................................... 136
v Modul Statistika Matematika

Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd. BAB 1 Peluang
BAB 1
PELUANG
 PENDAHULUAN
Kompetensi : a. Memahami probabilitas dan sifat-sifatnya
b. Menghitung probabilitas suatu kejadian
Perkuliahan : 1. Ruang sampel dan kejadian
2. Definisi aksiomatik probabilitas
3. Sifat-sifat probabilitas
4. Probabilitas bersyarat
5. Kejadian independen
Indikator : 1. Menjelaskan ruang sampel dan kejadian
2. Menjelaskan definisi aksiomatik probabilitas
3. Membuktikan sifat-sifat probabilitas
4. Menjelaskan probabilitas bersyarat
5. Menjelaskan kejadian independen
6. Menghitung probabilitas suatu kejadian
 KEGIATAN BELAJAR
Dari pandangan intuitif, peluang terjadinya suatu peristiwa atau kejadian adalah
nilai yang menunjukkan seberapa besar kemungkinan peristiwa itu akan terjadi.
Misalnya, peluang yang tinggi menunjukkan kemungkinan terjadinya peristiwa itu
sangat besar.
Konsep peluang berhubungan dengan pengertian eksperimen yang menghasilkan
“hasil” yang tidak pasti. Artinya eksperimen yang diulang-ulang dalam kondisi yang
sama akan memberikan “hasil” yang dapat berbeda-beda.
1. 1. Ruang Sampel dan Kejadian

Ruang sampel atau sampel adalah himpunan semua kejadian yang mungkin dari
sebuah eksperimen, disimbolkan “S”. Ruang sampel dapat dibedakan menjadi dua, yaitu
ruang sampel diskrit dan ruang sampel kontinu. Ruang sampel diskrit adalah ruang sampel
yang memiliki banyak anggota berhingga atau tidak berhingga tetapi dapat dihitung,
sedangkan ruang sampel kontinu adalah ruang sampel yang anggotanya merupakan
interval pada garis bilangan real. Himpunan bagian dari ruang sampel dinamakan
kejadian/event. Secara khusus, himpunan yang hanya terdiri dari satu kejadian dinamakan
titik sampel.
Contoh Soal 1.1:
Modul Statistika Matematika 2

BAB 1 Peluang Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd.
Jika sebuah koin dilempar 3 kali, kejadian yang mungkin ?

Jawaban:
S={GGG,GGA,GAG,AGG,GAA,AGA,AAG,AAA}. Dengan S adalah ruang sampel.
Latihan Soal 1.1:
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.
Dari soal di atas dapat diketahui bahwa frekuansi relatif memiliki sifat-sifat:
 fn (0)  0
 fn ( S )  1
 fn ( A  B)  fn  A  fn  B  jika A  B  
Catatan:
 Kejadian dikatakan saling asing jika kejadian tersebut tidak dapat terjadi bersama-sama.
 Jika ruang sampel suatu percobaan dengan kejadian dasar S = {S i}, maka peluang
timbulnya kejadian dasar S = { Si } dengan i = 1,2,…,n adalah :
Pi = P[{Si}], i = 1,2,…,n dengan sifat :
 Pi  0
 P 1 i
i 1
 
k k
 Jika A1,…,Ak adalah kejadian dalam S yang saling asing maka P P i

 P i
i 1 i 1
3 Modul Statistika Matematika

1. 2. Definisi Peluang
Misal dalam eksperimen pelemparan/lambungan sebuah dadu diperhatikan
banyaknya mata yang muncul. Misalkan A adalah kejadian bahwa muncul mata dadu
genap. Maka S = {1, 2, 3, 4, 5, 6 }dan A = { 2, 4, 6 }. Tiap-tiap elemen S dianggap
mempunyai kemungkinan sama untuk terjadi.
Jika suatu kejadian yang mempunyai peluang yang sama, yaitu = , ∀ , = 1,2, … , maka
disebut Peluang Klasik
Hal yang penting dalam masalah ini adalah perbandingan antara banyaknya elemen
dalam A, yaitu n(A) dan banyaknya elemen dalam S, yaitu n(S); Dimana n(S) = 6.
( ) 3 1
( )= = =
( ) 6 2
Angka perbandingan ini, yaitu , dinamakan peluang terjadinya kejadian A.
Definisi 1.2 :
Misalkan suatu ruang sampel S mempunyai elemen yang banyaknya berhingga, yaitu
n(S) = N, dan tiap-tiap elemen dari S mempunyai kemungkinan sama untuk terjadi.
Misalkan pula A adalah suatu kejadian (himpunan bagian dari S), yang mempunyai elemen
sebanyak n(A). Maka peluang P bahwa kejadian A akan terjadi, didefinisikan sebagai :
( )=
( )
( )
, dengan sifat: P ( A)  0 ; P( S )  1 ; P( )  0 dan P( A  B)  P( A)  P( B) jika AB  
Sifat – sifat lain dari peluang, dinyatakan dalam teorema berikut : Jika A,B suatu
kejadian dalam S, maka :
1. P ( A  B )  P ( A)  P ( B )  P ( A  B )
2. P( A)  1  P( A) A A  S
A A  
3. P ( A  B )  P ( A )  P ( A  B )
4. P ( A  B  C )  P ( A )  P ( B )  P ( C )  P ( A  B )  P ( A  C )  P ( B  C )  P ( A  B  C )
Latihan Soal 1.2:

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!

1. 3. Peluang Bersyarat
Suatu kejadian dapat bergantung pada terjadi atau tidaknya suau kejadian lain. Untuk
kejadian yang bergantung pada kejadian lain, nilai peluangnya dicari dengan
menggunakan peluang bersyarat sebagai berikut:
Peluang bersyarat suatu kejadian dengan syarat terjadinya peristiwa yang lain
(sebelumnya) didefinisikan sebagai berikut :
P  A  B
P  A | B  dengan P  B   0
P B
Secara umum, jika dua peristiwa A1 dan A2 saling asing A  A

1 2
   , maka :
P  A1  A2  B 
P  A1  A2 | B  
P  B
P  A1  B  A2  B 
=
P B
P  A1  B  P  A2  B 
 
P  B P B
 P  A1 | B   P  A2 | B 
Sifat – sifat lain dari peluang bersyarat adalah sebagai berikut :

1. P(A|B) = P  A | B
2. P  A1  A2 | B  = P  A1 | B   P  A2 | B   P  A1  A2 | B 
3. 0  P  A | B  1
Latihan Soal 1.3 :

Misalkan sepasang dadu yang setimbang dilambungkan satu kali. Dilihat jumlah mata dadu
yang muncul. A kejadian bahwa jumlah mata yang muncul pada kedua dadu sama dengan
6. B kejadian muncul mata 2 pada paling sedikit satu dadu. Tentukan peluang bersyarat
dari B dengan syarat A?

1. 4. Proses Stokastik Berhingga

Suatu deretan berhingga dari eksperimen-eksperimen di mana tiap eksperimen
mempunyai sejumlah berhingga hasil yang mungkin dengan peluang yang tertentu disebut
proses stokastik berhingga. Suatu cara yang terbaik untuk menjelaskan (menggambarkan)
suatu proses dan perhitungan peluang dari sebarang kejadian adalah dengan suatu diagram
pohon.
Latihan Soal 1.4 :
Dalam sebuah eksperimen terdapat 3 buah kotak sebagai berikut:
Kotak I berisi 6 bola merah dan 4 bola biru
Kotak II berisi 5 bola merah dan 1 bola biru
Kotak III berisi 5 bola merah dan 3 bola biru
Ani memilih satu kotak secara acak dan kemudian dari kotak tersebut di ambil sebuah bola
secara acak. Berapa peluang bahwa bola yang terambil Ani adalah bola biru?
1. 5. Hukum-Hukum Probabilitas
Menurut teori himpunan, telah diuraikan bahwa jika kejadian B dan kejadian B saling
asing, maka :
1. BB  3. A     5. A  S  A
2. B  B  S 4. A    A 6. A  S  S
Hukum diatas disebut dengan Hukum Identitas.

∩ =

∩( ∪ ) = ∩ ∪ ∩
∩( ∪ ) = ( ∩ )+ ( ∩ )
Sehingga : ( ) = ∩ ( ∪ )
( )= ∩ ( ∪ )
( ) = ( ∩ )+ ( ∩ )
Secara umum, jika B1 , B2 ,..., Bk kejadian–kejadian saling asing, maka S  B1  B2  ...  Bk
sehingga :
A  S  A   B  B  ...  B
1 2 k
  A B 1
 A  B2  ...  A  Bk
Teorema 1.5 :
Jika B , B , ..., B himpunan kejadian saling asing, maka untuk sebarang peristiwa A
1 2 k
berlaku : P  A   P  B P  A | B  i i
i 1
Pembuktian :
Karena A   A  B1   ...   A  Bk 
P  A   P  A  B1   ...  P  A  Bk 
= P  B1  .P  A | B1   ...  P  Bk  .P  A | Bk 
k
=  P  B .P  A | B 
i i
i 1
1. 6. Teorema Bayes
Munculnya suatu kejadian sering tergantung pada kejadian yang dapat
mempengaruhi munculnya kejadian tersebut.
Latihan Soal 1.6 :
Terdapat 3 dus berisi barang elektronik (lampu). Dus I berisi 25 lampu dan 5 diantaranya
rusak. Dus II berisi 35 lampu dan 10 diantaranya rusak. Dus III berisi 40 lampu dan 5
diantaranya rusak. Sebuah dus dipilih secara random, tentukan probabilitas bahwa produk
yang terambil rusak!

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 :
P  Bj  P  A | Bj 
P  B j | A 
 PB  P A | B 
k
j j
j 1
1. 7. Kejadian Saling Bebas

Dua kejadian dikatakan saling bebas jika tidak saling mempengaruhi. Secara statistik,
A dan B dikatakan bebas / independent, jika :
P A  B  = P A  PB  Saling Bebas
P A  B   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 1.7 :
Jika A dan B adalah dua kejadian saling bebas jika dan hanya jika :
1. A dan B, bebas
2. A dan B, bebas
3. A dan B, bebas
Pembuktian :
PA  B  = PA  PA  B
= P A  P APB
= P A1  PB
 
= P B PA
Secara umum, jika Ai, i , i  1, 2 ,..., k adalah peristiwa saling bebas, maka :
 k A k P A 
P i   i  
 i 1 i 1
Contoh 1.7:
Jika dua dadu dilempar satu kali secara bersamaan, tunjukkan bahwa dua kejadian
dibawah ini saling bebas !

1. 8. Soal-Soal
1. Dua buah uang koin dilantunkan sekaligus, jika B peristiwa tidak muncul gambar, maka
tentukanlah peluang terjadinya Bc ?
2. There are four basic blood groups: O, A, B, and AB. Ordinary, anyone can receive the
blood of a donor from their own group. Also, anyone can receive the blood of a
donor from the O group, and any of the four types can be used by a recipient from
the AB group. All other possibilities are undesirable. An experiment consist of drawing
a pint of blood and determining its type for each of the next two donors who enter a
blood bank.
a. List the possible (ordered) outcome of this experiment.
b. List the outcomes corresponding to the event that the second donor can receive
the blood of the first donor.
c. List the outcomes corresponding to the event that
3. A balanced coin is tossed four times. List the possible outcomes and compute the
probability of each of the following events:
a. Exactly three heads.
b. At least one head.
c. The number of heads equals the number of tails.
d. The number of heads exceeds the number of tails.
4. Misalkan terdapat 6 buah angka yaitu: 1, 3, 5, 7, 8, 9. Kemudian dibentuk sebuah
bilangan yang terdiri dari tiga angka dan setiap bilangan yang terdiri dari tiga angka
dan setiap angka hanya digunakan sekali. Berapa peluang bahwa bilangan yang
dibentuk adalah bilangan genap?
5. Seorang siswa diminta menyelesaikan 7 buah soal dari 10 soal yang disediakan dalam
suatu ujian tulis. Berapa peluang siswa tersebut harus mengerjakan 4 soal yang
pertama?
6. A box contains three good` cards and two bad cards. Player A chooses a card and
then player B chooses a card. Compute the following probabilities:
a. P(A good)
b. P(B good | A good)
c. P(B good | A bad)
d. P(B good and A good)
e. P(B good)
f. P(A good | B good)
7. A bag contains five blue balls and three red balls. A boy draws a ball, and then draws
another without replacement. Compute the following probabilities:
a. P(2 blue balls)
b. P(a blue and a red)
c. P(at least 1 blue)
d. P(2 red balls)
8. Misalkan ada tiga kotak yang masing-masing berisi:

Kotak 1 berisi 10 lampu cabe, dengan 4 lampu di antaranya rusak

Sebuah kotak dipilih secara acak, kemudian sebuah lampu cabe di ambil secara acak
dari kotak yang terpilih itu.
a. Berapa peluang bahwa lampu cabe yang terambil itu rusak?
b. Jika lampu cabe yang terambil itu rusak, maka berapa peluang bahwa lampu cabe
yang rusak berasal dari kotak 1?
c. Jika lampu cabe yang terambil itu rusak, maka berapa peluang bahwa lampu cabe
d. Jika lampu cabe yang terambil itu rusak, maka berapa peluang bahwa lampu cabe
9. Misalkan A adalah himpunan berdimensi satu dan fungsinya berbentuk: ( )=
( ) ; = 1,2,3, … . jika ( ) = ∑ ( ), maka hitung ( ) dengan:
a. = { : 0 < < 4}
b. = { : merupakan bilangan ganjil}
10. Misalkan A adalah himpunan berdimensi satu dan fungsinya berbentuk: ( )=
∫ ; > 0,
a. Jika = { : 1 ≤ ≤ 3}, maka ( )
b. Jika = { : 1 ≤ < 2} dan = { : 2 ≤ < 4}, maka hitung ( ∪ )
c. Jika = { : 0 ≤ < 3} dan = { : 2 ≤ < 4}, maka hitung ( ∪ )
Jawaban :



Tanggal Paraf Dosen Nilai

Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd. BAB 2 Variabel Acak dan Fungsi Distribusi
BAB 2
Variabel Acak dan Fungsi
Distribusi
 PENDAHULUAN
Kompetensi : Memahami variabel acak, distribusi dan sifat-sifatnya
Perkuliahan : 1. Variabel acak
2. Variabel acak diskrit
3. Fungsi distribusi kumulatif
4. Variabel acak kontinu
5. Nilai Harapan
6. Distribusi campuran
7. Variansi (Ragam)
8. Momen
9. Aproksimasi mean dan median
10. Moment Generating Functions
Indikator : 1. Menjelaskan variabel acak
2. Menjelaskan distribusi variabel acak
3. Menjelaskan variabel acak diskret dan kontinu
4. Menghitung mean variabel acak
5. Menghitung variansi variabel acak
6. Menentukan fungsi pembangkit momen variabel acak
Bidang statistika berurusan dengan penarikan inferensi tentang populasi dan sifat
populasi. Percobaan yang dilakukan memberi hasil yang memungkinkan. Dalam Bab
ini, akan mengembangkan model matematika untuk menggambarkan peluang atau
hasil kejadian yang terjadi dalam ruang sampel.
Pada dasarnya distribusi variabel acak dan penerapannya ada dua bagian yaitu:
distribusi untuk satu variable acak yang penggunaannya dilakukan terhadap
penghitungan beberapa macam ekspektasi matematis untuk satu variable acak baik
diskrit maupun kontinu dan yang kedua distribusi untuk dua variable acak.
2. 1. Variabel acak
Variabel acak (variabel acak) merupakan fungsi dengan domain kecil hasil
pengamatan dan kodomainnya merupakan bilangan real atau suatu fungsi yang
mengaitkan suatu bilangan real pada setiap unsur pada ruang sampel. Variabel acak
disimblkan dengan huruf kapital (X, Y, Z, dll), sedangkan nilainya dinyatakan dengan huruf
kecil padanannya, misal , , dll.

BAB 2 Variabel Acak dan Fungsi Distribusi Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd
Contoh Soal 2.1 :

Dua bola diambil satu demi satu tanpa pengembalian dari suatu kantong yang berisi 4 bola
merah dan 3 bola hitam. Bila Y menyatakan jumlah bola merah yang di ambil maka
yang mungkin dari variabel acak Y adalah:
Ruang sampel Y
MM 2
MH 1
HM 1
HH 0
Latihan Soal 2.1 :

Sebuah koin dilemparkan sebanyak 3 kali. Jika X merupakan variabel acak yang
menyatakan banyak angka yang muncul, dan Y adalah variabel acak yang menyatakan
banyak gambar yang muncul. Apa hubungan antara X dan Y?
S X Y ( ) ( )
AAG
GAG

Macam-macam variabel acak:

a. Variabel acak diskrit (Countable)
b. Variabel acak kontinu (Measurable)
2. 2. Variabel acak diskrit

Jika ruang sampel dari variabel acak x countable, maka variabel acak x dinamakan
variabel random diskrit. Suatu variabel acak diskrit mendapat nilai peluang tertentu. Suatu
fungsi dengan domain variabel acak diskrit dinamakan fungsi densitas probabilitas diskrit
atau fungsi kepadatan peluang diskrit atau fungsi masa probabilitas diskrit. Disingkat
dengan pdf (Probability Density Function) diskrit atau dinamakan fungsi masa probabilitas.
Teorema 2.2:
Suatu fungsi f (x) adalah pdf diskrit jika hanya jika memenuhi sifat:
1. f (x) > 0
2.  f x  1
3. Penulisan lain f (x)  f X x dengan x = nilai variabel acakX
Contoh Soal 2.2 :
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 distribusi kumulatif

CDF (Cumulative Distribution Function) dari variabel acak X didefinisikan untuk
sebarang bilangan real x berlaku :
F  x   P  X  x   FX  x 
 P  X  x  1 F  x
Definisi 2.3:
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: x1  x2  x3  .....
f  x1   F  x1  dan j , j>1
     
berlaku f x j  F x j  F x j 1 sedangkan untuk x < x i , maka
F  x   0 ,sehingga F  x    f x j
xj x
Sifat-sifat CDF :
a. lim F x   1
X 
b. lim F x   0
X 
c. lim F  x  h   F  x 

h 0
d. a  b  F  a   F b 

Contoh Soal 2.3 :

Dari pelemparan sebuah koin yang dilemparkan tiga kali, bentuklah fungsi
distribusinya!
2. 4. Variabel acak kontinu

Bila ruang sampel mengandung titik sampel yang tak berhingga banyaknya dan
banyaknya sebanyak titik pada suatu interval garis, maka ruang sampel itu disebut ruang
sampel kontinu. Suatu variabel acak X disebut variabel acak kontinu jika terdapat pdf f(x),
sedemikian hingga CDF-nya dapat dinyatakan sebagai :
x
CDF  F  x   f  t  dt

d
pdf  f  x  F  x
dx
Secara khusus, jika X variabel acak kontinu, maka :

a. Pa  x  b  Pa  x  b  Pa  x  b  Pa  x  b
b. Px  k   0, dengan k = konstanta
b
c. Pa  x  b   f x dx
a
Teorema 2.4 :
Suatu fungsi f (x) adalah pdf untuk beberapa variabel acak kontinu X, jika memenuhi
:
1. f x  0 ,  bilangan real X.

2.  f x dx  1


Contoh Soal 2.4 :

c 1 x  , x 0
3
Jika X merupakan variabel acak kontinu dengan pdf f x   

 0, x 0
Tentukan CDF nya!
Penyekesaian :
Tentukan tertlebih dahulu nilai pada fungsinya ....

 c 1  x 
3
dx  1


1 2 
c 1  x    1
2 0
c2
Maka, CDF nya adalah :
x x
F  x   f  t  dt   2 1  t  =
3
dt
 
11 x  , x0
2
F x   
 0, x 0
2. 5. Nilai Harapan
Apabila X adalah variabel acak diskrit dengan pdf f(x), maka Nilai
Harapan/Ekspektasi/Mean dari X didefinisikan sebagai :
n
E  x    xf  x 
X 1
Contoh Soal 2.5.1 :

Pada pelemparan sebuah koin yang dilempar 3 kali. Tentukan meannya?
Penyelesaian :
E  x   3.  2.  1.  0. 
1 3 3 1 3
8 8 8 8 2

Jika X variabel acak kontinu dengan pdf f(x), maka Nilai Harapan   E  x    xf  x  dx

Contoh Soal 2.5.2 :

Dari Contoh 2.4 (Jika X merupakan variabel acak kontinu). Tentukan nilai harapannya?
Penyelesaian :
 
E x    x.0.dx   x.21  x
3
dx  1
 0
Teorema 2.5 (Sifat-sifat Umum Nilai Harapan) :

Jika X variabel random dengan pdf f(x) dan u(x) merupakan fungsi bernilai real dari
variabel random X, maka :
E u  x    u  x  f  x  , X VAD
R

E u x    u x  f x dx , X VAK
R
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: Ea.g x   bhx   aEg x   bEhx 
Pembuktian :
Misalkan V variable acak kontinu, maka :
E a.g x   bhx    a.g x   bhx  f x dx
R
=  a.g 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ax  b  aEx   Eb
E b   bf x dx  E  f x dx  1
R R
Latihan Soal 2. 5:
1. Jika X adalah variabel acak diskrit dengan distribusi peluang sebagai berikut:
0 1 2 3
( ) 1 1 0 1
3 2 6
Tentukan nilai harapan matematis dari X?
2. Diberikan variabel acak kontinu X dengan pdf sebagai berikut:
3
( )= , untuk 0 ≤ ≤ 2
8
0, untuk yang lain
Tentukan nilai :
a) ( ) = ⋯.
b) ( ) = ⋯.
c) (2 + 3 ) = ⋯.

2. 6. Distribusi campuran
Suatu distribusi probabilitas untuk variabel random X dinamakan campuran, jika CDF-
nya dapat dinyatakan sebagai berikut:
F x   Fd x   1   Fc x  , dengan 0  x  1
Contoh Soal 2.6 :

Misal X adalah variabel random yang menyatakan waktu tunggu sebuah proses dengan CDF
F x   0,4.Fd x   0,6.Fc x  , dengan Fd x   1 dan Fc x   1  e  x , untuk x  0 .
Tentukan bentuk CDF campuran tersebut!
Penyelesaian :
Px  t  = F x
Px  t  = 1  F x 
x  0  Px  0  0,4

x  5  0,4  0,6 1  e  x  0,636 
Jadi :
( ≥ 0) dan ( ≤ )
( ≤ \ ≥ 0) =
( ≥ 0)
(0 ≤ ≤ )
=
( ≥ 0)
( ) − (0)
=
1 − ( = 0)
0,4 + 0,6(1 − )
( ≤ \ ≥ 0) = = (1 − )
1 − 0,4
F  t   1  et   et
d d
f t  
dt dt
2. 7. Variansi (Ragam)
Varian dari variabel acak X didefinisikan sebagai Var(x) dimana
V ( x)    E x  E x  ,   0, dengan E x   
2 2
x
Atau Var x   x    f x  , variabel acak diskrit

2
Atau Var  x     x    f  x dx , variabel acak kontinu

2
Teorema 2.7.1 :
Jika X variabel acak kontinu, maka vx   E x 2   2 

Pembuktian :
V x    x    f x dx  E x   2
2

= E x 2  2 x    2
= E x   2E x   E  
2 2
= E x   2 .   2
2
V x   E x    2
2
Simpangan baku = = ( )
Latihan Soal 2.7 :
Perhatikan contoh pelemparan koin sebelumnya, dengan mean = ( ) = = .
Tentukan varian dan simpangan bakunya!
Teorema 2.7.2:
Jika X variabel acak dan a, b suatu konstanta, maka : V(ax+b)=V(ax) sehingga ( + )=
( )
Pembuktian :
V ax  b  E   ax  b   E  ax  b  
2
= E  ax  b    E  ax  b  
2 2
= a 2v  x 

Jika X,Y dua buah variabel random, maka berlaku: V  x  y   V  x   V  y   2Cov  x, y 
Jika X, Y independen dan cov (x, y) = 0, maka berlaku : v ( x  y )  v ( x )  v ( y )

Cov  x, y   E  x   x  y   y 
= E  xy   E  x  .E  y 
Jika X, Y independen, maka : E  xy   E  x  .E  y 
Sehingga Cov (x,y) = 0
 x, y   korelasi (x, y)
  x, y  
cov( x, y )
V  y V  x
Secara khusus, V ( x )  cov( x , x )
2. 8. Momen
Momen ke-k di sekitar x=0 dari variabel random X didefinisikan sebagai :
k  E xk  
Momen ke k disekitar x =  , didefinisikan :  k  E x   
k
Jika k=1  1  Ex     E ( x)    0

k=2   2  E ( x   ) 2   2
Contoh Soal 2.8 :
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!
Penyelesaian :
f X x  110 , 20  x  30
 1
10 , untuk yang lain.
Momen ke k dari variable acak tersebut adalah :
30 − 20
= [ ]= = , dimana = 1,2,3, …
10 10( + 1)
Sehingga diperoleh :
m1 
30  20
2 2
 25 dan m2 
30  20
3 3
 633
1
102 103 3
Karena m1   X , sehingga diperoleh  X  25 . Dan karena m2   X2   X2 , maka diperoleh
1
 X2  8
3

Batas – batas probabilitas

Jika X suatu variabel random dan x fungsi bernilai real non-negatif, maka untuk
E    x 
sembarang konstanta positif c, berlaku : p (  x  c ) 
c
Dari teorema batas–batas probabilitas di atas, dapat diturunkan sebuah pertidaksamaan
Chebychev, sebagai berikut :
Teorema 2.8 :
Jika X variabel random dengan mean  dan varian  2 , maka untuk sebarang k>0, berlaku
: P  x    k  
k
1
2
k
1
or p x    k  1  2  

Jika diambil   k  k 

 
2 2
P x      atau p  x       1 
 
2 2
2. 9. Aproksimasi mean dan median

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 ,...., H n x  dan H x  dapat diekspansikan menurut
Deret Taylor di sekitar x   , maka :
x ' x
2
H '  x  H    H    H "     .........sehingga
1! 2!
x  
2
E  H ( x)   E  H       x    H       ....)
' "
H
2!
H "  
 H   E x   H   E x    .....
' 2
.
2
H
''

 H   0  0 
2
Jadi, E H  x   H    H   2  e   e   2
1 " 1
2 2
V H x   V H    x   H '    ........
= 0  V x     H '  

 
= H '   vx   
2
= H   
' 2 2
Jadi, V H x   H   r ' 2 2
Contoh Soal 2.9 :

Jika X variabel random bernilai positif dengan pdf f x   ln x , maka tentukan E ln x  dan
V ln x 
Penyelesaian :
H  x   ln x maka H    ln x
H ' x  
1
x
H " x   
1
x2
E ln x   ln    x    2  H ''  x 
1
2
= ln  
1
x   2   12 
2   
1
= ln   2
2 2

V ln x   H '    2 2
1 2
= 
2
2
= 2

2. 10. Moment Generating Functions

Jika X variabel random, maka MGF dari X didefinisikan sebagai berikut :
 
M x t   E e tx ,  h  t  h , h  0
Ekspektasi ini ada nilainya, jika :
X Variabel acak diskrit  M x t   E e tx    e txi f x1 


i 1
X Variabel acak kontinu  M x t   E e tx

   e f xdx
tx
Fungsi ini penting terutama dalam mendapatkan mean dan varian.

Secara khusus, jika X variabel diskrit, maka berlaku :

M x t    e txi f  xi 
M ' x t    xie txi f xi 
M " x t    xi e txi f xi 

2
:
:
M x( r ) t    xir e txi f xi 
Jika t = 0, maka :
M x' 0   xi f xi 
= E x   
M 0   xi2 f xi 
''
x
 
= E x2   2  r 2
M f xi    xir f xi 
r
x
Jadi ,   M ' x 0
 2  M '' x0  M ' x0  

2
Contoh Soal 2.10.1 :

Jika X variabel acak kontinu dengan f x   e  x , x  0 , maka tentukan MGF!
Penyelesaian :
M x t    e tx f x dx
R

=  e tx e  x dx
0

t 1 x
= e
0
dx
e t 1x

= d t  1x
0
t 1
1 t 1 x 
=
t 1
e 0

1 1t x
=
t 1
e 0
=
1
0  1
1 t

1
,t  1
t 1
M x t    1  t 
1 1
1 t
M x'  t   11  t   1  1  t 
2 2
M x' 0  1
M x" t   21  t   1
3
= 21  t 
3
M x" 0  2
Jadi, Ex   1
 2  2   1  1
2
Latihan Soal 2.10 :

x 1
1
Jika X variabel acak diskrit dengan pdf f x     dengan x=0,1... Tentukan MGF-nya!
2
Sifat-sifat MGF :
1. Jika y = ax+b, maka MGF-nya adalah M y  t   ebt M x  at 
2. y  x    M y  t   e t M x  t 
Teorema 2.10 :

Jika MGF X ada, maka E  x r   M x r   0  dengan: M x  t   1  

 t
E x
r r
r 1 r!

2. 11. Soal-Soal
1. Diketahui X variabel acak kontinu dengan:
+ 1, untuk − 1 ≤ < 0
( )= − , untuk 0 ≤ ≤ 1
0, untuk yang lain
Tentukan ( )? Hitunglah ( ≥ )?
2. A continuous random variable X has pdf given by f(x) = c(1 – x)x2 if 0 < x < 1 and
zero otherwise. Find the constant c? And find E(X).
3. Diketahui ( ) adalah CDF dari variabel acak kontinu:
0 , untuk < 0
( ) = 1 − (1 − ) , untuk 0 ≤ < 1
1 , untuk ≥ 1
Tentukan ( ) = ⋯.
4. Tiga keping uang logam dilempar bersama-sama sebanyak satu kali. Jika X menyatakan
banyaknya sisi Gambar yang mucul, maka tentukanlah = ....
5. A discrete random variable X has a pdf of the form f(x) = c(8 – x) for x = 0, 1, 2, 3,
4, 5, and zero otherwise.
a. Find the CDF, F(x).
b. Find P[X > 2].
c. Find E(X).
6. A nonnegative integer-valued random variable X has a CDF of the form F(x) = 1 –
(1/2)x+1 for x = 0, 1, 2, … and zero if x < 0.
a. Find the pdf of X.
b. Find P[10 < X  20].
c. Find P[X is even].
7. A continuous random variable X has pdf given by f(x) = c(1 – x)x2 if 0 < x < 1 and
zero otherwise.
a. Find the constant c.
b. Find E(X).
8. A function f(x) has the following form:
( )
( )= ;1 < < ∞
and zero otherwise
a. For what values of k is f(x) a pdf?
b. Find the CDF based on a.
c. For what values of k does E(X) exist?
Jawaban :



Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd. BAB 3 Hukum-Hukum Probabilitas
BAB 3
Hukum-Hukum Probabilitas
 PENDAHULUAN
Kompetensi : 1. Memahami variabel acak diskrit dan sifat-sifatnya
2. Memahami variabel acak kontinu dan sifat-sifatnya
Perkuliahan : 1. Variabel acak diskrit
a. Distribusi Bernoulli
b. Distribusi Binomial
c. Distribusi Hipergeometrik
d. Distribusi Geometri
e. Distribusi Negatif Binomial
f. Distribusi Poisson
g. Distribusi Uniform Diskrit
2. Variabel acak kontinu
a. Distribusi Uniform Kontinu
b. Distribusi Gamma
c. Distribusi Eksponensial
d. Distribusi Weibull
e. Distribusi Normal
f. Distribusi Pareto
Indikator: 1. Menentukan mean, variansi, dan fungsi pembangkit momen variabel

acak diskrit
2. Menentukan mean, variansi, dan fungsi pembangkit momen variabel
acak kontinu
Setelah mempelajari tentang variabel acak dan fungsi distribusinya, maka pada
Bab ini akan dibahas lebih lanjut mengenai beberapa sebaran/distribusi variabel acak
diskrit dan variabel acak kontinu. Selanjutnya diberikan contoh untuk menentukan nilai
ekspektasi, ragam serta fungsi pembangkit momen (MGF) dari masing-masing distribusi
tersebut.
DISTRIBUSI PROBABILITAS VARIABEL ACAK DISKRIT

BAB 3 Hukum-Hukum Probabilitas Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd.
3. 1. Distribusi Bernouli
Pengertian Distribusi Bernouli Bernoulli adalah percobaan yang
JAMES BERNOULLI (1654-1705)

orang yang menemukan atau
memecahkan Distribusi Bernouli.
memenuhi kondisi-kondisi berikut:
 Percobaan/ kejadian hanya dilakukan satu kali.

 Setiap percobaan/kejadian hanya memberikan dua hasil yang mungkin, yaitu
sukses atau gagal.
 Probabilitas sukses, disimbolkan dengan p, dan probabilitas gagal, dinyatakan
dengan q, adalah q = 1 – p.
p x 1

Rumus Distribusi Bernouli secara matematik: PB ( x, p)  (1  p)  q x  0
0 x  atau 1

Atau PB ( x, p)  p x (1  p)1 x ; = 0,1 ; 0 ≤ ≤1
Beberapa distribusi yang dilandasi oleh Proses Bernoulli adalah: Distribusi

binomial, Distribusi geometrik, dan Distribusi hipergeometrik.(termasuk kategori
tersebut adalah distribusi multinomial dan negatif binomial).
BERNOULLI TRIALS (Percobaan Bernouli)
Percobaan yang hanya mempunyai 2 hasil yang mungkin (sukses - gagal).
Contoh :
Ujian Anak
Perem
Lulus
puan
Tidak Laki-
Lulus laki
Teorema 3.1 :
Jika X ~ BIN (1 , p) dimana 0 < < 1; = 1 − (X variabel acak berdistribusi
Bernoulli).
1. Mean (Nilai Harapan) :  x  E ( X )  p
2. Varians :
 x2  p (1  p )  pq
3. Fungsi Pembangkit Moment (MGF) : M x (t )  (1  p )  p.e t ; t  R

Pembuktian:

1 x
f ( x )  p (1  p )
x
E ( x)   x. f ( x)
x
E ( x )   x. p (1  p )
x 1 x
x
1 0 11
E ( x )  0. p (1  p )  1. p (1  p )
0 1
E ( x )  0.1.1  1. p.1
E ( x)  p
 2  Var ( X )   ( x   ) 2 . f ( x)
x
1
=  ( x  p)
x 0
2
. p x (1  p )1 x
= (0  p) 2 . p 0 (1  p)10  (1  p) 2 . p 1 (1  p)11
= p2  p3  p  2 p2  p3 = p  p2
 2  Var ( X )  p (1  p )  pq
M x (t )   e tx . f ( x)
x
1
= e
x 0
tx
. p x (1  p )1 x
= e 0 . p 0 (1  p)10  e t . p1 (1  p)11
M x (t )  (1  p)  p.e t (terbukti)
Contoh Soal 3.1:
Di awal tahun ajaran baru, siswa SMP kelas III biasanya berharap bisa melanjutkan
sekolah ke sekolah favorit, begitu juga dengan Sarah. Dia berharap bisa masuk
sekolah favorit yang diinginkannya, tapi untuk bisa masuk ke sekolah tersebut, ia
harus mengikuti tes terlebih dahulu. Berdasarkan prestasinya selama 3 tahun di
SMP, kemungkinan ia diterima sebesar 70%. Jika variabel acak X menyatakan
Anne diterima, maka dapat dibentuk distribusi probabilitas sebagai berikut:
Penyelesaian :
1 , jika Anne diterima di sekolah favoritnya
=
0 , jika Anne tidak diterima di sekolah avorinya
(1) = ( = 1) = 0,7
(0) = ( = 0) = 1 − 0,7 = 0,3
( ≠ 0 atau 1) = ( ≠ 1 atau 1) = 0
Maka fungsi probabilitasnya adalah fungsi Bernoulli dengan parameter = 0,7.
Dinotasikan:
0,7 , untuk = 1
( , 0,7) = 0,3 , untuk = 0,
0 , untuk ≠ 0 atau 1
Atau
( , 0,7) = (0,7) (0,3) , untuk = 1 atau = 0

3. 2. Distribusi Binomial
Distribusi binomial berasal dari percobaan binomial yaitu suatu proses
Bernoulli yang diulang sebanyak n kali dan saling bebas. Distribusi Binomial
merupakan distribusi variabel acak diskrit. Secara langsung, percobaan binomial
memiliki ciri-ciri sebagai berikut:
1. Percobaan tersebut dilakukan berulang-ulang sebanyak n kali.
2. Setiap percobaan menghasilkan keluaran yang dapat dikategorikan sebagai
gagal dan sukses.
3. Probabilitas sukses p tetap konstan dari satu percobaan ke percobaan lain.
4. Percobaan yang berulang adalah saling bebas
Ruang sampel A untuk percobaan E yang terdiri dari himpunan tak hingga
tetapi masih terhitung dari titik-titik sampel:
Jika S = Sukses dan G = Gagal
E1 : S (sukses pada percobaan pertama)
E2 : GS (gagal pada percobaan pertama dan sukses pada percobaan kedua)
E3 : SG (sukses pada percobaan pertama, gagal pada percobaan kedua)
E4 : GGS (gagal pada percobaan 1 dan 2, sukses pada percobaan ketiga)
E5 : GSG (gagal pada percobaan 1 dan 3, sukses pada percobaan kedua)
E6 : SGG (gagal pada percobaan 2 dan 3, sukses pada percobaan pertama)
: … . … (sukses sebanyak x kali, gagal sebanyak n – x kali)
Jika peluang sukses dinotasikan dengan p maka peluang gagal adalah q = 1

– p. Variabel acak X menyatakan banyaknya sukses dari n percobaan yang saling
bebas. Maka peluang X pada masing – masing percobaan E adalah:
( )= untuk E1
( )=q untuk E2
( )= untuk E3
( )= . untuk E4
( )=q . . untuk E5
( )= . . untuk E6
................................. ................
( )= untuk En
2
Dapat dilihat bahwa E2 dan E3 memberikan hasil yang sama. Jumlahnya ,
1
yaitu jumlah semua titik sampel yang mungkin menghasilkan x = 1 yang sukses
dan n – x = 2 – 1 = 1 yang gagal dari 2 percobaan. Begitupun untuk E4, E5, dan E6
3
juga memberikan hasil yang sama. Jumlahnya , yaitu jumlah semua titik sampel
1
yang mungkin yang menghasilkan x = 1 yang sukses dan n – x = 3 – 1 = 2 yang
gagal dari 3 percobaan.

Secara umum, jumlah titik sampel yang mungkin untuk menghasilkan x

sukses dan n – x gagal dalam n percobaan adalah banyaknya cara yang berbeda
dalammendistribusikan x sukses dalam barisan n percobaan, sehingga terdapat
cara.
Dan distribusi peluang atau Probability Dencity Function (pdf) X
dinyatakan pada definisi berikut:
( = )= ( )= = (1 − )
Untuk x = 1, 2, ...., n dan 0 ≤ p ≤ 1.
Pembuktian distribusi binomial merupakan suatu pdf :
Untuk membuktikan suatu variabel acak adalah untuk pdf, maka harus ditunjukan:
1. ( ) ≥ 0
2. ∑ ( ) = 1
Akan ditunjukkan distribusi binomial memenuhi kedua syarat diatas:

1. ( ) ≥ 0
Karena 0 ≤ p ≤ 1 dan nilai kombinasi pasti positif maka f (x) pasti positif.
2. ∑ ( ) = 1
3. Menggunakan persamaan binomial newton pada ∑ ( ), akan diperoleh
( )= (1 − ) = ( + (1 − )) = 1 = 1
Dari 1 & 2 dapat dikatakan bahwa distribusi binomial merupakan pdf.

Teorema 3.2.1:
Jika X ~ B (n , p) (X variabel acak berdistribusi Binomial), maka nilai ekspektasi
dari X adalah ( ) =
Pembuktian:
( )= ( )
= ( = )
= (1 − )
!
= (1 − )
( − 1)! ( − )!
( − 1)!
= . (1 − )
( − 1)! ( − )!
( − 1)!
= (1 − )
( − 1)! ( − )!

Misalkan m = n – 1 dan s = x – 1, maka persamaan diatas menjadi :

!
( )= (1 − )
!( − )!
!
( )= (1 − )
!( − )!
( )= .1 = … . . (Terbukti)
Teorema 3.2.2:
Jika X ~ BIN (n , p) dimana 0 < < 1; = 1 − (X variabel acak berdistribusi
Binomial), maka nilai variansi dari X adalah ( ) = (1 − ) =
Pembuktian:
( ) = ( ) − ( ( ))
dalam mencari V(X), harus ditentukan terlebih dahulu nilai ekspektasi :
( )=
!
= . (1 − )
! ( − )!
( − 1)!
= . . (1 − )
( − 1)! ( − )!
( − 1)!
= . . (1 − )
( − 1)! ( − )!
Misalkan = − 1 dan = − 1, maka persamaan di atas menjadi:

!
( )= ( + 1). . (1 − )
! ( − )!
= ( + 1). . (1 − )
⎡ ⎤
⎢ ⎥
= ⎢ . (1 − ) + . (1 − ) ⎥
⎢ ⎥
⎣ ( ) ⎦
= [ + 1]
( )= [( − 1) + 1]
= [ − + 1]
Selanjutnya akan menentukan V(X)

( ) = ( )− ( )
= [ − + 1] − ( )
=( ) − ( )+ −( )
=− ( )+
= (1 − )
Sehingga terbukti bahwa variansi dari distribusi binomial adalah: ( )= (1 −

)
Contoh Soal 3.2:

Probabilitas bahwa sejenis komponen tertentu yang lolos uji kelayakan adalah ¾.
Tentukan probabilitas dimana 2 dari 4 komponen yang selanjutnya diuji akan
dinyatakan layak!
Penyelesaian:
( = )= ( )= = (1 − )
3 3 1
= , =1− =
4 4 4
Untuk =2
3 1
( = 2) = (2) = 4
2 4 4
9 1 27
= 6. . =
16 16 128
Latihan Soal 3.2:

1. Berdasarkan data biro perjalanan PT Sentosa, yang khusus menangani
perjalanan wisata turis mancanegara, 20% dari turis menyatakan sangat puas
berkunjung ke Indonesia, 40% menyatakan puas, 25% menyatakan biasa saja,
dan sisanya menyatakan kurang puas. Apabila kita bertemu dengan 5 orang
dari peserta wisata turis mancanegara yang pernah menggunakan jasa biro
perjalanan tersebut. Tentukan probabilitas:
a. Tepat 2 diantaranya menyatakan biasa saja
b. Paling banyak 2 diantaranya menyatakan sangat puas
2. Sebuah dadu dilemparkan 12 kali. Tentukan:
a. Munculnya mata dadu 6 sebanyak 3 kali?
b. Harapan matematisnya?
c. Variansi?


3. 3. Distibusi Hipergeometrik
Distribusi probabilitas hipergeometrik digunakan untuk menentukan
probabilitas kemunculan sukses jika sampling dilakukan tanpa pengembalian.
Variabel acak hipergeometrik adalah jumlah sukses (x) dalam n pilihan, tanpa
pengembalian, dari sebuah populasi terbatas N, dimana D diantaranya adlah sukses
dan (N-D) adalah gagal.
Penurunan fungsi distribusi hipergeometrik diturunkan dengan menghitung
kombinasi-kombinasi yang terjadi. Kombinasi yang dapat dibentuk dari populasi
berukuran N untuk sampel berukuran n adalah kombinasi C(N,n). Jika sebuah
variabel random (diskrit) X menyatakan jumlah sukses, selanjutnya dapat dihitung
kombinasi diperoleh x sukses dari sejumlah D sukses dalam populasi yang diketahui
yaitu C(D,x). dan demikian pula halnya dapat dicari (n- x) kombinasi gagal dari
sisanya (N-D), yaiu C((N-D),(n-x)).
Dengan demikian:
−
Sukses C(D,x). C((N-D),(n-x)) atau Yang diperoleh dari kombinasi
−
yang mungkin C(N,n) atau .
Sebuah variable acak (diskrit) X menyatakan jumlah sukses dalai percobaan
bernoulli dan total jumlah sukses D diketahui dari sebuah populasi berukuran N,
maka dikatakan x mengikuti distribusi hipergeometrik dengan fungsi densitas
peluangnya (pdf):
−
( )= − = 0, = 1,2, … , min( , )
.
Teorema 3.3 :
Jika X ~ HYP (n ,D,N) dimana = 1,2, … , ; = 0,1,2, . . , (X variabel acak
berdistribusi Hipergeometrik), maka:
1. Nilai Harapan/ Mean: ( ) =
2. Variansi : ( )= 1−
Pembuktian:
( , ) −
( )= . − = . =
Untuk kasus dimana < , maka ekspektasi tersebut adalah
−
− . ( − 1)!
( )= . . =
. ( − 1)! . ( − )!

−1 −
maka diperoleh, ( ) = −1 −
Transformasikan = − 1, maka bentuk diatas berubah menjadi

−1 −
−1−
( )= ,
− ( − 1) − ( − 1) !
karena = dan =
−1− −1− ( − )!
− −1
=
−1− −1
maka diperoleh:
−1 ( − 1) − ( − 1)
−1−
( )=
−1
−1
( )= . (1)
( )= (Terbukti no1)
( − 1)( − 1)
Dapat dibuktikan bahwa ( − 1) = .
−1
Ekspektasi perkalian dan ( − 1) adalah
[ ( − 1)] = ( ) − ( ).
( − 1)( − 1)
Karena ( ) = dan ( − 1) = ,
−1
( − 1)( − 1)
maka ∶ [ ( − 1)] = .
−1
( − 1) ( − 1)
[ ( − 1)] = .
( − 1)
Variansi ∶ ( ) =
( )= = ( )−
= [ ( − 1)] + −
( − 1) ( − 1)
= + −
( − 1)
( − 1) ( − 1)
= + −
( − 1)
( − 1) ( − 1) + ( − 1)
= −
( − 1)

( − − +1+ − 1)
= −
( − 1)
( − − + )
= −
( − 1)
( − − + ) − ( − 1)
=
( − 1)
( − − + − + )
( )= =
( − 1)
(− − + + )
=
( − 1)
− − +
=
( − 1)
( − )( − )
=
( − 1)
( − ) ( − )
=
( − 1)
−
= 1−
−1
Jadi terbukti bahwa variansi distribusi hipergeometrik adalah :
−
= ( )= 1−
−1
(untuk N yang besar hasil ini mendekati npq).
Contoh Soal 3.3 :

Paket yang terdiri dari 40 item, dinyatakan ditolak jika paket tersebut mengandung
item cacat 3 atau lebih. Prosedur sampling yang diterapkan adalah dengan
mengambil 5 item dan memeriksanya jika ditemui yang cacat, maka keseluruhan
paket ditolak.:
a. Berapakah probabilitasnya jika ternyata paket mengandung 3 item cacat, bisa
ketemu 1 cacat di sampel 5 item yang dipilih?
b. Jika X menyatakan banyak item yang cacat, hitunglah mean dan variansi?
Penyelesaian:
Diketahui : Banyak item cacat terambil x = 1,
Banyak total item N = 40
Sampel yang diambil n = 5
Total item cacat di populasi k = 3
Ditanya :
a. Probabilitas 1 item cacat terambil dari 5 yang diambil.

h(x = 1; N = 40; n = 5; k = 3)
3 37
ℎ( = 1; = 40; = 5; = 3) = 1 4 = 0.3011
40
5
b. Nilai mean x yaitu rata-rata jumlah sampel cacat yang terambil dan variansinya
adalah:
3.5
( )= = = = 0,375
40
− 3.5 5 40 − 5
= ( )= 1− = 1−
−1 40 40 40 − 1
15 3 35 37
= ( )= 1− = (0,375) (0,897) = 0,311
40 40 39 40
3. 4. Distribusi Geometrik
Distribusi geometrik yaitu distribusi probabilitas untuk mendapatkan kejadian
sukses pertama kali setelah sekian kejadian gagal. Atau bisa dikatakan bila usaha
yang saling bebas dan dilakukan berulang kali menghasilkan sukses dengan peluang
, gagal dengan peluang = 1 − , maka distribusi peluang variabel acak , yaitu
banyaknya usaha sampai saat terjadi sukses yang pertama.
Misalkan jika diambil contoh tentang kejadian lulus dari ujian kenaikan
tingkat. Akan terus mengikuti ujian berkali-kali jika belum berhasil lulus. Tetapi
sekali saja dinyatakan lulus, maka selesailah sudah prosesnya.
Secara konsep distribusi geometri mewakili sebuah percobaan random yang
meliputi,
 dilakukan berulang-ulang
 antar ulangnya saling bebas
 probabilitas sukses pada tiap ulangannya sama, yaitu . dimana 0<P<1
 percobaan ini dilakukan / diulang sampai diperoleh 1 buah sukses
Distribusi geometrik merupakan bentuk khusus dari binomial negatif dengan
n kali percobaan dan berakhir ketika pertama kali ditemukan sukses.
Misalkan mempunyai usaha Bernoulli dengan P ( S )  p dan P (G )  q  1  p
Usaha ini kita ulang sampai mendapatkan sukses pertama
x 1 G  P ( x  1)  p
x2 GS  P ( x  1)  qp
x3 GGS  P ( x  1)  q 2 p
x4 GGGS  P ( x  1)  q 3 p
… Secara umum ( = ) = ( ) = .
dimana = 1, 2,3, … . sehingga distribusi geometrik dapat ditulis

( ; )= .

Dari definisi di atas diketahui ( ; ) = untuk = 1, 2, … dan 0 ≤ ≤ 1 maka

didapat ( ; ) positif.
Sebagai suatu distribusi probabilitas, distribusi geometrik juga mempunyai nilai
harapan (harapan matematis) dan varians.
Teorema 3.4.1 :
Jika X ~ GEO (p) 0 < < 1; = 1 − (X variabel acak berdistribusi
Hipergeometrik), maka: Nilai Harapan/ Mean: ( ) =
Buktikan Teorema 3.4.1 tersebut di atas!
Teorema 3.4.2 :
Jika X ~ GEO (p) 0 < < 1; = 1 − (X variabel acak berdistribusi
Hipergeometrik), maka: Variansi : ( ) =
Pembuktian :
Karena : ( )= = ( ) − ( ( ))
Untuk menentukan nilai variansi, menggunakan MGF dimana MGF untuk distribusi
peluang geometri adalah :
( )=
1−
" "
Akan ditentukan nilai ( )= (0) =
( )
dimana : = → "=
= (1 − ) → " = 2(1 − )−
sehingga :
(1 − )(1 − ) − 2 (1 − )−
( )=
(1 − )
(1 − 2 + ) − 2[− + ]
=
(1 − )
−2 + +2 −2
=
[1 − ]
−
=
[1 − ]
(1 − )
=
[1 − ]

(1 − )(1 + )
=
(1 − )[1 − ]
(1 + )
=
[1 − ]
(1 + ) (1 + ) (1 + ) (1 + )
(0) = = = =
[1 − ] [1 − ]
Jadi : ( = 0) = ( )=
Telah diketahui bahwa : ( ) =

Maka :
( )= ( )− ( )
1+ 1
= −
1+ −1
=
Terbukti bahwa variansi distribusi peluang geometrik adalah

( )= =
Pada distribusi binomial negatif, jika r = 1 atau dengan kata lain jumlah
kesuksesan yang diperlukan adalah satu, maka distribusi bibom negatif menjadi
distribusi geometrik dengan pdf :
(1 − ) , untuk = 1,2,3, …
( )= ,
0 , untuk yang lain
3. 5. Distribusi Negatif Binomial

Suatu distribusi binomial negatif dibentuk oleh suatu eksperimen yang
memenuhi kondisi-kondisi berikut: Eksperimen terdiri dari serangkaian percobaan
yang saling bebas. Setiap percobaan (trial) hanya dapat menghasilkan satu dari dua
keluaran yang mungkin, sukses atau gagal.
Probabilitas sukses , dan demikian pula probabilitas gagal = 1 − selalu
konstan dalam setiap percobaan (trial). Eksperimen terus berlanjut (percobaan terus
dilakukan) sampai sejumlah total sukses diperoleh, dimana berupa bilangan
bulat tertentu.
Jadi pada suatu eksperimen binomial negatif, jumlah suksesnya tertentu
sedangkan jumlah percobaannya yang acak. Distribusi Binomial Negatif, bila
percobaan bebas berulang dapat menghasilkan sebuah sukses dengan probabilitas p
dan gagal dengan probabilitas.
Jika = 1 − , maka distribusi probabilitas dari variabel acak :

( )= −1
( ; , )=
−1
dimana : = , + 1, + 2 …
Suatu percobaan disebut Binomial Negatif jika memenuhi syarat :
1. Usaha diulangi sampai terjadi sejumlah sukses tertentu
2. Tiap usaha memberikan hasil yang dapat ditentukan saling sukses atau gagal
3. Peluang sukses yang dinyatakan dengan , tidak berubah dari usaha yang satu
ke usaha yang berikutnya
4. Tiap usaha bebas dengan usaha yang lainnya.
Teorema 3.5 :
Jika X ~ NB (k,p) 0 < = 1,2, … (X variabel acak berdistribusi Binomial
< 1;
Negatif), maka: Nilai Harapan/ Mean: ( ) = = dan Variansinya adalah :
( )= =
Contoh Soal 3.5:

1. Carilah peluang bahwa seorang yang melantunkan 3 uang logam sekaligus akan
menghasilkan semuanya angka atau semuanya gambar untuk kedua kalinya
padalantunan ke-lima !
Jawab :
Diketahui : =5 =
=2 = 1− =
Penyelesaian :
( )= −1
( ; , )=
−1
1 5−1 1 3
( )= 5; 2, =
4 2−1 4 4
4 1 3 4! 1 27
( )= =
1 4 4 1! 3! 16 64
1 27 1 27 27
( )=4 = =
16 64 4 64 256
2. Seorang peneliti tengah menginokulasi beberapa tikus putih dengan
menyuntikan virus yang menyerang metabolisme pencernaan sampai ia

memperoleh 3 ekor tikus putih terserang penyakit tersebut. Bila probabilitas

terjangkit penyakit itu adalah 25%, berapa probabilitas bahwa dalam
percobaan itu diperlukan 10 ekor tikus ?
Penyelesaian :
Diketahui : = 10 = 0,25
=3 = 1 − 0,25 = 0,75
maka :
( )= ( ; , )= −1
−1
( ) = (10; 3,0,25) = 10 − 1 (0,25) (0,75)
3−1
9 (0,25)
( )= (0,75)
2
9!
= (0,0156)(0,1335)
2! 7!
= 36(0,0156)(0,1335) = 0,075
Jadi, probabilitas diperlukannya 10 ekor tikus putih untuk 3 ekor tikus yang
terserang penyakit adalah 0,075.
Latihan Soal 3.5:

Hasil penelitian ahli sosiologi, kurang dari 800 dari 1000 wanita tidak setuju dengan
praktik poligami yang dilakukan para suami. Bila hasil penelitian ini benar, hitunglah
probabilitas bahwa suatu hari tertentu, wanita keempat yang diwawancarai adalah
wanita keempat yang tidak menyetujui poligami !

3. 6. Distribusi Poisson
Dalam teori probabilitas dan statistika, distribusi Poisson (dilafalkan [pwasɔ̃])
adalah distribusi probabilitas diskrit yang menyatakan peluang jumlah peristiwa
yang terjadi pada periode waktu tertentu apabila rata-rata kejadian tersebut
diketahui dan dalam waktu yang saling bebas sejak kejadian terakhir. (distribusi
Poisson juga dapat digunakan untuk jumlah kejadian pada interval tertentu seperti
jarak, luas, atau volume).
Percobaan yg menghasilkan variabel random X yg menyatakan banyaknya
outcome selama interval waktu tertentu atau dalam “area” atau “luas” tertentu
dinamakan percobaan Poisson.
Contoh:
: banyak panggilan telepon per jam
X : banyak tikus per hektare
X : banyaknya kesalahan ketik per halaman
Ciri-ciri distribusi Poisson :

1. Percobaan di satu selang tertentu tak bergantung pada selang lain.
2. Peluang terjadinya satu percobaan singkat atau pada daerah yang kecil (jarang
terjadi)
3. Peluang lebih dari satu hasil percobaan alkan terjadi dalam selang waktu yang
singkat tersebut, dapat diabaikan.
Distribusi peluang variabel acak Poisson X, yang menyatakan banyaknya

sukses yang terjadi dalam suatu selang waktu atau daerah tertentu dinyatakan
dengan t, diberikan oleh
( )
( ; )= , = 0,1,2, …
!
menyatakan rata-rata banyaknya sukses yang terjadi per satuan waktu atau
daerah
( )= , = 0,1,2, … >0
!
( )= , = 0,1,2, … >0
!
dimana:
 e adalah basis logaritma natural (e = 2.71828...)

 x adalah jumlah kejadian suatu peristiwa — peluang yang diberikan oleh fungsi
ini
 x! adalah faktorial dari k
 λ atau adalah bilangan riil positif, sama dengan nilai harapan peristiwa yang
terjadi dalam interval tertentu.

Bukti Rumus pdf
Karena > 0 dan x ≥ 0 maka > 0.
Nilai suatu factorial pasti positif dan > 0, sehingga dapat disimpulkan bahwa
( )= ≥0
!
Dengan mempergunakan deret Mac Laurin :
=1+ + +⋯=
2! !
Dapat dibuktikan syarat kedua dari suatu pdf yaitu :
( )
( )= =
! !
Ambil = = , maka
( )
= , ℎ ( )= =1
!
Oleh karena itu Distribusi Poisson merupakan suatu pdf
Teorema 3.6 :
Jika X ~ POI ( ) 0 < (X variabel acak berdistribusi Poisson), maka: Nilai Harapan/
Mean: ( ) = dan Variansinya adalah : ( ) = =
Pembuktian :
( )= = =
! ! ( − 1)!
Sekarang misalkanlah = − 1 sehingga diperoleh
( )= = ,
!
[ ( − 1)] = = .
!
Karena,

= ( ; ) = 1.
!
Variansi dari distribusi Poisson didapat dengan terlebih dahulu mencari
[ ( − 1)] = ( − 1)
!
[ ( − 1)] = ( − 1)
!
[ ( − 1)] =
( − 2)!
Substitusikan = − 2, maka diperoleh

Jadi : = [ ( − 1)] + −
= + − =
Terbukti bahwa pada distribusi peluang Poisson nilai harapan/ekspektasi/mean:
( ) = dengan variansi ( ) = =
Contoh Soal 3.6 :

Dalam percobaan radioaktif, rata-rata jumlah cacahan radioaktif yg terekam di
counter adalah 4 cacahan per mili detik. Berapakah probabilitasnya dalam 1
milidetik tertentu tercacah sebanyak 6 cacahan?
Penyelesaian :
Rata-rata jumlah outcome per milidetik : μ = λt = 4
Probabilitas tercacah X = 6 dalam 1 milidetik:
( ) (4)
( = 6 ; = 4) = = = 0,1042
! 6!
Latihan Soal 3.6:

Jika rata – rata kedatangan λ = 72 setiap jam, berapakah peluang dari x = 4
kedatangan dan t = 3 menit. Gunakan proses poisson.!

3. 7. Distribusi Uniform Diskrit

Distribusi probabilitas yang paling sederhana adalah jika tiap nilai variable
random memiliki probabilitas yang sama untuk terpilih. Distribusi probabilitas
seperti ini diberi nama Distribusi Probabilitas Uniform Diskrit. Ciri-ciri dalam
distribusi uniform diskrit adalah setiap nilai variabel acak mempunyai probabilitas
terjadi yang sama.
Jika variabel random X bisa memiliki nilai , , …, dan masing-masing
bisa muncul dengan probabilitas yg sama maka distribusi probabilitasnya diberikan
oleh :
1
( ; )= , = , ,…,
Notasi ( ; ) menyatakan nilai fungsi f tergantung pada k. Ada yang
menyebutkan pdf dari distribusi uniform diskrit sebagai berikut, Suatu variable
random X berdistribusi Uniform Diskrit, jika pdf-nya berbentuk ;
1
( )= ; = 1,2, … ,
0 ; lainnya
Teorema 3.7 :
Jika X ~ DU ( ) = 1,2,3, … (X variabel acak berdistribusi Uniform Diskrit), maka:
Nilai Harapan/ Mean: ( ) = ( + 1) dan Variansinya adalah : ( )= =
( − 1)
Pembuktian:
Jika ( ; ) menyatakan distribusi probabilitas uniform, maka rata-ratanya :
1
( )= = ( ; ) =
atau
( )= ( )
1
=
1
= (1 + 2 + ⋯ + )
1 1
= . ( + )
2
1 1
= ( + 1)
2
1
= ( + 1) Terbukti
2

Variansi
( )= = [( − ) ]
= ( ; )( − )
1
= ( − )
= ( )− ( )
1 1
= (1 + 2 + 3 + ⋯ + )− ( + 1)
4
1 ( + 1)(2 + 1) ( + 1)
= −
6 4
1 (2 + 3 + 1) ( + 2 + 1)
= ∙ −
6 4
(2 + 3 + 1) ( + 2 + 1)
= −
6 4
4 + 6 + 2 − (3 + 6 + 3)
( )= =
12
−1 1
= = ( − 1) Terbukti
12 12
Contoh Soal 3.7 :

Sebuah koin ideal memiliki muka : Angka dan Gambar. Jika x menyatakan
banyaknya angka muncul dengan x=0,1. Tentukan distribusi probabilitasnya ?
Penyelesaian :
( ; 2) = , x = 0,1
Latihan Soal 3.7 :
Jika sebuah dadu dilempar, maka setiap elemen dari ruang sampelnya S =
{1,2,3,4,5,6} terjadi dengan peluang yang sama , carilah distribusi uniform dan cari
ekspetasi serta variansinya ?

DISTRIBUSI PROBABILITAS VARIABEL ACAK KONTINU
3. 8. Distribusi Uniform Kontinu

Distribusi Seragam kontinu adalah distribusi peluang kontinu yang paling
sederhana. Fungsi padat peluang dari variabel acak seragam kontinu X pada selang
[a, b] adalah:
 1
 ;a  x  b
f ( x)   b  a
 0; x  lainya
Kurva fungsi padat peluang
Fungsi kumulatif (CDF):

0, ≤
−
( )= , <
−
1, ≥
Kasus khusus: jika a = 0 dan b = 1, maka distribusinya disebut distribusi

seragam baku (standard uniform distribution), dilambangkan dengan U(0,1)
Teorema 3.8 :
Jika X ~ UNIF ( , ) dimana < (X variabel acak berdistribusi Uniform Kontinu),
maka: Nilai Harapan/ Mean: ( ) = = dan Variansinya adalah : ( ) = =
( )
Pembuktian :
Ekspetasi ( )
( )= = ( ) = ( )
1 1 1
= =
− − 2
1 1 1 1
= = . .( − )
− 2 − 2
1 1
= . . ( − ). ( + )
− 2

1
= . ( + ) … terbukti
2
Variansi (x)
( )= ( − ) = ( ) − ( ( ))
dimana :
( )= ( )
1
( )=
−
1 1
= .
− 3
1 1
= . ( − )
− 3
Maka:
( )= = ( ) − ( ( ))
( )= = ( ) − ( ( ))
1 1 1
( )= = . ( − ) − ( ( + ))
− 3 2
1 1 1
= . ( − ) − ( +2 + )
− 3 4
1 1 1 1 1
= . ( − )( + + ) − − −
− 3 4 2 4
1 1 1 1 1 1
= + + − − − )
3 3 3 4 2 4
1 1 1
= − +
12 6 12
1
= (( − 2 + )
12
1
= ( − ) … … … terbukti
12
Contoh Soal 3.8 :

Waktu seseorang menunggu datangnya pesawat disebuah bandara anatara jam
08.00-10.00 berdistribusi uniform :
a. Berapa probabilitas seseorang harus menunggu kurang sama dengan 30 menit
dari jam 08.00?
b. Lebih dari 30 Menit,

Penyelesaian :
Interval 08.00-10.00 adalah 120 menit.
a = 0 dan b = 120
a. ( ≤ 30) = ∫ = 0,25
b. ( > 30) = 1 − ( ≤ 30) = 1 − 0,25 = 0,75
Latihan Soal 3.8 :

Variabel acak kontinyu menotasikan pengukuran arus pada kawat tembaga dalam
miliamper. Jika diketahui bahwa f(x)=0,05 untuk 0 ≤ ≤ 20. Berapakah peluang
pengukuran arus berada antara 5 mA dan 10 mA?
3. 9. Distribusi Gamma
Distribusi Gamma adalah distribusi fungsi padat yang terkenal luas dalam
bidang matematika. Fungsi distribusi Gamma didefinisikan sebagai berikut
Γ( ) = ∫ . S
Teorema 3.9.1 :
Jika X ~ GAM ( , ) dimana 0 < ; 0 < (X variabel acak berdistribusi Gamma),
maka: memiliki sifat-sifat sbb :
1. Γ( ) = ( − 1)Γ( ), > 0
2. Γ( ) = ( − 1), ∈
3. Γ(1) = 1
4. Γ =√

Pembuktian Teorema 3.9 :

1. Γ( ) = ( − 1)Γ( ), > 0
= dan =
sehingga :
= → = ( − 1)
= → = −
maka :
Γ( ) = .
= .
= − .
Γ( ) = − . + ( − 1)
= ( − 1) untuk >1
ingat . = Γ( − 1)
sehingga diperoleh : Γ( ) = ( − 1)Γ( − 1) terbukti .

2. Γ( ) = ( − 1), ∈
Γ( ) = ( − 1)Γ( − 1) ,
Γ( − 1) = ( − 2)Γ( − 2)
= ( − 1)( − 2)Γ( − 2)
Γ( − 2) = ( − 3)Γ( − 3)
= ( − 1)( − 2)( − 3)Γ( − 3), begitu seterusnya .
Jika = bilangan bulat positif, maka :
Γ( ) = ( − 1)( − 2)( − 3) … .1. Γ(1) = 1
Γ( ) = ( − 1)( − 2)( − 3) … .1 = ( − 1)!
Atau Γ( ) = ( − 1)! , terbukti .
3. Γ(1) = 1
Γ(1) = == − = 1 … terbukti
4. Buktikan untuk sifat no. 4

Variabel random X memiliki distribusi gamma dengan parameter positif dan

negatif bmaka bentuk probabilitasnya atau pdf-nya berbentuk :
1
≈ ( , ): ≈ ( , , ) = ,
Γ( )
dimana > 0, > 0, > 0
Fungsi distribusi peluang (pdf) dari distribusi gamma dengan dengan dua
parameter yaitu dan adalah sebagai berikut :
1
( , , )= ≥ 0, > 0, > 0
Γ( )
dimana Γ( ) = ( − 1) adalah fungsi Gamma
Teorema 3.9.2 :
Jika X ~ GAM ( , ) 0 < ; 0 < (X variabel acak berdistribusi Gamma), maka nilai
harapan/mean/ekspektasi: ( ) =
Pembuktian:
( )= . ( )
1
= .
Γ( )
1 ( )
=
Γ( )
1 Γ( + 1) ( )
=
Γ( ) Γ( + 1)
( )
Γ( + 1)
=
Γ( ) Γ( + 1)
Γ( + 1)
=
Γ( )
Γ( )
= .
Γ( )
= … . Terbukti
Teorema 3.9.3 :
Jika X ~ GAM ( , ) (X variabel acak berdistribusi Gamma), maka variansinya
adalah ( ) =
Pembuktian:
( )= = ( ) − ( ( )) , dimana :

( )= . ( )
1
( )= .
Γ( )
=
Γ( )
1 ( )
=
Γ( )
1 Γ( + 2) ( )
=
Γ( ) Γ( + 2)
Γ( + 2) 1 ( )
=
Γ( ) Γ( + 2)
Γ( + 2) 1 ( )
=
Γ( ) Γ( + 2)
Γ( + 2)
= 1
Γ( )
Γ( + 2)
=
Γ( )
( + 1)!
=
( − 1)!
( + 1) ( − 1)!
=
( − 1)!
= ( + 1) = +
sehingga :
( )= = ( )− ( )
( )= = + −( )
= + −
= … . terbukti
CDF distribusi Gamma :
1
≈ ( , ) ( , , )=
Γ( )

Jika = 2 dan = , maka X ≈ ( )= 2,

Jika = 1, maka ( , 1) = ( )
Teorema 3.9.4 :
Jika X ~ GAM ( , ) (X variabel acak berdistribusi Gamma), maka MGF adalah
( )=
Pembuktian :
( )= [ ]=∫ ( )
1 ( )
=
Γ( )
Melalui pemisalan = (1 − ) dengan < , maka = sehingga :
(1 − )
( )=
Γ( ) 1−
1 1−
=
Γ( ) (1 − )
1 1
( )=
1− Γ( )
1 1
=
1− Γ( )
1
=
1−
Yang berlaku untuk <
Contoh Soal 3.9 :

Misal variabel acak kontinu X menyatakan ketahanan suatu bantalan peluru (dalam
ribuan jam) yang diberi pembebabanan dinamik pada suatu putaran kerja tertentu
mengikuti suatu distribusi gamma dengan = 8 dan = 15. Berapakah probabilitas
sebuah bantalan peluru dapat digunakan selama 60 ribu – 120 ribu jam dengan
pembebanana dinamik pada putaran kerja tersebut? Sebutkan juga statistic
deskriptif distribusi gammanya
Penyelesaian :
(60 ≤ ≤ 120) = ( ≥ 120) − ( ≤ 60)
= (120; 8, 15 ) − (60; 8, 15 )
= (8; 8 ) − (4; 8 )

= 0,5470 − 0,011 = 0,4959

Mean = = ( )= = 8.15 = 120
Varians = = = (8)(15) = 1800 = 42,4
Latihan Soal 3.9 :

Misalkan suatu system mengandung sejenis komponen yang daya tahannya dalam
tahun dinyatakan oleh variabel acak T yang berdistribusi eksponensial dengan
parameter waktu rataan sampai gagal = 5. Bila sebanyak 5 komponen tersebut
dipasang dalam system yang berlainan, berapakah peluang bahwa paling sedikit 2
masih akan berfungsi pada akhir tahun kedelapan?
3. 10. Distribusi Eksponensial

Merupakan kasus dari distribusi weibull disaat = 1. Distribusi yang
menggambarkan suatu kerusakan dari mesin yang disebabkan oleh kerusakan pada
salah satu komponen dari mesin atau peralatan yang menyebabkan mesin terhenti.
Dalam hal ini kerusakan tidak dipengaruhi oleh unsur pemakaian peralatan.
Definisi 3.10 :
Jika X ~ EXP ( ) 0 < (X variabel acak berdistribusi Eksponensial), maka :
1. Fungsi Distribusi Peluang (pdf)
( )=
= maka ( ) = , > 0, >0
2. CDF
1  e  x ,untuk x  0
F x   
0, x0
Teorema 3.10.1 :
Jika X ~ EXP ( ) 0 < (X variabel acak berdistribusi Eksponensial), maka nilai
harapan/mean/ekspektasinya ialah ( ) = =
Pembuktian :

( )= . ( )
1
=
Γ( )
1 ( )
( )=
Γ( )
( )
1 Γ( + 1) ( )
=
Γ( ) ( ) Γ( + 1)
( )
Γ( + 1) 1 ( )
=
Γ( ) ( ) Γ( + 1)
( )
Γ( + 1)
= .1
Γ( )
Γ( + 1)
=
Γ( )
( )!
=
( − 1)!
( )( − 1)!
=
( − 1)!
=
Karena pada distribusi eksponensial miliki =1 mengakibatkan
( ) = ............. terbukti
Teorema 3.10.2 :
Jika X ~ EXP ( ) 0 < (X variabel acak berdistribusi Eksponensial), maka
variansimya ialah ( ) =
Pembuktian :
( )= ( )− ( )
Akan ditentukan nilai ( )
( )= ( )
1
=
Γ( )
1 ( )
=
Γ( )
( )
1 Γ( + 2) ( )
=
Γ( ) ( ) Γ( + 2)

( )
Γ( + 2) 1 ( )
=
Γ( ) ( ) Γ( + 2)
( )
Γ( + 2)
=
Γ( )
( + 1) ( − 1)!
=
( − 1)!
= ( + 1) karena =1
= (1 + 1)1
=2
Sehingga :
( )= ( )− ( )
=2 −( )
=2 − = ……..
Contoh Soal 3.10 :
Suatu system mengandung sejenis komponen yang daya tahannya dalam tahun
dinyatakan oleh variabel acak T. Variabel acak T berdistribusi eksponensial dengan
parameter waktu rataan sampai gagal = 5. Jika terdapat 5 buah komponen
dipasang pada system yang berlainan, tentukan peluang sekurang-kurangnya 2
komponen masih berfungsi sampai akhir tahun ke-8.
Penyelesaian :
Peluang komponen masih berfungsi hingga akhir tahun ke-8 adalah:
Cara I
1
( > 8) =
5
= = 0,2
Cara II
1
( > 8) =
5
1
= lim
5 →
1
= lim −5 |
5 →
= lim −
→
= (0 + 0,2019) = 0,2
Latihan Soal 3.10 :

1. Hari-hari antara kecelakaan pesawat terbang 1948-1961 berikut distribusi
eksponensial dengan rata-rata 44 hari antara setiap kecelakaan. Jika satu terjadi
pada 1 Juli setiap tahun tertentu:

a. Apa probabilitas dari yang lain seperti kecelakaan dalam sebulan?

b. Apa varians dari waktu antara kecelakaan di tahun tersebut?
2. Toko CD “ BEAT THE HITS” tengah mengadakan diskon besar-besaran sehingga
kedatangan pengunjung yang berdistribusi eksponensial meningkat dari
biasanya menjadi 8,4 per 35 menit. berapa probabilitas kedatangan pengunjung
dalam selang waktu 8 menit atau lebih?

3. 11.Distribusi Weibull
Distribusi Weibull sering digunakan untuk memodelkan waktu kegagalan dari
banyak sistem fisik. Parameter dalam distribusi memungkinkan fleksibilitas untuk
memodelkan sistem dengan jumlah kegagalan bertambah terhadap waktu,
berkurang terhadap waktu, atau tetap konstan terhadap waktu.
Suatu variabel acak X  wei ,  ,   0,   0 , maka:
( , , ) ; >0
0 ; yang lain
dengan parameter skala   0 dan parameter bentuk   0 CDF

x
F  x    f  x  dx
0

x

x
 
 x  1
e  
dx
0


x
 
F x   1  e  
Teorema 3.11.1 :
Jika X ~ WEI ( , ) 0 < ; 0 < (X variabel acak berdistribusi Weibull), maka nilai
 1
harapan/mean/ekspektasinya ialah E  x     1  
 
Pembuktian :

  x

E  x    x. f  x  dx
 
  x. x  1
e  
dx
0 0

  dx


x
 

(1  ) 1
E( X )  
x e 
 0
  dx


x
 


E( X )  
x e 
 0

Misalkan  x   u
 
1
x 
 u

 
1
x 1 
  dx  u du

  
1
1

maka dx    u du


 


x
 


E(X )  
x e 
dx
 0

   1
 
1
1

u
    u   e   u du
 

 0
  

   1
 
1
1

u
    u   e   u du
 

 0
  
1
   1

 u
 
 u e  u 
du
 0

 1 1  1
  

  u
 u 
e du
0

1
Fungsi gamma   x   t .e dt . Dengan , maka didapat
 1 t
x  1
0

 1  ............terbukti
E  x     1 

 
Teorema 3.11.2 :
Jika X ~ WEI ( , ) 0 < ; 0 < (X variabel acak berdistribusi Weibull), maka
  2  1 
variansi ialah V  x    2   1     2  1   
     
Pembuktian :
Telah diketahui bahwa : ( ) = ( )− ( )

    x . f  x  dx
E X
2 2
  dx



x

 x .
 1
 
2

x e
0
  dx    dx
 
 
x x
   
 
( 2   ) 1  1
 
x e 

x e 
 0
 0
 1
x u  x   u
Misal    
   
1
1
1
 x  dx  u  du
1
dx 
 u
  maka du
   
  dx


x
 
 

 1
 x x e 
2 2
E X 
0

  dx


x
 

 1
 
x e 
 0
 1
   1
 
 1 1 
 

u  
   u  e  u


du
 0
  
2 
   1  1 1    u   1 1    1  1
du    u 

 
    u e  u  e  u du
2

 0
   
0
 2
distribusiGamma   1 
 

pPdf distribusi Gamma
2  2
 
Jadi E x   1  
2
 
Sehingga
 
V  x   E x 2   E  x 
2
2
 2    1 
    1       1   
2
      
  2  1 
  2   1    2 1  
     
Contoh Soal 3.11 :

Waktu kegagalan (dalam jam) sebuah komponen mesin dapat dimodelkan sebagai
1
sebuah variabel acak weibull dengan   dan   5000 jam. Tentukan rata-rata
2
waktu kegagalannya !
Penyelesaian
 1
E  X    1  
 
  1 
 5000 1   
  0.5  
 5000 3  5000  2!
 10.000 jam
Latihan Soal 3.11 :

Tentukan probabilitas bahwa komponen mesin akan bertahan paling tidak 6000
jam.

3. 12. Distribusi Normal

Suatu variabel acak kontinu X yang distribusinya berbentuk lonceng disebut
variabel acak normal.
Gambar 3.12.1. Kurva distribusi normal

Jika X adalah variabel acak bebas, maka pdf-nya adalah :
2
1  x 
1  
2  
f ( x)  e ,  x  
2 2
dengan  = 3,14159… dan e = 2,71828 . . .
Distribusi normal dan umumnya ditulis sebagai n( x;  ,  ) yang berarti
variabel acak X terdistribusi normal dengan parameter μ dan σ
Gambar 3.12.2 Kurva distribusi normal dengan (a) 1 < 2 dan 1 = 2; (b)
1 = 2 dan 1 <2; (c) 1 < 2 dan 1 < 2
Gambar 3.12.2 melukiskan kurva normal yang berbentuk seperti lonceng.
Begitu parameter  dan  diketahui, maka seluruh kurva normal dapat
diketahui dan kurvanya dapat digambarkan. Misalkan jika diketahui  = 0 dan
 = 1, maka ordinat f(x) dapat dengan mudah dihitung untuk berbagai harga x
dan kurvanya dapat digambarkan.
Gambar 3.12.2 (a) telah dilukiskan dua kurva normal yang mempunyai
simpangan baku sama, tetapi rataannya berbeda. Kedua kurva bentuknya persis
sama, tetapi titik tengahnya terletak di tempat yang berbeda di sepanjang sumbu
datar.
Gambar 3.12.2 (b) terlukis dua kurva normal dengan rataan yang sama
tetapi simpangan bakunya berbeda. Kedua kurva mempunyai titik tengah sama
tetapi kurva dengan simpangan baku yang lebih besar tampak kurvanya lebih
landai/rendah dan lebih menyebar.
Gambar 3.12.2 (c) memperlihatkan lukisan dua kurva normal yang baik
rataan maupun simpangan bakunya berlainan. Jelas keduanya mempunyai titik

tengah yang berlainan pada sumbu datar dan bentuknyapun mencerminkan

dua harga simpangan baku yang berlainan.
Dengan mengamati grafik serta memeriksa turunan pertama dan kedua dari
f(x)= n(x ;  ;  ). Fungsi Distribusi Kumulatif Normal (CDF) adalah : F(x; x, x)
= P(X  x) =
x x t   x 2
f t ;  x ,  x dt  e 2 x  dt
1
 
2
  x 2
Latihan Soal 3.12.1
Seorang mahasiswa melakukan penelitian pada kelas II MA NW Senyiur untuk
mengetahui pengaruh penggunaan media pembelajaran BINGKAI AJAIB dalam
meningkatkan prestasi belajar matematika. Hasil evaluasi pembelajaran yang
diperoleh sebagai berikut:
Selidiki apakah data prestasi belajar siswa kelas II MA NW Senyiur tersebut

terdistribusi normal?

Teorema 3.12.1 :
Jika X ~ N ( ;  ;  ), (X variabel acak berdistribusi Normal), maka reraannya ialah
E( X )   dan variansinya adalah V ( X )   2
Teorema 3.12.2 :
Jika X variabel acak yang berdistribusi normal dengan rataan dan simpangan baku
, maka variabel acak baru = akan berdistribusi normal baku.
Pembuktian :
2
1  x 
1   
2  
X ~ n( x,  , )  f ( x)  e ;  x  
2 2

x
z  x  z    dx  dz , akibatnya diperoleh

2
  1  x   1  1
1    1  z2 1  z2
 f ( x)dx    dz  
2  
e dx  e 2
e 2
  2 2  2  2
2
 1  z 0  
1   
  dz   n( z ,0,1)dz
2 1 
e
2 1
2
 
X 
Bentuk integral terakhir membuktikan bahwa X ~ n( x,  ,  )  Z  ~ n( z ,0,1)

Gambar 3.12.3 Luas daerah di bawah kurva distribusi normal dan di

bawah kurva z
3. 13. Distribusi Pareto

Wilfried Pareto, adalah seorang Italia, sosiolog , ekonom , dan filsuf . Dia
membuat beberapa sumbangan penting untuk ekonomi, terutama dalam studi
mengenai distribusi pendapatan dan dalam analisis pilihan individu. Warisannya
sebagai ekonom yang mendalam. Sebagian karena dia, bidang berevolusi dari cabang
filsafat sosial seperti yang dilakukan oleh Adam Smith menjadi intensif data lapangan
penelitian ilmiah dan persamaan matematika melihat-Nya. lebih banyak buku seperti
ekonomi modern daripada kebanyakan teks hari itu: tabel statistik dari seluruh dunia
dan usia, baris tanda integral dan persamaan, diagram dan grafik yang rumit.
Dia memperkenalkan konsep efisiensi Pareto dan membantu mengembangkan
bidang ekonomi mikro. Ia juga adalah orang pertama yang menemukan bahwa
pendapatan mengikuti distribusi Pareto, yang merupakan kuasa hukum distribusi
probabilitas. Para prinsip pareto bernama setelah dia dan dibangun di atas pengamatan
seperti sebagai bahwa 80% tanah di Italia dimiliki oleh 20% dari populasi. Dia juga
memberikan kontribusi pada bidang sosiologi dan matematika.
Distribusi Pareto pada awalnya digunakan untuk menggambarkan alokasi
kekayaan di antara individu karena tampaknya menunjukkan cukup baik cara bahwa
porsi yang lebih besar dari kekayaan masyarakat apapun dimiliki oleh persentase yang
lebih kecil dari orang dalam masyarakat itu. Hal ini dapat ditunjukkan, bahwa dari
probabilitas fungsi kepadatan (pdf) grafik dari f populasi (x), probabilitas, atau fraksi,

dari f (x) yang memiliki sejumlah kecil kekayaan per-orang, adalah tinggi. Probabilitas
kemudian terus menurun dengan meningkatnya kekayaan.
Menurut Blickhe & Murthy (1994:76) untuk merumuskan kegagalan suatu produk
biasanya mengikuti beberapa distribusi tertentu salah satunya adalah distribusi pareto.
Salah satu sifat produk adalah daya hidup yang semakin menurun sehingga akan terjadi
kegagalan fungsional. Kegagalan fungsional akan semakin meningkat seiring dengan
lamanya penggunaan produk tersebut. Suatu perusahaan akan memberikan garansi
apalabila terjadi kegagalan fungsional dalam periode tertentu. Hal tersebut yang
menjadi alasan distribusi pareto digunakan untuk analisis garansi ini.
Definisi 3.13.1 : Ciri-Ciri Distribusi Pareto
1. Pilihan-pilhan bersifat transitif.
2. Pilihan tidak dapat dipaksakan oleh seorang individu.
3. Perbaikan-perbaikan kepuasan seseorang tanpa penurunan kepuasan.
4. Peringkat pilihan seseorang berhubungan dengan lainnya tidak bergantung pada
berbagai pilihan alternatif.
Definisi 3.13.2
Jika X adalah variabel acak dengan distribusi Pareto, maka probabilitas bahwa X lebih
besar dari beberapa nomor x diberikan oleh:
( > )=
Fungsi dari distribusi pareto dapat dinyatakan dalam bentuk pdf seperti ini:
( )
( )=  pdf
( , , )= 1− 1−  CDF
Teorema 3.13:
Jika X ~ PAR ( ;  ;  ), (X variabel acak berdistribusi Pareto), maka reraannya ialah
 k 2
E( X )  dan variansinya adalah V ( X ) 
k 1 (k  2)(k  1)2
Buktikan Teorema 3.12 tersebut!

3. 14. Soal-Soal
1. Dalam suatu karton terdapat 10 bola merah dan 5 bola putih. Bila diambil 3 bola
secara acak, tentukanlah probabilitas untuk memperoleh 0, 1, 2, dan 3 bola
merah!
2. Pada sekeranjang apel diperkirakan terdapat 5 % buah apel yang berulat. Satu
per satu buah apel itu diambil dan setela diperiksa dikembalikan lagi kekeranjang.
a. Tentukan probabilitas terpilihnya apel berulat pertama kali pada pemeriksaan ke
- 10!
b. Tentukan harga harapan dan variansi distribusi peluang geometrik tersebut?
3. Seorang peneliti menyuntik beberapa ekor tikus, satu demi satu dengan sejenis
bibit penyakit sampai ia mengumpulkan 2 ekor yang telah terserang
penyakittersebut. Bila peluang terserang penyakit tersebut adalah , berapakah
peluang bahwa 8 ekor tikus yang perlu disuntik ?
4. Misalkan banyaknya sambungan telpon ke nomor 108 , antara jam 23.00 sampai
dengan jam 24.00 selama 1 bulan adalah berdistribusi poisson dengan rata – rata
5 sambungan perhari. Berdasarkan hal ini, Tentukan peluang bahwa pada suatu
hari pada jam tersebut :
a. Tidak ada sambungan sama sekali
b. Ada 5 sambungan
c. Ada 10 sambunga
5. Suatu pabrik memproduksi alat – alat , dan produksinnya itu 10% cacat .
Hitunglah probabilitasnya jika suatu sampel yang terdiri dari 10 alat diambil
secara random, pasti dua akan cacat
6. Tingkat kematian dari suatu penyakit tertentu adalah 7 per 1000. Berapakah
probabilitas terjadi kematian 5 orang dari penyakit ini pada sekumpulan 400
orang ?
7. Jika 3% barang yang diproduksi oleh sebuah mesin cacat, hitunglah probabilitas
bahwa 3 barang diambil secara random dari 100 barang adalah cacat?
8. Sebuah kotak berisi 4 buah lampu masing-masing 40 watt, 60 watt, 100 watt dan
500 watt. Jika x menyatakan daya lampunya, dan diambil secara acak 1 lampu,
maka berapakah distribusi probabilitasnya ?
9. Jumlah pesanan yang datang per-hari diketahui berdistribusi seragam diskret
dengan jumlah pesanan yang datang minimum 0 dan maksimum 10. Tentukan
probabilitas jumlah pesanan yang datang per-hari adalah 4 atau kurang? Rata‐
rata jumlah pesanan per-hari yang datang?
10. Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih dari
4 jam. Misalkan X adalah variabel acak yang menyatakan waktu rapat, yang
mempunyai distribusi seragam.

a. Tentukan fungsi densitas peluang dari X.

b. Tentukan peluang suatu rapat berlangsung 3 jam atau lebih.
11. Suatu variabel acak X berdistribusi seragam kontinu dengan = 2, = 7,
carilah
a. ( ≥ 4)
b. (3 < < 5,5)
12. Banyaknya kopi sehari, dalam liter, yang dikeluarkan oleh suatu mesin diruang
tunggu suatu Bandar udara berbentuk variabel acak X yang berdistribusi seragam
kontinu (lihat cobtih 4) dengan = 7, = 10, cari peluangnya bahwa pada
suatu hari tertentu banyaknya kopi yang dikeluarkan oleh mesin tadi adalah:
a. Paling banyak 8,8 liter
b. Lebih dari 7,4 liter tapi kurang dari 9,5 liter
c. Paling sedikit 8,5 liter
13. Bila diketahui fungsi kepadatan distribusi uniform adalah
1
( ) = 2, 2≤ ≤4
0,
Tentukan: (1 ≤ ≤ 3)
14. Misal waktu tunggu W berdistribusi Gamma dengan = dan = . tentukan
ekspetasi waktu tunggu sampai muncul kejadian pertama.
15. Misalkan dari sekelompok orang, 1% nya berkacamata. Secara acak ditunjuk 500
orang.
a. Tentukan peluangnya bahwa dari 500 orang itu yang berkacamata 2 orang
b. Berapa orangkah yang diharapkan berkacamata dari 500 orang tersebut?
c. Carilah ragam banyaknya orang yang berkacamata dari 500 orang tersebut?
16. Misalkan bahwa hubungan telepon tiba di suatu gardu (sntral) memenuhi proses
poisson dengan rata-rata 5 hubungan masuk per menit. Berapakah peluagnya
bahwa setelah semenit berlalu baru 2 sambungan masuk ke gardu tadi?
17. Pengukuran kecepatan angin dilakukan untuk menghitung kekuatan struktur lepas
pantai terhadap beban angin. Diperoleh data parameter weibull   25m / s dan
  1 . Hitunglah probabilitas kecepatan angin sekurang-kurangnya 35m / s .
18. Dengan menggunakan tabel distribusi normal baku (tabel z), tentukan luas daerah
a. Antara z = 0 dan z = 2,15
b. Antara z = 0 dan z = -1,86
c. Antara z = -1,86 dan z = 2,15
d. Antara z = 1,34 dan z =2,06
e. Untuk z>1,96
f. Untuk z>1,96

19. Dari suatu penelitian di Rumah Sakit Sayang Ibu Selong, diperoleh data bahwa
rata-rata berat bayi yang baru lahir adalah 3750 gram dengan simpangan baku
325 gram. Jika berat bayi berdistribusi normal, maka tentukan ada:
a. Berapa bayi yang beratnya lebih dari 4500 gram, jika ada 1000 bayi?
b. Berapa bayi yang beratnya antara 3500 gram dan 4500 gram, jika semuanya
ada 1000 bayi
c. Berapa bayi yang beratnya kurang atau sama dengan 4000 gram, jika
semuanya ada 1000 bayi?
d. Berapa bayi yang beratnya 4250 gram, jika semuanya ada 5000 bayi?
20. Misalkan , , … , berdistribusi pareto satu-satu dan yn = n order statistik
terkecil, maka tentukan CDF dari !
Jawaban :





BAB 4 Distribusi Bersama Variabel Acak Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd
BAB 4
DISTRIBUSI BERSAMA
VARIABEL ACAK
 PENDAHULUAN
Kompetensi : Memahami distribusi bersama variabel acak dan sifat-sifatnya
Perkuliahan : 1. Distribusi bersama variabel acak
a. Diskrit
b. Kontinu
c. Variabel acak independen
d. Distribusi bersyarat
2. Distribusi bersama variabel acak
a. Sifat harga harapan
b. Korelasi
c. Harga harapan bersyarat
Indikator: 1. Memahami distribusi bersama variabel acak diskret.
2. Memahami distribusi bersama variabel acak kontinu
3. Menjelaskan variabel acak independen
4. Menentukan distribusi bersyarat variabel acak
5. Menentukan harga harapan variabel acak
6. Menentukan koefieien korelasi
7. Menentukan harga harapan bersyarat variabel acak
Telah dibahas pada Bab sebelumnya mengenai macam-macam sebaran/ distribusi
peuang, baik pada variabel diskrit maupun variabel kontinu. Pada Bab ini akan fungsi
peluang yang di bicarakan menyangkut dua atau lebih variabel yaitu distribusi bersama,
distribusi marginal, distribusi bersyarat dan kebebasan stokastik.
Selain itu, menentukan pula nilai harapan dari fungsi peluang tersebut, serta
menghitung koefisien korelasinya.
4.1 Distribusi Bersama

Dalam analisis statistik, distribusi bersama umumnya distribusi yang terdiri dari k
buah variabel acak (berdimensi k) atau sering dinamakan vektor acak.
= ( , ,…, ) →
Definisi 4.1: Distribusi Bersama Variabel Acak Diskrit

Probability Dencity Funtion (pdf) bersama dari variabel acak diskrit berdimensi k
(vektor random) didefinisikan sebagai berikut :
( , ,…, ) = ( = , = ,…, = )
= ( = ∩ = ∩…∩ = )

Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd BAB 4 Distribusi Bersama Variabel Acak
Untuk semua nilai X dimana =( , ,…, ) dari vektor acak yang mungkin.
Contoh Soal 4.1.1 :
Sebuah kardus berisi 1000 penggaris, 400 warna merah, 400 warna hitam, sisanya
biru. Jika 10 penggaris diambil secara acak sekaligus tanpa pengembalian, maka
tentukan probabilitas banyaknya penggaris yang terambil berwarna merah, hitam, dan
biru.
Penyelesaian :
Jumlah penggaris = 1000 buah
Penggaris warna merah= 400 buah
Penggaris warna hitam = 400 buah
Penggaris warna biru = 1000 − 400 − 400 = 200 buah
 400   400   200 

 X  X n  X  X 
f 1000,10, X1 , X 2  
 1  2  1 2  , dengan X  X  X  n
 1000 
1 2 3
 10 
 
Distribusi bersama biasanya terkait dengan distribusi multinomial (perluasan dari
binomial).
4.2 Distribusi Multinomial.

Misalkan terdapat k+1 kejadian yang terbatas dan saling asing yakni
, ,…, dengan e = event yang terjadi dari sebuah eksperimen dan misalkan
= ( ).
Misalkan variabel acak menyatakan banyaknya kejadian dari n
eksperimen, maka variabel acak dikatakan berdistribusi multinomial, jika pdf nya
berbentuk :
!
( ,…, ) = , …
!… !
= − ,0 ≤ ≤
= 1−
≈ ( , , ,… )
Teorema 4.2.1:
Suatu fungsi ( , … ) adalah pdf nya bersama untuk beberapa variabel acak jika
hanya jika berlaku :
a. ( , … , ) ≥ 0, ∀ , = 1, 2, … . ,
b. ∑ … ∑ ( ,… ) = 1
Contoh Soal 4.2:
1. Peluang bidang tetrahedron dilemparkan sebanyak 20 kali, masing-masing

permukaan mempunyai peluang yang sama, yakni . Tentukan probabilitas
bahwa dari percobaan tersebut munculnya angka 1 adalah 4 kali, angka 2

adalah 6 kali, angka 3 dan 4 adalah 5 kali?
2. ≈ (3 ; 0,4 ; 0,4
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
Tentukan peluang  harus 1?
Penyelesaian:
! !
1. ( )= = = 0,0089 = 0,9%
! ! ! ! ! ! ! !
2. Peluang :  harus 1  (0,4)0(0,4)0(0,2)3 = 0,008

Px  X   f 0,1  f 0,2  f 0,3  f 1,2  f 1,3  f 2,3
= 0,048  0,096  0,064  0,192  0  0
= 0,4
Definisi 4.2:
Jika pasangan variabel acak diskrit , mempunyai pdf ( , ), maka pdf
marginal dari dan adalah:
f X    f X , X   X
1 1 1 2 1
fixed and X 2 variabel
X2
f X    f X , X   X
2 2 1 2 2
fixed and X 1 variabel
X1
CDF bersama dari k variabel acak (vektor random) adalah suatu fungsi yang
didefinisikan sebagai berikut: ( ,… )= ( < ,… ≤ )
Teorema 4.2.2:
Suatu fungsi ( , ) adalah CDF bivarian jika hanya jika berlaku:
1. lim F  X 1 , X 2   F  , X 2   0, X 2
X1 

2. lim F  X 1 , X 2   F  X 1 ,  0, X 1
X 2 
3. lim F  X 1 , X 2   F ,   1
X1 , X 2 
4. F b, d   F b, c  F a, d   F a, c  0, a  b, c  d
5. lim F  X 1  h, X 2   lim F  X 1 , X 2  h   F  X 1 , X 2 , X 1 , X 2
h 0  h 0 
The property (5) is a monotonicity condition. In two-dimensional case we have:

P[a < X1  b, c < X2  d] = F(b, d) – F(b,c) – F(a, d) + F(a, c)
4.3 Variabel Acak Kontinu Bersama

Suatu variabel random (vektor random) dikatakan kontinu jika terdapat fungsi
pdf bersama f  X 1 ,..., X k  dari variabel acak tersebut, sedemikian sehingga CDF-nya
dapat dinyatakan sebagai berikut:
Xk X1
F  X 1 , X 2 ..., X k    .....  f t1 , t 2 ,..., t k dt1 ,..., dt k , t1 ,..., t k

 
Teorema 4.3:
pdf bersama f  X 1 ,..., X k  jika hanya jika memenuhi :
a. f  X 1 ,..., X k   0
 
b.  .....  f  X 1 ,..., X k dX 1 ,..., dX k  1
 

Pdf marginal: f1  X 1    f  X , X dX
1 2 2


=  f X

1 , X 2 dX 1
Contoh 4.3:
Misalkan X1 menyatakan konsentrasi dari substansi tertentu dari percobaan 1 dan X2
menyatakan konsentrasi dari substansi tertentu dari percobaan 2. Jika diasumsikan
bahwa pdf bersamanya f  X 1 ,.X 2   4 X 1 X 2 ,0  X 1  1;0  X 2  1 , maka tentukan
CDF-nya.
Penyelesaian:
X2 X1
F  X 1 , X 2    .....  f t1 , t 2 dt1 .dt 2

 
X2 X1
=  .....  4.t t
0 0
1 2 .dt1 .dt 2
= X 1 , X 2 
2

4.4 Variabel Acak Bebas Stokastik

Dalam analisis statistik (inferensi statistik), variabel random bebas stokastik
merupakan pokok bahasan yang penting, karena hampir sebagian besar persoalan
analisis statistic terkait dengan variabel random bebas stokastik. Jika ada dua variabel
acak X dan Y, baik diskrit maupun kontinu, maka dapat mengetahui apakah kedua
variabel acak tersebut bebas stokastik atau tidak bebas stokastik.
Definisi 4.4:
X1 dan X2 variabel acak diskrit dengan pdf bersama f  X 1 , X 2  , dikatakan bebas
stokastik jika dapat dinyatakan sebagai : f  X 1 , X 2   f1  X 1 . f 2  X 2 
Dengan cara yang sama, apabila X1 dan X2 merupakan variabel acak kontinu
sedemikian sehingga f  X 1 , X 2   f1  X 1 . f 2  X 2  , maka :
d b
Pa  X 1  b, c  X 2  d     f  X 1 , X 2 dX 1 dX 2
c a
d b
=   f  X . f  X dX dX
c a
1 2 1 2
b d
 f  X dX . f  X dX
=
a
1 1 1
c
2 2 2
Jadi, Pa  X 1  b, c  X 2  d   Pa  X 1  b.Pc  X 2  d 

Secara umum, variabel random X 1 ,..., X 2 dikatakan bebas stokastik jika
ai  bi , i  1,2,..., k berlaku bahwa:
k
Pa1  X 1  b1 ,..., a k  X k  bk    Pa i  X i  bi 
i 1
Teorema 4.4:
Variabel acak X bebas stokastik jika hanya jika :
k
CDF  F  X 1 ,..., X k    Fi  X i 
i 1
k
pdf  f  X 1 ,..., X k    f i  X i 
i 1
Contoh 4.4:
X1/X2 0 1 2 f1(X1)
0 0,1 0,2 0,1 0,4
1 0,1 0,2 0,1 0,4
2 0,1 0,1 0 0,2
f2(X2) 0,3 0,5 0,2 1

f (1,2) = 0,1 f 1,1  f1 1. f 2 1

f1 (X1) = 0,4 f 1,2  f1 1. f 2 2 0 , 2  0 , 4 . 0 ,5
f2 (X2) = 0,2 Sehingga bebas stokastik

Sehingga bukan bebas stokastik
4.5 Distribusi Bersyarat

Jika X1, X2 variabel acak diskrit atau variabel acak kontinu dengan pdf bersama
f  X 1 , X 2  , maka pdf bersyarat dari X2 dengan syarat :
f X 1, X 2 
f  X 2 | X 1  x1   , f1  X 1   0
f1  X 1 
Dengan cara yang sama,

f X 1, X 2 
f  X 1 | X 2  x2   , f 2 X 2   0
f 2 X 2 
Jika X1, X2 bebas stokastik, maka :
f  X 1 , X 2  f 1  X 1 . f 2  X 2 
a. f X 2 | X 1   f 2 X 2   f X 2 | X 1     f 2 X 2 
f1  X 1  f1  X 1 
b. f  X 1 | X 2   f1  X 1 
Contoh Soal 4.5

Jika x dan y dua variabel acak kontinu yang mempunyai pdf bersama :
f x, y   x  y,0  x  1;0  y  1
Tentukan:
a. f  y | x 
 1 1
b. P 0  y  | x  
 2 4
Penyelesaian:
f  x, y  x y x y x y
a. f  y | x    
f x  1
1 2 1 1
x
 x  y.dy
0
2
y  xy 
0 2
 1 1 x y
b. P 0  y  | x   
 2 4
x
1
2

11
2y
=  4 .dy
1 1
0 
4 2
1 2 1 1
y  y 2
2 4  0
= 3
4
2
1
= 8 
3 3
4
Definisi 4.5. Sifat –Sifat Probabilitas
Jika X variabel acak yang mempunyai pdf bersama f  X 1 ,..., X k  dan jika y  u (x)
merupakan fungsi dari vektor random, maka:
 Variabel acak diskrit
E ( y )  E (u ( x))
= ...u( X ,..., X
X1 Xk
1 k ) f ( X 1 ,..., X k )
 Variabel acak kontinu

E ( y )  E (u ( x))
 
=  ...  .u ( X 1 ,..., X k ) f ( X 1 ,..., X k )dX 1 ,..., dX k

 
Teorema 4.5.a
Jika X1, X2 suatu random variabel dengan pdf bersama f  X 1 , X 2  , maka:
E( X 1  X 2 )  E( X 1 )  E( X 2 )
Pembuktian:
 
E( X 1  X 2 )   X

1  X 2 f ( X 1 , X 2 )dX 1dX 2
 
= X

1 f ( X 1 , X 2 )dX 1   X 2 f ( X 1 , X 2 )dX 2

= E( X 1 )  ( X 2 )
Jadi, terbukti bahwa E( X 1  X 2 )  E( X 1 )  E( X 2 )
Jika ai , i  1,2,..., k suatu konstanta, maka: E  ai X i    E ai X i 

Teorema 4.5.b
Jika x, y dua variabel acak bebas stokastik g(x) dan h(y) sebuah fungsi, maka:
E ( g ( x)h( y ))  E ( g ( x))..E (h( y )) .
Secara umum, jika x variabel acak saling independen dan u(x) suatu fungsi, maka :
E(u( x))  E(u( X 1 )),...,u( X k ))
= E(u( X 1 )),...,E(u( X k ))
Contoh Soal 4.3

Diketahui: ( , ) = ; = 1,2,3, dan = 1,2. Hitunglah (3 \ = 1)=….
Penyelesaian:
 Pdf marginal Y adalah:
6
( )= = (1 + 2 + 3) =
18 18 18
Jadi ( )= ; = 1,2
 Peluang bersyarat dari X diberikan Y=y adalah
( \ ) = 18 = ; = 1,2,3
6
3
Maka:
1
(3 \ = 1) = (3 ). = (1 + 4 + 9) = 7
6 2
Latihan Soal 4.5

1. Dari contoh soal 4.3, Tentukan (2 \ = 1)
2. Diketahui pdf gabungan variabel acak kontinu didefinisikan:
3
( , )= ;0 < < 2 dan 1 < <2
4
Hitunglah (3 \ = 1) dan (2 \ = 1)?


4.6 Kovarians
Definisi 4.6.a
Kovariansi bersama antara x dan y:
 
Kovx, y   E x   x y   y    xy  E xy   E x E  y 
Jika x = y, maka Kovx, x  Ex   x x   x 

= E x  2 xx   x
2 2

 
= E x 2  Ex 
2
= vx
= x
2
Definisi 4.6.b (Kasus diskrit)
( , )= ( − ) − ( , )
Definisi 4.6.c (Kasus kontinu)
( , )= ( − ) − . ( , )
Teorema 4.6.1:
Jika x dan y bebas stokastik, maka :
Ex, y  ExE y , sehingga kov (x, y) = 0
Apabila kov (x, y) = 0, maka tidak berlaku x dan y bebas stokastik.
Sifat – sifat Kovarian 4.6

1. Kov ( , )= ( , )
Bukti:
( , )= ( )− ( ). ( )
= ( )− ( )− ( ). ( )
= ( )− ( ). ( )
= ( , )
2. ( + , )= ( , )+ ( , )
3. ( , + )= ( , )

4. ( + , + )= ( , )
Teorema 4.6.2:
Jika X, Y variabel acak, maka : ( + ) = ( ) + ( ) + 2 ( , )
Pembuktian:
( + ) = ( + ) − ( ( + ))
= ( +2 + )−[ ( )+ ( ) + 2 ( ). ( )]
= ( ) +2 ( )+ ( )− ( )+ ( ) − 2 ( ). ( )
= ( )− ( )+ ( )− ( ) + 2{ ( ) − ( ). ( )}
= ( )+ ( )+2 ( , )
Jika X, Y independen, maka:
( + )= ( )+ ( )+2 ( , )
= ( )+ ( )+0
= ( )+ ( )
(Terbukti)
Jika X variabel acak yakni = [ ,…, ] dan , = 1,2, … , suatu konstanta, maka
varian ∑ =∑ ( ) + 2∑ ∑ ( ) jika x saling independen,
maka:
= ( )
Contoh Soal 4.6:

Berikut tabel yang menggambarkan pdf bersama X dan Y:
X
Y
1 2 3
1 1
1 0
12 6
1 1
2 0
9 5
1 1 2
3
18 4 15
Tentukan ( , )?

Penyelesaian:
 Distribusi marginal X
x 1 2 3
p(x)
…. …. ….
 Distribusi marginal Y
Y 1 2 3
p(y)
…. …. ….
 Nilai harapan variabel acak X
( )= . ( )
…. …. …. ….
= (… . ) + (… . ) + (… . ) =
…. …. …. ….
 Nilai harapan variabel acak Y
( )= . ( )
…. …. …. ….
= (… . ) + (… . ) + (… . ) +=
…. …. …. ….
 Nilai harapan variabel acak XY
( )= . ( , )
…. …. …. ….
( ) = (… . )(… . ) + (… . )(… . ) + (… . )(… . ) + (… . )(… . )
…. …. …. ….
…. …. …. ….
+ (… . )(… . ) + (… . )(… . ) + (… . )(… . ) + (… . )(… . )
…. …. …. ….
….
+ (… . )(… . )
….
….
( )=
….
 Kov (X,Y)
…. …. ….
( , )= ( )− ( ) ( )= −
…. …. ….

Latihan Soal 4.6

Misalkan pdf bersama X dan Y didefinisikan:
; ,
( , )={ ;
Tentukan Kov (X,Y)

4.7 Koefisien Korelasi

Penentuan derajat hubungan linier antara dua buah variabel acak digunakan
koefisien korelasi.
Definsi 4.7
Jika X dan Y merupakan variabel acak diskrit atau kontinu, maka koefisien
korelasi ( ) di definisikan sebagai:
( )− ( ) ( )
( , )= =
{ ( ) − [ ( )] } { ( ) − [ ( )] }
Dengan variansinya maisng-masing adalah ( )= , ( )= dan kovariansinya
adalah ( , )= Maka korelasi X dan Y didefinisikan:
( , )
( , )= = =
( ) ( )
Sifat – sifat korelasi 4.7:

1. ≤ −1 ≤ ≤1
2. ( + , + )= ( ) ( , )
1, jika >0
Dengan ( ) = 0, jika =0
−1, jika <0
a.  xy  0  corr 
3.
b.  xy  0  corr 
c.  xy  0  uncorrelated
4. Jika x,y bebas stokastik, maka ( , )=0→ = 0 tetapi tidak berlaku

sebaliknya.
Latihan Soal 4.7

Dari Contoh Soal 4.6 dan Latihan Soal 4.6, Tentukan koefisien korelasinya?

4.8 Nilai Harapan Bersyarat

Jika X dan Y variabel acak berdistribusi bersama f (X,Y), maka harapan Y yang
diberikan X didefinisikan sebagai :
 Kasus diskrit: EY | X  x  Y. f Y | x


 Kasus kontinu: E Y | X  x    Y . f Y | x dy


Contoh Soal 4.8

Misalkan diketahui pdf bersama dari variabel acak Y yang diberikan X sebagai berikut
:
E Y | X  
2 X
,0  Y  ,0  X  Z
X 2
Tentukan E Y | X   EY | X Y   E Y | X  x  !
Penyelesaian:
x x
x
2 2
2 1 2 x
E Y | X  x    Y   Y . .dY  . Y 2  
2
0 0
x x 2 0 4
Teorema 4.8.1:
Jika X dan Y variabel acak berdistribusi bersama, maka: EE y | x  E y .
Pembuktian:
Misal : E y | x  hx

EE  y | x   E hx    hx  f1 x dx

=

 E y | x f xdx
1
 
=   y. f  y | x. f x.dy.dx

1
 
=   y. f x, y .dy.dx

 
=  y  f x, y .dx.dy  E( y) (Terbukti)

 

Latihan Soal 4.8
Dari soal sebelumnya, jika E  y | x   x dan f1 x   ,0  x  2 , maka cari E y !

1 x
4 2
Dari soal-soal di atas, ekspektasi bersyarat dapat juga digunakan untuk 2 variabel yang
saling bebas stokastik. Jika x, y bebas stokastik, maka:
a. E y | x  E y
b. Ex | y  Ex
 
Variansi bersyarat dari y diberikan x didefinisikan sebagai: v y | x   E y 2 | x  E  y | x 
2
Teorema 4.8.2:
Jika X dan Y variabel random berdistribusi bersama, maka:
 
v y   E var y | x   varE  y | x  . Buktikan!!
2

4.9 MGF Bersama
MGF bersama (fungsi pembangkit momen gabungan) merupakan fungsi

pembangkit momen yang diperoleh berdasarkan fungsi peluang gabungan dari dua
variabel acak.
Definisi 4.10.a
MGF gabungan dinotasikan ( , ) sebagai: ( , ) = [exp( + )
Dimana −ℎ < < ℎ ; −ℎ < < ℎ ; ℎ > 0; ℎ > 0
Definisi 4.10.b (Kasus diskrit)
( , )= ( , )
Definisi 4.10.c (Kasus kontinu)
( , )= ( , )
Contoh soal 4.10

Misalkan fkp gabungan dari X dan Y sebagai berikut:
1
( , )= ( + ); = 1,2,3 dan = 1,2
21
a. Tentukan ( , )?
b. Tentuka MGF marginal dari X, kemudian tentukan ( ) dan ( )?
c. Tentuka MGF marginal dari Y, kemudian tentukan ( ) dan ( )?
Penyelesaian:
a. MGF:
( , )= ( , )
1
= . ( + )
21
1
= ( .2 + .3 + .3 + .4 + .4 + . 5)
21
1
= (2 +3 +3 +4 +4 +5 )
21

Dimana ∈ , ∈
b. MGF marginal X, ( ) dan ( )? yaitu:
 ( )= ( , 0) = (5 +7 +9 )
( , )
 ( )= ]
1
( )= (5 + 14 + 27 )]
21
1 46
( )= (5 + 14 + 27) =
21 21
( , )
 ( )= ]
1
( )= (5 + 28 + 81 )]
21
1 114
( )= (5 + 28 + 81) =
21 21
Maka ( )= ( )− ( ) = − =
c. Kerjakan pada tempat yang telah disediakan:

4.10 Soal-Soal
1. Let X1, X2, X3 and X4 be independent random variables, each having the same
distribution with mean 5 and standard deviation 3, and let Y=X 1+2X2+X3-X4
a. Find E(Y)
b. Find Var (Y)
2. Let X and Y be discrete random variables with join pdf ( , )=( if x=1,2 and
)
y=2,3 and zero otherwise. Find:
a. E(X)
b. E(Y)
c. E(XY)
d. Cov(X,Y)
3. If X and Y are discrete random variables with joint pdf of the form
f(x,y) = c(x + y), x = 0, 1, 2; y = 0, 1, 2
and zero otherwise. Find the constant c.
4. If X and Y are discrete random variables with joint pdf of the form
2 x y
f ( x, y )  c x = 0, 1, 2, …; y = 0, 1, 2, …
x! y!
and zero otherwise.
a. Find the constant c.
b. Find the marginal pdf’s of X and Y
c. Are X and Y independent? Why or why not?
5. Let X1 and X2 be discrete random variables with joint pdf f(x1,x2) given by the following
table:
x2
0 1 2
0 1/12 1/6 0
x1 1 0 1/9 1/5
2 1/18 1/4 2/15
a. Find the marginal pdf’s of X1 and X2.
b. Are X1 and X2 independent? Why or why not?
c. Find P[X1  2].
d. Find P[X1  X2].
6. Two cards are drawn at random without replacement from an ordinary deck. Let X be
the number of hearts and Y the number of black cards obtained.
a. Write an expression for the joint pdf f(x,y).
b. Tabulate the joint CDF F(x,y).
c. Are X and Y independent?

d. Find P[Y = 1 | X = 1].

e. Find P[Y = y | X = 1].
f. Find P[Y = y | X = x].
7. Consider the function F(x,y) defined as follows:
0.25( x  y ) 2 , if 0  x  1 and 0  y  1

F ( x, y )   0, if x  0 or y  0
 1, otherwise

Is F(x,y) a bivariate CDF?
8. Suppose the joint pdf of lifetimes of a certain part and spare is given by
f(x,y) = exp[-(x + y)], 0 < x < , 0 < y < 
and zero otherwise. Find each of the following:
a. The marginal pdf’s , f1(x) and f2(y)
b. The joint CDF F(x,y)
c. P[X > 2].
d. P[X < Y].
e. P[X + Y > 2].
f. Are X and Y independent?
2. Suppose that X and Y have the joint pdf
f(x,y) = 8xy 0  x  y  1
and zero otherwise. Find each of the following:
a. The joint CDF F(x,y).
b. f(y|x).
c. f(x|y).
d. P[X  0.5 | Y = 0.75].
e. P[X  0.5 | Y  0.75].
9. Suppose X and Y are continuous random variables with joint pdf ( , )=
4( − ) if 0 < x < 1 and 0 < y < 1, and zero otherwise.
a. Are X and Y independent?
b. Find P[X < Y].
10. Suppose X and Y are continuous random variables with joint pdf given by ( , ) =
24 if 0 < x, 0 < y, x + y < 1, and zero otherwise.
c. Are X and Y independent?
d. Find P[Y > 2X].
e. Find the marginal pdf of X.
11. Let ( , ) = 6 ; 0 < < < 1, and zero otherwise. Find:
a. ( )
b. ( )
c. ( , )

d.
e. ( \ )
f. E( \ )
12. Let X dan Y have joint pdf ( , )= if 0 < < < ∞ and zero otherwise. Find
( \ )?
Jawaban :





Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd. BAB 5 Fungsi Variabel Acak
BAB 5
FUNGSI VARIABEL ACAK
 PENDAHULUAN
Kompetensi : Menentukan distribusi hasil transformasi variabel acak
Perkuliahan : 1. Transformasi variabel acak
a. Teknik CDF
b. Metode transformasi
c. Konvolusi
d. Order Statistik
2. Limit barisan variabel acak
a. Limit distribusi
b. Limit probbilitas
c. Teorema Limir Pusat
Indikator: 1. Menentukan distribusi transformasi variabel acak dengan metode momen
dan metode transformasi.
2. Menentukan distribusi konvolusi dan order statistik variabel acak.
3. Menentukan limit distribusi dan limit probabilitas barisan variabel acak
4. Mengaproksimasikan distribusi variabel acak dengan menggunakan
teorema limit pusat.
Setelah mendefinisikan probabilitas dalam kerangka teori himpunan, konsep
variabel acak kemudian dikaitkan dengan himpunan bilangan real. Sekarang akan
ditentukan fungsi densitas dari fungsi peubah acak kontinu tanpa melalui fungsi
distribusi melainkan dengan teknik transformasi peubah acak. Dalam hal ini, penentuan
fungsi probabilitas ini dibagi dua bagian, yaitu: 1. Penentuan fungsi probabilitas dengan
teknik transformasi peubah acak yang melibatkan satu peubah acak kontinu, sehingga
diperoleh teknik transformasi satu peubah acak kontinu. 2. Penentuan fungsi
probabilitas dengan teknik transformasi peubah acak yang melibatkan dua peubah acak
kontinu, sehingga diperoleh teknik transformasi dua peubah acak kontinu.

BAB 5 Fungsi Variabel Acak Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd.
5.1. Metode CDF

Tujuan dari subpokok bahasan ini adalah menentukan distribusi pdf dari fungsi
variabel acak. Dengan syarat, variabel acak sebelumnya (x) biasanya sudah
diketahui bentuk CDF-nya. Terdapat tiga metode / teknik untuk mendapatkan
distribusi fungsi variabel acak. Teknik tersebut antara lain: 1) Metode CDF, 2)
Metode transformasi variabel acak, dan 3) Metode MGF.
Misalkan variabel acak X mempunyai CDF ( ). Dan misalkan = ( ) suatu
fungsi variabel acak X, maka teknik CDF ini adalah menentukan fungsi diatas
dengan asumsi variabel acak X terdefinisi dengan jelas. Secara khusus, misalkan
untuk setiap bilangan real y didefinisikan = { | ( ) ≤ }, maka ≤ ≈ ∈
.
( ) = [ ( ) ≤ ] atau [ ∈ ]
Jika X variabel kontinudinyatakan sebagai integral dari pdf
Jika X variabel diskritpenjumlahan dari f(x) dalam Ay.
Contoh, [ ( ) ≤ ] dimana [ ≤ ≤ ], dimana salah satu atau kedua batas
bergantung pada y,
Kasus Kontinu:
( )= ( ) = ( )− ( )
Dengan : ( )= ( )
Contoh Soal 5.1 :

Diketahui ( ) = 1 − dengan batas 0  x   . Tentukan pdf dari Y = ex!
Jawab:
FY ( y )  P[Y  y ]
 P[e X  y ]
 P[ X  ln y ]
 FX (ln y )
 1  y 2 , 1  y  
Untuk pdf dengan batas = ∞ dan = :
d
f Y ( y)  FY ( y )  2 y 3 , 1  y  
dy

Latihan Soal 5.1:

1. Diketahui ( ) = 1 − dengan batas 0  x   . Tentukan pdf dari Y = ex!
2. Jika X variabel acak kontinu. Tentukan pdf dari Y = x2 !

5.2.Metode Transformasi Variabel Acak

Fungsi dari satu atau beberapa variabel acak yang tidak tergantung pada
parameter yang tidak diketahui disebut statistik. Dalam metode transformasi
variabel acak, terdapat dua hal yaitu:
 METODE TRANSFORMASI SATU-SATU
Definisi 5.2.a Kasus diskrit

Misalkan X variabel acak diskrit, dengan pdf f(x). Jika = ( ) dengan setiap
nilai X berkorespondensi satu-satu dengan nilai Y dan sebaliknya sedemikian
sehingga = ( ), maka pdf Y ditentukan sebagai berikut:
y  h( x)  x  k ( y )
f  y   f k  y , y  B dengan B  y f  y   0
Contoh Soal 5.2.a

X ~ GEO (p) dengan pdf f x  x   pq x 1 , x  1,2,...
Dan y = x-1, tentukan pdf Y!
Penyelesaian
x = y+1 misal x  w y 
f y y  f x w y 
= fx  y  1
 p.q y 11
 pq y , y  0,1,....
Definisi 5.2.b Kasus kontinu

Misalkan X variabel kontinu, dengan pdf f(x). Jika = ( ) dengan setiap nilai X
berkorespondensi satu-satu dengan nilai Y dan sebaliknya sedemikian sehingga
= ( ), Jika turunan ′( ) kontinu dan tidak nol, maka pdf Y ditentukan
sebagai berikut:
f  y   f w y  w y 
d
dy
Contoh Soal 5.2.b

Misalkan CDF dari variabel random X adalah F  x   1  e 2 x , maka tentukan pdf
dari y  e x dengan metode transformasi!
Penyelesaian:
y  e x  x  ln y  w y 

1
w'  y  
y
f y  y   f x w y  j
= 1  e  2 ln y 
1 1 1
 
y y y3
f y w  Fy  y   1 , dengan 1  y  
d
dy
=  y 2  3 y 4
 y2  3

y4
f x  x   1  e 2 x
f x x   Fx  x 
d
dx
= 2e 2 x
f y  y   f x w y  J
1
= 2e  2 ln y
y
2
=
y3
Latihan Soal 5.2.1

  
Misalkan X variabel acak kontinu berdistribusi uniform U   ,  . Tentukan
 2 2
distribusi fungsi Y  b  tan x  a !

 METODE TRANSFORMASI BUKAN SATU-SATU (UMUM)

Transformasi untuk k buah variabel acak. Secara umum, transformasi
variabel acak dapat diterapkan k buah variabel acak, = ( ) dengan asumsi
bahwa fungsi variabel acak tersebut mempunyai penyelesaian tunggal. =
( , , … , ) dan mempunyai Jacobian matriks sebagai berikut:
= …
… … … :
…
Definisi 5.2.c
Misalkan X dan Y adalah variabel acak kontinu dengan pdf gabungan ( , ). Jika
fungsi = ( , ) dan = ( , ) diferensiabel secara parsial terhadap x dan y
dan merupakan transformasi satu-satu untuk semua nilai dalam daerah hasil dari
X dan Y dengan ( , ) ≠ 0, maka untuk nilai x dan y tersebut persamaan =
( , ) dan = ( , ) dapat diperoleh x dan y yang tunggal, dengan =
( , ) dan = ( , ). Pdf gabungan dapat ditentukan dengan:
ℎ( , ) = [ ( , ), ( , )]. | |
dengan =
Contoh Soal 5.2.c

Misalkan pdf gabungan didefinisikan:
1
( , ) = ; 0 < < 2, 0 < < 2
4
Jika U=X-Y dan V=X+Y, tentukan ( )?
Penyelesaian:
 Menentukan hubungan variabel-variabelnya
= − = + dengan menggunakan eliminasi/substitusi didapat:
= ( + )dan =− ( − )
 Jacobian
( ) ( )
= = = + =
( ) ( ) −
 Pdf ( , )=….
1 1 1 1 1
( , )= ( + ), − ( − ) . | | = =
2 2 4 2 8
 Batas-batas U dan V
0< <2 0< <2

1 1
0< ( + )<2 0<− ( − )<2
2 2
0<( + )<4 0< − )<4
(
− < <4− < <4+
Marginal U
1 1 1 1
( )= = ] = [(4 + ) − ] =
8 8 8 2
;0 < <2
Maka pdf U: ( ) =
0; lainnya
Latihan Soal 5.2.2
Misalkan X dan Y variabel acak kontinu dan saling bebas, diketahui pdf
masing-masing sebagai berikut:
1; 1 < < 2
( )=
0; x lainnya
1
( ) = 3;0 < < 3
0; lainnya
Jika U=X-Y dan V=X+Y, tentukan ( )?

5.3.Metode MGF
Sebagaimana metode sebelumnya, metode MGF ini juga dapat digunakan
dengan mudah untuk menentukan distribusi variabel random atau jumlah fungsi
variabel acak. Jika = ( , , … , ) merupakan n buah variabel acak yang saling
independen atau bebas dan masing-masing punya MGF : maka
jumlah n buah vaabel random diatas yakni :
x,y independen
Contoh Soal 5.3

Misalkan variabel acak berdistribusi binomial yang saling independen :
dengan
Tentukan distribusi dari
Penyelesaian:
=
=

=(
=
BIN (
5.4. Order Statistik (Statistik Tataan/ Statistik Terurut)

Konsep order statistik merupakan konsep yang terkait variabel acak yang nilai-
nilai observasinya diurutkan sesuai variabel acak tersebut.
Contoh :
Misalkan x variabel acak yang menentukan lamanya waktu tahan hidup dari 5
macam bola lampu yang diuji hasilnya.
x1 = 5 bulan y2
x2 = 2 bulan y1
x3 = 6 bulan y3 pengurutan mulai dari yang terkecil
x4 = 10 bulan y5
x5 = 7 bulan y4
Secara umum (misal terdapat n pengamatan)
Teorema 5.4
Jika variabel acak dari suatu populasi yang kontinu, maka PDF
bersamanya dari statistik urut
Misalkan :
A1 =
A2 =
A3 =
A4 =
A5 =
A6 =
B =
A1= = , ,

A1= = , ,
Dengan memperhatikan nilai-nilai jacobian diatas dan berdasarkan metode

transformasi sebelumnya, maka pdf bersama dari kasus diatas merupakan perkalian
dari faktor-faktor , sehingga pdf bersamanya dinyatakan:
Contoh Soal 5.4

Misalkan menyatakan sampel random dengan PDF
. Tentukan PDF bersama dari statistik bersama dan PDF marginal!
Penyelesaian:
Penurunan distribusi dari order statistik ke-k dapat juga dilakukan hubungan
antara pdf dan cdf :
Latihan Soal 5.4

Misalkan , variabel acak kontinyu dengan PDF :
. Tentukan bentuk dari distribusi marginal
dari (pengamatan yang terkecil)!


Dari contoh diatas maka PDF marginal secara umum dapat ditentukan dengan
menggunakan teorema berikut:
sampel acak berorder n dari suatu PDF yang kontinyu dengan
>0. Untuk a<x<b, maka PDF order statistik ke-k (marginal) dapat dinyatakan
sebagai:
dengan a< <b

Dalam praktek order statistik smallest & biggest atau minimum dan maksimum,
mempunyai peran penting khusunya dalam statistik inferensi. Oleh karena itu,
terkait dengan teorema diatas, maka statistik urut minimum dan maksimum dapat
dirumuskan melalui 2 macam pendekatan :
 Variabel acak kontinyu
 Variabel acak diskrit
Untuk variabel acak kontinu pdf max dan pdf min dinyatakan
sebagai:
= ,
CDF :
5.5.Teorema Limit Pusat

Definisi 5.5.1. Distribusi Limit
Dalam analisis statistik (inferensi) peran dari distribusi limit merupakan bagian
yang penting, karena terkait dengan model distribusi pendekatan limit dari variabel
acak. Dalam distribusi limit ini, akan dibicarakan konsep-konsep yang terkait dengan
konvergen distribusi, konvergen stokastik, konvergen hampir pasti, CLT dari sebuah
variabel atau barisan acak. Jadi barisan adalah suatu fungsi dengan domain bilangan
asli.
Jika
Maka dikatakan konvergen dalam distibusi ke dan
dinyatakan
Contoh Soal 5.5.1

Misalkan sampel random dari distribusi eksponensial dan order
statistik terkecil. Maka tentukan CDF !
Penyelesaian:

F(-∞) = 0
F(∞) = 1
Definisi 5.5.2
Suatu barisan dari variabel random dikatakan konvergen stokastik pada
konstanta c jika barisan tersebut mempunyai distribusi limit pada y=c.
Definisi 5.5.3 Distribusi Generate
Fungsi G(y) adalah CDF dari distribusi generate pada nilai y=c jika :
Dengan kata lain, G(y) adalah CDF dari distribusi variabel acak diskrit jika
probabilitas bernilai 1 pada titik y=c dan bernilai 0 pada yang lain.
Definisi 5.5.4 Distribusi Paretto

Suatu variabel acak kontinu X dikatakan berdistribusi paretto dengan θ>0, ɸ>0
Jika PDF-nya berbentuk :
Contoh Soal 5.5.2:

Misalkan berdistribusi paretto satu-satu dan order statistik
terkecil, maka tentukan CDF dari !
Penyelesaian:

= G(Y)
Definisi 5.5.5 Teorema Limit Pusat
Misalkan suatu barisan variabel random dengan CDF masing-masing:
dan MGF masing-masing adalah . Jika
M(t) suatu MGF dan CDFnya G(Y) dengan
, Maka
Contoh Soal 5.5.3:

Misalkan suatu sampel acak dari distribusi bernoulli dengan
Yn =
sedemikian hingga np= maka tentukan distribusi
limit dengan CLT!
Penyelesaian:
, maka Yn =
=M(t)
Dari contoh diatas, konsep distribusi limit dan CLT dan keduanya menentukan
dengan pendekatan . Satu hal yang perlu diketahui, apabila bentuk CDF tidak
memenuhi sifat-sifat umum, maka barisan Yn tidak mempunyai distribusi limit
pendekatan.
Definisi 5.5.6 Teorema Limit Pusat secara khusus

Jika merupakan sampel cak dari sebuah distribusi dengan PDF f(x), dan
mean dan varian berhingga, maka distribusi limit dari :
Dari uraian di atas, dapat disimpulkan bahwa Theorema limit Central dapat
dimodifikasi berdasar konsep-konsep statistik dasar, yaitu:

1.
2. Jika , maka:
Definisi 5.5.7 Aplikasi CLT

Untuk menerapkan dalil limit pusat dalam permasalahan sehari-hari maka
theorema limit pusat dapat dimodifikasi sesuai dengan kasus. Terdapat beberapa
modifikasi dalam beberapa hal :
1.
2.
Latihan Soal 5.5

Misalkan adalah mean sampel random berukuran 75 dari distribusi dengan PDF
Tentukan peluang P(0,45< !

5.6. Konvergan Stokastik

Konsep konvergen stokastik banyak digunakan untuk menunjukkan bagaimana
sebuah random variabel dapat digunakan untuk pendekatan asimtotik normal.
Misalkan merupakan distribusi dari variabel acak yang distribusinya
tergantung pada bilangan bulat positif n. Jika c merupakan konstanta yang tidak
tergantung pada n maka variabel random dikatakan konvergen stokastik/
probabilistik/ lemah ke-c jika dan hanya jika untuk setiap berlaku :
Dari konsep diatas, konvergensi stokastik dapat diperluas terhadap barisan
variabel random.
Misalkan {Xn} barisan variabel random , n=1,2,.... dan X=variabel random
yang terdefinisi pada ruang parameter (ῼ) maka : konvergensi dari barisan tersebut
dapat diuraikan melalui 3 macam konvergen :
1. Konvergen almost sure / konvergen dengan probabiitas 1 / konvergen strong
2. Konvergen stokastik / konvergen probabilistik / konvergen weak
3. Konvergen distribusi / konvergen lengkap
Definisi 5.6
Misalkan Xn barisan variabel random dikatakan konvergen hampir pasti ke-x, jika
untuk setiap ε > 0 berlaku:
Xn dikatakan konvergen lema ke-x jika untuk setiap ε > 0 berlaku :
Xn dikatakan konvergen dalam distribusi ke-x jika :
Untuk menentukan konvergensi sebuah barisan variabel random, dapat

digunakan Chebychev. Langkah-langkah menentukan konvergensi :
1. Gunakan pertidaksamaan cheybychev
2. Tentukan mean dan variansinya
3. Subtitusikan ke cheybychev
4. Selesaikan
Contoh Soal 5.6

Misalkan merupakan sampel random dari distribusi eksponensial.
Buktikan konvergen stokastik ke !
Penyelesaian:
Buktikan :


lim(1  ) 1
n  n 2
5.7. Soal-soal
1. Let X be a random variable with pdf f(x) = 4x3 if 0 < x < 1 and zero otherwise.
Use the cumulative (CDF) technique to determine the pdf of each of the following
random variables:
a. Y = X4.
b. W = eX.
2. Let X be a random variable that is uniformly distributed, X~UNIF(0,1). Use the
CDF technique to determine the pdf of each of the following random variables:
a. Y = X1/4.
b. W = e-X.
3. If X is Weibull distributed, X~WEI(,), find both CDF and pdf of each of the
following:
a. Y = ln X.
b. W = (ln X)2.
4. If X~Bin(n,p), then find the pdf of Y = n – X.
5. If X~NB(r,p), then find the pdf of Y = X – r.
6. Let X have pdf f(x) = x2/24; -2 < x < 4 and zero otherwise. Find the pdf of Y =
X 2.
7. Let X and Y have joint pdf f(x,y) = 4exp[-2(x+y)]; 0 < x < , 0 < y <  and zero
otherwise.
a. Find the CDF of W = X+Y.
b. Find the joint pdf of U = X/Y and V = X.
c. Find the marginal pdf of U.
8. Let X1 and X2 denote a random sample of size 2 from a Poisson distribution,
X~POI(). Find the pdf of Y = X1 + X2.

9. Let X1 and X2 denote a random sample of size 2 from a distribution with pdf f(x)
= 1/x2; 1  x <  and zero otherwise.
a. Find the joint pdf of U = X1X2 and V = X1.
b. Find the marginal pdf of U.
10. Consider a random sample of size n from an exponential distribution, Xi~EXP(1).
Give the pdfs of the largest order statistics Yn and the smallest order statistics Y1.
Jawaban :




BAB 6 Distribusi Penarikan Contoh Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd.
BAB 6
DISTRIBUSI PENARIKAN
CONTOH
 PENDAHULUAN
Kompetensi : Memahami statistic dan distribusi sampling
Perkuliahan : Statistik dan distribusi sampling
a. Distribusi Statistik Mean dan Varian
b. Distribusi t, F, dan Chi kuadrat
c. Aproksimasi distribusi
Indikator: 1. Menjelaskan distribusi statistik mean dan varian
2. Menjelaskan distribusi t, F, dan Chi kuadrat.
3. Mengaproksimasi distribusi
Penerapan dari beberapa teknik distribusi fungsi variabel acak yang akan di bahas
adalah distribusi mean dan variansi, distribusi t, distribusi F, dan distribusi Chi Kuadrat.
Pada Bab 3 telah di bahas beberapa distribusi yang mempunyai bentuk fungsi
peluang/densitas tertentu dan nama tertentu, yang disebut distribusi khusus. Pada variabel
acak kontinu, ada dua distribusi yang belum dibahas yaitu distribusi t dan distribusi F. Dua
distribusi tersebut diperoleh berdasarkan teknik trasformasi variabel acak.
Penentuan distribusi dari dua statistik yang juga akan di bahas pada bab ini adalah
distribusi rataan sampel dan distribusi varians sampel. Kedua distribusi statistik sampel ini
diperoleh dengan cara teknik MGF.
6.1.Distribusi Statistik Mean Sampel

Misalkan , , … , adalah sampel variabel acak berukuran ( > 1)yng berasal
dari distribusi normal umum dan varian Rataan sampel di tulis:
1
=
−
=
√
Buktikan dengan menggunakan teknik MGF

Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd. BAB 6 Distribusi Penarikan Contoh

6.2. Distribusi Statistik Variansi Sampel.
Misalkan , , … , adalah sampel variabel acak berukuran ( > 1)yng berasal

dari distribusi normal umum dan varian Rataan sampel di tulis:
1
= ( − )
−1
−
=
√
Buktikan dengan menggunakan teknik MGF


6.3. Distribusi t-Student

Akan dipelajari distribusi khusus kontinu yang penutrunannya berdasarkan
distribusi normal dan distribusi chi kuadrat, kemudian prosesnya menggunakan teknik
transformasi variabel acak.
Definisi 6.2
Misalkan W dan V merupakan variabel acak yang saling bebas.
Diketahui:
~ (0,1) → distribusi _ _ _ _ _ _ _ _
~ ( ) → distribusi _ _ _ _ _ _ _ _
:
= → − = ↔ ~ ( )
Teorema 6.2 a
Misalkan W dan V saling bebas. Variabel acak T dikatakan berdistribusi t-student jika
dan hanya jika pdf dari T adalah:
+1
( )= 2
+1
√ 2 1+
∶ −∞ < < ∞
Buktikan!


Contoh Soal 6.2 a

Misalkan ~ (10). Hitung (| | > 2,228)
Penyelesaian:
(| | > 2,228) = 1 − (| | > 2,228)
= 1 − (−2,228 ≤ ≤ 2,228)
= 1 − (0,975 − 0,025)
= 0,05
Teorema 6.2 b
Rataan dan variansi dari distribusi t-student adalah:
1. ( )=0
2. ( )=
Buktikan!


6.4. Distribusi F
Selain distribusi t-student, distribusi khusu lainnya yang dalam penurunan
fungsinya menggunakan teknik transformasi variabel acak adalah distribusi F.
Definisi 6.3
Misalkan U dan V variabel acak yang saling bebas. Diman:
~ ( ) → distribusi _ _ _ _ _ _ _ _
~ ( ) → distribusi _ _ _ _ _ _ _ _
Maka:
= → = ↔ ~ ( , )
Teorema 6.3
Misalkan ~ ( ), ~ ( ) dengan U dan V saling bebas. Maka pdf F adalah:

+
2
( )= .
2 2
1+
:0 < <∞
Buktikan!



BAB 7 Estimasi Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd.
BAB 7
ESTIMASI
 PENDAHULUAN
Kompetensi : Mengestimasi parameter suatu distribusi variabel acak
Perkuliahan : 1. Estimasi titik
a. Metode momen
b. Metode maksimum likelihood
2. Estimasi Interval
Indikator: 1. Mengestimasi parameter suatu distribusi dengan metode momen.
2. Mengestimasi parameter suatu distribusi dengan metode maksimum
likelihood
3. Mengestimasi parameter suatu distribusi dengan suatu interval
Parameter populasi biasanya harga tidak diketahui, sehingga perlu diestimasi
berdasarkan pengamatan dari data sampel. Untuk mengetahui karakteristik yang bersifat
numerik dari suatu populasi, observasi terhadap satu atau lebih variabel acak yang terkait
perlu dilakukan. Hasil observasi ini kemudian dianalisis dengan menggunakan teknik-
teknik tertentu untuk mengestimasi karakteristik (dalam model parametrik disebut
parameter) populasi atau menguji hipotesis tentang populasi. Bagian statistika yang
membahas teori estimasi dan uji hipotesis dinamakan statistika inferensial ( inferential
statistics). Estimasi parameter dibedakan menjadi dua macam, yaitu estimasi titik dan
estimasi interval.
7.1. Estimasi Titik

Pandang variabel-variabel acak terobservasi X1, X2, …, Xn. Sebagai contoh adalah
sampel acak berukuran n dari suatu populasi (distribusi).

Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd. BAB 7 Estimasi
Definisi 7.1.1
Sebuah fungsi dari variabel acak terobservasi T=T(X1, X2, …, Xn) yang tidak tergantung
pada parameter populasi dinamakan statistik.
Contoh Soal 7.1

Misalkan X1, X2, …, Xn merupakan sampel acak dari suatu populasi. Berikut ini dua
contoh statistik:
n
X i
a. T ( X 1 ,..., X n )  i 1
: X n , dinamakan sampel mean.
n
n
(X i  X n )2
b. T ( X 1 ,..., X n )  i 1
: S 2 , dinamakan sampel varians.
n 1
Teorema 7.1
Jika X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi dengan mean
=E(Xi) dan variansi 2=Var(Xi) maka
a. E ( X n )   . .
2
b. Var ( X n )  .
n
c. E ( S 2 )   2 .
Buktikan!!


Untuk selanjutnya anggap populasi dimodelkan dengan variabel acak X yang

mempunyai distribusi dengan fungsi densitas f(x,) dimana    merupakan parameter
populasi. Parameter  mungkin berupa vektor. Misalkan  () suatu fungsi dari
parameter  . Misalkan X1, X2, …, Xn sampel acak dari X.
Definisi 7.1.2
Sebuah statistik T(X1, X2, …, Xn) yang digunakan untuk mengestimasi nilai dari ()
dinamakan estimator untuk  ().
7.2. Metode-metode Estimasi
7.6.1. Metode Momen

Prinsip dari metode momen adalah menyamakan momen ke k dari
n
X
k
i
populasi, yakni E(Xk), dengan momen ke k dari sampel, yakni i 1
.
n
Estimator untuk parameter  diperoleh dengan menyelesaikan sistem
persamaan
n
X
k
i
E( X k )  i 1
, k  1,2,..., j.
n
~
dan akan dinotasikan dengan  .
Contoh Soal 7.2.1.a

Misalkan X1, X2, …, Xn, merupakan sampel acak dari distribusi eksponensial,
X~EXP( ) dengan fungsi densitas
0, x0

f ( x; )   1  x / 
e , 0 x

Karena E(X)=  maka, dengan menggunakan rumus (3.1) dengan mengambil
n
~ X i
j=1, diperoleh   i 1
 Xn .
n

Contoh Soal 7.2.1.b

Misalkan X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi
dengan mean  dan variansi 2, maka dengan mudah dapat ditunjukkan
bahwa
n
(X i  X n )2
~  X n dan ~ 2  i 1
.
n
n 1 2
Perhatikan bahwa ~ 2  S dimana S2 adalah sampel varians.
n
7.6.2. Metode Maksimum Likelihood

Ide dasar dari metode maksimum likelihood adalah mencari nilai
parameter yang memberi kemungkinan (likelihood) yang paling besar untuk
mendapatkan data yang terobservasi sebagai estimator.
Definisi 7.2.2.a
Fungsi densitas bersama f(x1,…,xn;  ) dari variabel-variabel acak X 1,
X2, …, Xn dinamakan fungsi likelihood.
Untuk x1,…,xn yang tetap fungsi likelihood merupakan fungsi dari 
dan akan dinotasikan dengan L( ), yakni L( )= f(x1,…,xn;  ). Jika X1, X2,
…, Xn adalah sampel acak dari f(x,) maka
n
L( )   f ( xi , )
i 1
Definisi 7.2.2.b
Misalkan L( )= f(x1,…,xn;  ),   , merupakan fungsi densitas bersama dari
variabel-variabel acak X1, X2, …, Xn. Estimator maksimum likelihood
(Maximum Likelihood Estimator / MLE) untuk , dinotasikan dengan ˆ
adalah nilai  yang memaksimumkan fungsi likelihood L( ).
Jika  merupakan interval terbuka dan jika L( ) terdiferensialkan dan
mencapai nilai maksimum pada  maka MLE ˆ merupakan penyelesaian dari
persamaan maksimum likelihood
d
L ( )  0
d
atau secara ekuivalen ˆ merupakan penyelesaian dari persamaan maksimum
likelihood
d
ln L ( )  0
d

Persamaan yang terakhir umumnya lebih mudah digunakan untuk mencari

estimator maksimum likelihood ˆ .
Contoh Soal 7.2.2.a

Misalkan X1, X2, …, Xn, merupakan sampel acak dari distribusi Poisson,
X~POI( ) dengan fungsi densitas
 x e 
f ( x; )  , x  0,1,2,...
x!
Fungsi likelihood
n
 xi
n
 i  1 e  n
L( )   f ( xi , )  n
i 1
x!
i 1
i
dan fungsi log likelihood

n
 n 
ln L( )   xi ln   n  ln  xi ! .
i 1  i 1 
Persamaan maksimum likelihoodnya adalah
n
d x
ln L( )   i  n  0
d i 1 
yang mempunyai penyelesaian ˆ  xn . Jadi MLE dari  adalah ˆ  X n .
Terdapat kasus dimana estimator maksimum likelihood ada tetapi tidak

dapat diperoleh dengan menyelesaikan persamaan likelihood.
Contoh Soal 7.2.2.b

Misalkan X1, X2, …, Xn, merupakan sampel acak dari distribusi eksponensial
dengan dua parameter, X~EXP(1, ) dengan fungsi densitas
0, x 
f ( x; )    ( x  )
e , x
Fungsi likelihood
 n 
L( )  exp   ( xi   ) jika x1:n  
 i 1 
dan L( )=0 untuk kasus selainnya. Disini jelas bahwa MLE untuk  adalah
ˆ  X 1:n .

Teorema 7.2.2
Jika ˆ adalah MLE dari  dan u( ) adalah fungsi dari  maka u (ˆ) adalah
MLE dari u( ).
7.3. Kriteria Menilai Estimator.
Berikut ini beberapa kriteria yang sering digunakan untuk menilai estimator.
Definisi 7.3.a
Sebuah estimator T dikatakan estimator tak bias untuk  ( ) jika
E(T)=  ( )
untuk semua   . Jika tidak demikian T dikatakan estimator bias untuk  ( ).
Contoh Soal 7.3.a

Jika X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi dengan mean =E(Xi)
dan variansi 2=Var(Xi) maka menurut Teorema 2.2 X n dan S2 masing-masing adalah
estimator tak bias untuk  dan 2, karena E ( X n )   . dan E ( S 2 )   2 . Tetapi estimator
n 1 2
~ 2  S pada Contoh 3.2 merupakan estimator bias untuk 2 karena
n
n 1 2 n 1 n 1 2
E (~ 2 )  E  S  E (S 2 )   .
 n  n n
Definisi 7.3.b
Jika T adalah estimator untuk  ( ), maka bias dari T didefinisikan sebagai
b(T)=E(T)-  ( )
dan mean squared error (MSE) dari T didefinisikan sebagai
MSE(T)=E[T- ( )]2.
Teorema 7.3.a
Jika T adalah estimator untuk  ( ), maka
MSE(T)=Var(T)+[b(T)]2.

Definisi 7.3.c
Sebuah estimator T* dikatakan estimator tak bias dengan variansi minimum secara
uniform (uniformly minimum variance unbiased estimator / UMVUE ) untuk  ( ) jika
a. T* estimator tak bias untuk  ( ), dan
b. Untuk sebarang estimator tak bias T untuk  ( ), Var(T*)  Var(T) untuk semua 
 .
Dalam kasus tertentu UMVUE untuk  () dapat ditemukan dengan menggunakan
batas bawah Cramer-Rao (Cramer-Rao lower bound / CRLB).
Teorema 7.3.b. (CRLB )

Jika T adalah estimator tak bias untuk  ( ), maka
[ ' ( )]2
Var (T )  .

2

nE  ln f ( X , )
  
Contoh Soal 7.3.b

Misalkan X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi eksponensial,
X~EXP( ) dan
 () = . Karena

ln f ( x, )  ( x   ) /  2

maka dapat ditunjukkan bahwa

2

E  ln f ( X , )  1 /  2 ,
  
sehingga CRLB untuk  ( ) sama dengan 2/n. Jelas bahwa X n merupakan estimator
tak bias untuk  ( ) = . Selanjutnya dapat ditunjukkan bahwa Var ( X n )   2 / n .
Kesimpulannya X n merupakan UMVUE untuk  ( ).

Definisi 4.6
Misalkan T dan T* merupakan estimator tak bias untuk  ( ). Efisisensi relatif dari T
terhadap T* didefinisikan sebagai
Var (T *)
re(T , T *)  .
Var (T )
T* dikatakan efisien jika re(T,T*)  1 untuk semua estimator tak bias T untuk  ( ) dan
semua   . Jika T* adalah estimator efisien untuk  ( ) maka efisiensi dari estimator
tak bias T untuk untuk  ( ) didefinisikan sebagai
e(T)= re(T,T*).
7.4. Sifat-sifat untuk Ukuran Sampel Besar
Definisi 7.4.a
Barisan estimator {Tn} untuk  ( ) dikatakan konsisten (simpel konsisten) jika untuk
setiap  > 0
lim n   P (| Tn   ( ) |  )  1
untuk setiap   .
Definisi 7.4.b
Barisan estimator {Tn} untuk  ( ) dikatakan MSE konsisten jika
lim n   E[Tn   ( )]2  0
Definisi 7.4.c
Barisan estimator {Tn} untuk  ( ) dikatakan tak bias asimtotik jika
lim n   E (Tn )   ( )
Teorema 7.4.a
Barisan estimator {Tn} untuk  ( ) adalah MSE konsisten jika dan hanya jika barisan
estimator tersebut tak bias asimtotik dan lim n   Var (Tn )  0 .

Teorema 7.4.b
Jika barisan estimator {Tn} untuk  ( ) adalah MSE konsisten maka barisan estimator
tersebut juga simpel konsisten.
Teorema 7.4.c
Jika barisan estimator {Tn} untuk  ( ) adalah simpel konsisten dan jika g(t) adalah
fungsi yang kontinu pada setiap nilai dari  ( ) maka g(Tn) simpel konsisten untuk
g(()).
Definisi 7.4.d
Misalkan {Tn} dan {Tn*} merupakan estimator tak bias asimtotik untuk  ( ). Efisisensi
relatif asimtotik dari Tn terhadap Tn* didefinisikan sebagai
Var (Tn *)
are(Tn , Tn *)  lim n   .
Var (Tn )
Barisan {Tn*} dikatakan efisien secara asimtotik jika are(Tn,Tn*)  1 untuk semua barisan
estimator tak bias asimtotik {Tn} untuk  ( ) dan semua   . Jika {Tn*} adalah barisan
estimator efisien secara asimtotik untuk  ( ) maka efisiensi asimtotik dari barisan
estimator tak bias asimtotik {Tn} untuk untuk  ( ) didefinisikan sebagai
ae(Tn)= are(Tn,Tn*).
Di bawah kondisi tertentu, yang dinamakan kondisi reguler, estimator maksimum

likelihood ˆ mempunyai sifat:
n
a. ˆn ada dan tunggal.
b. ˆn estimator konsisten untuk  .
c. ˆn mempunyai limit distribusi normal dengan mean  dan variansi
1
.
 
2

nE  ln f ( X , )
  
d. ˆn efisien secara asimtotik.
7.5. Estimator Bayes dan Minimax
Definisi 7.5.a

Jika T adalah estimator untuk  ( ) maka sebarang fungsi bernilai real dinamakan loss
function jika memenuhi
L(t;)  0 untuk setiap t
dan
L(t;) =0 jika t= ( ).
Definisi 7.5.b
Risk function didefinisikan sebagai harga harapan dari loss, yakni
RT() =E[L(T;)].
Definisi 7.5.c
Sebuah estimator T1 dikatakan better estimator dari estimator T2 jika dan hanya jika
RT1 ( )  RT2 ( ) untuk semua   
dan
RT1 ( )  RT2 ( ) untuk paling sedikit satu nilai  .
Sebuah estimator T dikatakan admissible jika tidak ada lagi better estimator.
Definisi 7.5.d
Sebuah estimator T1 disebut estimator minimax jika
max{RT1 ( ) :   }  max{RT ( ) :   }
untuk semua estimator T .
Definisi 7.5.e
Untuk sampel acak dari f(x,), Bayes risk dari sebuah estimator T relatif terhadap risk
function RT() dan fungsi densitas p() adalah rata-rata risk terhadap p(), yakni
AT  E [ RT ( )]   RT ( ) p( )d .

Definisi 7.5.f
Untuk sampel acak dari f(x,), Bayes estimator T* relatif terhadap risk function RT()
dan fungsi densitas p() adalah estimator dengan minimum ekspektasi risk, yakni
E [ RT * ( )]  E [ RT ( )]
untuk setiap estimator T.
Definisi 7.5.g

Fungsi densitas bersyarat dari  bila diberikan observasi sampel x=(x1, …, xn)
dinamakan posterior density dan diberikan oleh
f ( x1 ,..., xn |  ) p( )
f | x ( )  .
 f ( x1,..., xn |  ) p( )d
Teorema 7.5
Jika X1, …, Xn adalah sampel acak dari f(x|) maka Bayes estimator adalah estimator
yang meminimumkan harga harapan loss relatif terhadap distribusi posterior dari |x,
yakni
E | x [ L(T ; )] .
7.6. Kecukupan estimator

7.6.1. Statistik cukup
Definisi 7.6.1.a
Misalkan X=(X1, X2, …, Xn) mempunyai densitas bersama f(x,), dimana 
merupakan vektor parameter. Statistik S=(S1, S2, …, Sk) merupakan statistik cukup
gabungan untuk  jika untuk sebarang vektor statistik T yang lain, distribusi
bersyarat dari T diberikan S=s, dinotasikan dengan fT|s(t), tidak tergantung .
Dalam kasus dimensi satu S dinamakan statistik cukup untuk .
Definisi 7.6.1.b
Suatu himpunan statistik dikatakan sebagai himpunan statistik cukup minimal jika
anggota-anggotanya adalah statistik cukup gabungan untuk parameter dan jika
statistik-statistik tersebut merupakan fungsi dari himpunan statistik cukup
gabungan yang lain.
Definisi 1.1 tidak bersifat operasional untuk menyelidiki bahwa suatu
statistik merupakan statistik cukup. Karena sebarang statistik merupakan fungsi
dari sampel X=(X1, X2, …, Xn) maka untuk menyelidiki statistik cukup, cukup
ditunjukan bahwa fX|s(x), tidak tergantung .
Contoh Soal 7.6.1.a

Misalkan X1, X2, …, Xn merupakan sampel acak dari distribusi eksponensial

X~EXP(). Disini
 n 
  Xi 
f ( x1 ,..., xn ; )  n exp  i 1 , xi  0 .
1
   
 
 
n
Akan ditunjukkan bahwa S   X i adalah statistik cukup untuk . Karena S
i 1
berdistribusi gamma, S~GAM( ,n), dengan fungsi densitas

1
f S ( s; )  s n 1e  s /  , s  0
  ( n)
n
maka
 ( n)
f X |s (s) 
s n 1
tidak tergantung pada . Jadi S merupakan statistik cukup untuk .
Untuk menemukan suatu statistik cukup dapat digunakan teorema berikut.
Teorema 7.6.1.a
Jika X1, X2, …, Xn, mempunyai densitas bersama f(x,) maka S=(S1, S2, …, Sk)
merupakan statistik cukup gabungan untuk  jika dan hanya jika
f ( x1 ,..., xn ; )  g ( s; ) h( x1 ,..., xn )
dimana g(s,) tidak tergantung pada x1, …, xn, kecuali melalui s, dan h(x1, …, xn
) tidak tergantung .
Contoh Soal 7.6.1.

Misalkan X1, X2, …, Xn merupakan sampel acak dari distribusi Bernoulli,
X~BIN(1,). Disini

n n
 xi n  xi
f ( x1 ,..., xn ; )   i 1 (1   ) i 1
  s (1   ) n  s .
 g ( s; ) h( x1 ,..., xn )
n n
dimana s   xi dan h(x1, …, xn )=1. Jadi S   X i merupakan statistik cukup
i 1 i 1
untuk .
7.6.2. Sifat-sifat Statistik Cukup
Teorema 7.6.2.a
Jika S1, …, Sk adalah statistik cukup gabungan untuk  dan jika ˆ adalah satu-
satunya MLE untuk  , maka ˆ merupakan fungsi dari S1, …, Sk.
Teorema 7.6.2.b
Jika S adalah statistik cukup untuk  maka sebarang Bayes estimator merupakan
fungsi dari S.
Teorema 7.6.2.c
Jika X1, X2, …, Xn merupakan sampel acak dari sebarang distribusi kontinu dengan
fungsi densitas bersama f(x,) maka order statistik membentuk statistik cukup
gabungan untuk .
Teorema 27.6.2.d (Rao-Blackwell)

Misalkan X1, X2, …, Xn mempunyai fungsi densitas bersama f(x,) dan S=(S1, S2,
…, Sk) merupakan statistik cukup gabungan untuk . Jika T adalah sebarang
estimator tak bias untuk  () dan T*=E(T|S) maka
c. T* adalah estimator tak bias untuk  ( ),
d. T* adalah fungsi dari S, dan
e. Var(T*)  Var(T) untuk setiap  dan Var(T*) < Var(T) untuk suatu  jika tidak
benar bahwa T*=T dengan probabilitas 1.

Dalam kasus tertentu UMVUE untuk  () dapat ditemukan dengan

menggunakan batas bawah Cramer-Rao (Cramer-Rao lower bound / CRLB).
7.7. Kelengkapan dan Kelas Eksponensial
Definisi 7.7.a
Keluarga fungsi densitas {fT(t, );  } dikatakan lengkap jika E[u(T)]=0 untuk semua
  mengakibatkan u(T)=0 dengan probabilitas 1 untuk semua  .
Sebuah statistik cukup dari anggota keluarga yang lengkap dinamakan statistik
cukup lengkap.
Teorema (Lehmann-Scheffe)
Misalkan X1, X2, …, Xn mempunyai fungsi densitas bersama f(x,) dan S=(S1, S2, …,Sk)
satatistik cukup gabungan untuk  . Jika T*=T*(S1, S2, …,Sk) adalah statistik yang tak
bias untuk  ( ) dan merupakan fungsi dari S, maka T* adalah UMVUE untuk
 ( ).
Definisi
Sebuah fungsi densitas dikatakan termasuk dalam anggota keluarga eksponensial
reguler jika fungsi densitas tersebut dapat dituliskan dalam bentuk
 k 
f ( x; )  c( )h( x) exp  q j ( )t j ( x) , x  A
 j 1 
dan f(x,)=0 untuk nilai x yang lain, dimana  adalah vektor parameter berdimensi
k, jika ruang parameter  berbentuk
={ : ai  i  bi, i=1,…,k}
dan jika f(x,) memenuhi kondisi reguler 1, 2, dan 3a atau 3b, yaitu
1. Himpunan A={x: f(x,) >0} tidak tergantung .
2. Fungsi qj( ) tidak trivial, independen, dan kontinu.
3a. Untuk variabel acak kontinu fungsi turunan tj’(x) linear independen dan
kontinu.

3b. Untuk variabel acak diskret fungsi tj(x) tidak trivial pada A dan tak satupun
yang merupakan fungsi linear dari yang lain.
Teorema
Jika X1, X2, …, Xn merupakan sampel acak dari anggota kelas eksponensial reguler
maka satatistik-statistik
n n
S1   t1 ( X i ),..., S k   tk ( X i )
i 1 i 1
adalah himpunan minimal dari statistik cukup lengkap untuk 1,…,k.

7.8. Estimasi Interval
7.6.1. Interval Konfidensi
Misalkan X1, …, Xn mempunyai fungsi densitas f(x1,…,xn;),    dimana 
merupakan interval. Anggap L=L(X1, …, Xn) dan U=U(X1, …, Xn)
merupakan statistik-statistik. Jika sebuah eksperimen menghasilkan data x1, x2,
…, xn, maka nilai-nilai l(x1, …, xn) dan u(x1, …, xn) dapat dihitung.
Definisi
Interval (l(x1, …, xn),u(x1, …, xn)) dinamakan interval konfidensi 100% untuk
 jika
P[L(X1, …, Xn) <  < U(X1, …, Xn)]= 
dimana 0 <  < 1. Nilai-nilai l(x1, …, xn) dan u(x1, …, xn) masing-masing
dinamakan limit konfidensi bawah dan atas.
Definisi
1. Jika
P[L(X1, …, Xn) <  ]= 
maka l(x1, …, xn) dinamakan limit konfidensi 100% bawah satu sisi
untuk  .
2. Jika
P[ < U(X1, …, Xn)]= 

maka u(x1, …, xn) dinamakan limit konfidensi 100% atas satu sisi untuk
.
Contoh Soal
Misalkan X1, …, Xn merupakan sampel acak dari distribusi normal X~N(,2)
dimana 2 dianggap diketahui. Karena Z  n ( X n   ) /  ~ N (0,1) dan z/2 =
- z1-/2, maka
1    P[ z1 / 2  n ( X n   ) /   z1 / 2 ]
 P[ X n  z1 / 2 / n    X n  z1 / 2 / n ]
Sebagai akibatnya interval konfidensi 100(1-)% untuk  adalah
( xn  z1 / 2 / n , xn  z1 / 2 / n ) .
Sebagai contoh interval konfidensi 95% untuk  adalah
( xn  1.96 / n , xn  1.96 / n ) .
7.6.2. Kuantitas Pivot
Definisi
Jika Q=Q(X1, …, Xn; ) adalah variabel acak yang hanya merupakan fungsi
dari X1, …, Xn dan , maka Q dinamakan kuantitas pivot jika distribusinya
tidak tergantung pada  atau parameter yang lain.
Teorema
Misalkan X1, …, Xn adalah sampel acak dari suatu distribusi dengan fungsi
densitas f(x;),   , dan anggap MLE ˆ ada, maka
e. Jika  adalah parameter lokasi maka Q = ˆ -  merupakan kuantitas pivot.
f. Jika  adalah parameter skala, maka Q = ˆ / merupakan kuantitas pivot.
Teorema
Misalkan X1, …, Xn adalah sampel acak dari suatu distribusi dengan
parameter lokasi dan skala

1  x  1 
f ( x;1 , 2 )  f0  .
 2   2 
Jika MLE ˆ1 dan ˆ2 ada maka (ˆ1  1 ) / ˆ2 dan ˆ2 /  2 adalah kuantitas pivot
untuk 1 dan 2 .
Contoh
Misalkan X1, …, Xn merupakan sampel acak dari distribusi normal
X~N(,2) dimana  dan 2 tidak diketahui. Jika ̂ dan ̂ adalah MLE
dari  dan , maka ( ˆ   ) / ˆ dan ˆ /  adalah kuantitas-kuantitas pivot
yang dapat digunakan untuk membentuk interval konfidensi. Jika
S 2  nˆ 2 /( n  1) maka
Xn  
~ t (n  1)
S/ n
dan
(n  1) S 2
~  2 (n  1) .
 2
Karena
Xn  
1    P[t1 / 2 (n  1)   t1 / 2 (n  1)]
S/ n
 P[ X n  t1 / 2 (n  1) S / n    X n  t1 / 2 (n  1) S / n ]
maka interval konfidensi 100(1-)% untuk  adalah
( xn  t1 / 2 (n  1) s / n , xn  t1 / 2 (n  1) s / n ) .
Selanjutnya karena
1    P[ 2 / 2 (n  1)  (n  1) S 2 /  2  12 / 2 (n  1)]
(n  1) S 2 (n  1) S 2
 P[   2
 ]
12 / 2 (n  1) 2 / 2 (n  1)
maka interval konfidensi 100(1-)% untuk 2 adalah

(n  1) s 2 (n  1) s 2
( 2 , ).
1 / 2 (n  1) 2 / 2 (n  1)

7.6.3. Aproksimasi Interval Konfidensi
Contoh Soal
Misalkan X1, …, Xn merupakan sampel acak dari distribusi Bernoulli
X~BIN(1,p). MLE dari p adalah pˆ  X n . Di sini tidak ada kuantitas pivot
untuk p. Akan tetapi dengan menggunakan CLT
pˆ  p


d
N (0,1)
p (1  p ) / n
sehingga untuk n besar berlaku

 pˆ  p 
1    P  z1 / 2   z1 / 2  .
 p (1  p ) / n 
Aproksimasi interval konfidensi 100(1-)% untuk p adalah (p0,p1) dimana
p0 adalah penyelesaian yang lebih kecil dari persamaan
pˆ  p0
  z1 / 2 .
p0 (1  p0 ) / n
dan p1 adalah penyelesaian yang lebih besar dari persamaan

pˆ  p1
 z1 / 2 .
p1 (1  p1 ) / n
Dalam praktek interval konfidensi untuk p diperoleh dari hasil limit

pˆ  p


d
N (0,1) .
pˆ (1  pˆ ) / n
Untuk n besar berlaku

 pˆ  p 
1    P  z1 / 2   z1 / 2  .
 pˆ (1  pˆ ) / n 
dan aproksimasi interval konfidensi 100(1-)% untuk p adalah
( pˆ  z1 / 2 pˆ (1  pˆ ) / n , pˆ  z1 / 2 pˆ (1  pˆ ) / n ) .

7.6.4. Metode Umum

Jika tidak ada kuantitas pivot daerah (generalisasi dari interval)
konfidensi masih dapat dikonstruksi bila ada statistik yang distribusinya
hanya tergantung  dan tidak tergantung parameter yang lain.
Misalkan X1, …, Xn mempunyai fungsi densitas bersama f(x1, …, xn;)

dan S=S(X1, …, Xn )~g(s,). Anggap untuk setiap nilai  yang mungkin
dapat ditemukan nilai-nilai h1() dan h2() sedemikian hingga
Ph1 ( )  S  h2 ( )  1   . (4.1)
Jika S=s diobservasi, maka himpunan nilai-nilai   yang memenuhi h1()

< s < h2() membentuk daerah konfidensi 100(1-)% untuk .
Contoh Soal
Misalkan X1, …, Xn merupakan sampel acak dari sebuah distribusi kontinu
dengan fungsi densitas
(1 /  2 ) exp[( x   ) /  2 ], x  
f ( x; )  
0, x 
dimana  > 0. Di sini tidak ada statistik cukup tunggal untuk  , tetapi X1:n
n
dan X
i 1
i adalah statistik cukup gabungan untuk  . Interval konfidensi 90%
untuk  dapat dikonstruksi berdasarkan statistik S= X1:n. Fungsi distribusi dari

S adalah
1  exp[n( s   ) /  2 ], s  
G ( s;  )  
0, x 
Salah satu pilihan yang mungkin untuk h1() dan h2() yang
memenuhi persamaan (4.1) adalah penyelesaian dari
G(h1(); )=0.05
dan
G(h2();)=0.95,
yakni

h1()= - ln (0.95)2/n
dan
h2()= - ln (0.05)2/n.
Definisi
Interval konfidensi (L,U) dinamakan interval konfidensi konservatif 100(1-
)% untuk  jika interval acak yang terkait memuat nilai  yang benar
dengan probabilitas paling sedikit 1-.
Untuk n besar berlaku
 pˆ  p 
1    P  z1 / 2   z1 / 2  .
 pˆ (1  pˆ ) / n 
dan aproksimasi interval konfidensi 100(1-)% untuk p adalah
( pˆ  z1 / 2 pˆ (1  pˆ ) / n , pˆ  z1 / 2 pˆ (1  pˆ ) / n ) .
7.6.5. Masalah Dua Sampel

Misalkan X1, …, Xn1 merupakan sampel acak berukuran n1 dari
X~N(1, 21) dan Y1, …, Yn2 merupakan sampel acak berukuran n2 dari
Y~N(2, 22). Anggap kedua sampel tersebut saling independen. Misalkan
X n , Yn , S12 , dan S22 merupakan sampel mean dan sampel varians.
Selisi Mean
Jika 21 dan 22 diketahui, maka interval konfidensi untuk selisih
mean 2-1 dapat ditentukan sebagai berikut. Karena
Yn  X n ~ N (  2  1 ,  12 / n1   22 / n2 )
maka
Yn  X n  (  2  1 )
Z ~ N (0,1).
 12 / n1   22 / n2
Dengan menggunakan persamaan

P[  z1 / 2  Z  z1 / 2 ]  1  
interval konfidensi 100(1-)% untuk 2-1 dapat dibentuk, yakni
( yn  xn  z1 / 2  12 / n1   21
2
/ n2 , yn  xn  z1 / 2  12 / n1   21
2
/ n2 ) .
Jika 21 dan 22 tidak diketahui dan 21 = 22 = 21, maka interval
konfidensi untuk selisih mean 2-1 dapat ditentukan dengan menggunakan
fakta bahwa
Yn  X n  (  2  1 )
T ~ t (n1  n2  2)
S P 1 / n1  1 / n2
dimana
(n1  1) S12  (n2  1) S 22
S  2
.
n1  n2  2
P
Jika 21 dan 22 tidak diketahui tetapi n1 dan n2 keduanya besar maka
aproksimasi interval konfidensi untuk selisih mean 2-1 dapat dikonstruksi
menggunakan fakta bahwa
Yn  X n  (  2  1 )


d
Z ~ N (0,1) .
S / n1  S / n2
1
2 2
2
Rasio Variansi
Interval konfidensi untuk 22/21 dapat dikonstruksi dengan
menggunakan distribusi F, yakni dengan menggunakan fakta bahwa
S12 22
~ F (n1  1, n2  1)
S22 12
Jika 1=n1-1 dan 2=n2-1 dan f(1,2) menyatakan persentil ke  dari F

maka
S12 22
P[ f / 2 ( 1 , 2 )   f1 / 2 ( 1 , 2 )]  1  
S22 12
sehingga interval konfidensi 100(1-)% untuk 22/21 adalah

 s22 s2 
 2 f / 2 ( 1 , 2 ), 22 f1 / 2 ( 1 , 2 )  .
 s1 s1 
Sampel Berpasangan
Misalkan (X1,Y1), …, (Xn,Yn) merupakan pasangan sampel acak dengan
Di=Yi-Xi, i=1,…,n berdistribusi normal dengan mean D=2-2 dan variansi
2D=21+22 -212 atau
Di~N(2-2,2D).
Misalkan
n
D i
Dn  i 1
 Yn  X n
n
dan
2
n
 n 
n Di2    Di 
S D2  i 1  i 1  .
n(n  1)
Maka
Dn  ( 2  1 )
T ~ t (n  1) .
SD / n
Interval konfidensi 100(1-)% untuk 2-1 adalah
(d n  t1 / 2 (n  1) sD / n , d n  t1 / 2 (n  1) sD / n ) .
7.6.6. Interval Konfidensi Bayes
Misalkan X1, …, Xn merupakan sampel acak dari suatu distribusi dengan

fungsi densitas f(x; ). Misalkan p() merupakan fungsi densitas prior dari
 dan disini f(x;) diinterpretasikan sebagai fungsi densitas bersyarat f(x|).
Jika f|x() adalah fungsi densitas posterior, maka interval konfidensi Bayes
100(1-)% diberikan oleh (L,U) dimana L dan U memenuhi

U
f
L
 |x ( )d  1   .
Contoh Soal
Misalkan X1, …, Xn merupakan sampel acak dari distribusi Poisson
X~POI() dan anggap  berdistribusi gamma  ~GAM( ,). Dapat
ditunjukkan bahwa distribusi posterior
n
 x :  | x ~ GAM ((n  1 /  ) 1 ,  xi   )
i 1
dan
2 x n
(n  1 /  ) 1
 2 (( n  1 /  ) x ~  2
( 2 ( 
i 1
xi   ))
sehingga
P[ 2 / 2 ( )  2( n  1 /  ) x  12 / 2 ( )]  1  
n
dimana   2( xi   ) . Jadi interval konfidensi Bayes 100(1-)% diberikan
i 1
oleh (L,U) dimana  L  2 / 2 ( ) / 2( n  1 /  ) dan U  12 / 2 ( ) / 2( n  1 /  ) .

Dosen Pengampu: Meyta Dwi Kurniasih, M.Pd. Daftar Pustaka
Daftar Pustaka
Engelhardt, Bain. 1991. Introduction To Probability and Mathematical Statistics Second

Edition. USA: Duxbury Press.
Herrhyanto, Nar&Tuti Gantini. 2009. Pengantar Statistika Matematis. Bandung: Yrama

Widya.
Kusrini, et.al. Statistika Matematika. Jakarta: UT.
Suyono, 2012. Diktat mata kuliah Statistika Matematika. UNJ. Tidak Diterbitkan
Walpole, 1995, Ilmu Peluang dan Statistika untuk Insinyur dan llmuwan. Bandung : ITB.
Widhiharih, Tatik. 2009. Buku Ajar Statistika Matematika II. Semarang: Universitas
Diponegoro.

Modul Statmat 2017

Uploaded by

Document Information

Original Description:

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

Modul Statmat 2017

Uploaded by

Copyright:

Available Formats

Modul Statistika Matematika ii

Jakarta, Maret 2017

Meyta Dwi Kurniasih, M.Pd.

iii Modul Statistika Matematika

Modul Statistika Matematika iv

v Modul Statistika Matematika

1. 1. Ruang Sampel dan Kejadian

Modul Statistika Matematika 2

Jika sebuah koin dilempar 3 kali, kejadian yang mungkin ?

 Jika A1,…,Ak adalah kejadian dalam S yang saling asing maka P P i

3 Modul Statistika Matematika

Latihan Soal 1.2:

Modul Statistika Matematika 4

Secara umum, jika dua peristiwa A1 dan A2 saling asing A  A

Sifat – sifat lain dari peluang bersyarat adalah sebagai berikut :

Latihan Soal 1.3 :

5 Modul Statistika Matematika

1. 4. Proses Stokastik Berhingga

Hukum diatas disebut dengan Hukum Identitas.

Modul Statistika Matematika 6

7 Modul Statistika Matematika

1. 7. Kejadian Saling Bebas

Modul Statistika Matematika 8

9 Modul Statistika Matematika

Kotak 1 berisi 10 lampu cabe, dengan 4 lampu di antaranya rusak

Modul Statistika Matematika 10

11 Modul Statistika Matematika

Modul Statistika Matematika 12

Tanggal Paraf Dosen Nilai

13 Modul Statistika Matematika

Modul Statistika Matematika 14

Contoh Soal 2.1 :

Latihan Soal 2.1 :

15 Modul Statistika Matematika

Macam-macam variabel acak:

2. 2. Variabel acak diskrit

2. 3. Fungsi distribusi kumulatif

Modul Statistika Matematika 16

Contoh Soal 2.3 :

2. 4. Variabel acak kontinu

Secara khusus, jika X variabel acak kontinu, maka :

17 Modul Statistika Matematika

Contoh Soal 2.4 :

Jika X merupakan variabel acak kontinu dengan pdf f x   

Contoh Soal 2.5.1 :

Contoh Soal 2.5.2 :

Teorema 2.5 (Sifat-sifat Umum Nilai Harapan) :

Modul Statistika Matematika 18

=  a.g x  f x dx   bhx  f x dx

= a  g x  f x dx  b  hx  f x dx

19 Modul Statistika Matematika

Contoh Soal 2.6 :

Atau Var x   x    f x  , variabel acak diskrit

Atau Var  x     x    f  x dx , variabel acak kontinu

Modul Statistika Matematika 20

21 Modul Statistika Matematika

Jika X,Y dua buah variabel random, maka berlaku: V  x  y   V  x   V  y   2Cov  x, y 

Jika X, Y independen dan cov (x, y) = 0, maka berlaku : v ( x  y )  v ( x )  v ( y )

Jika k=1  1  Ex     E ( x)    0

Modul Statistika Matematika 22

Batas – batas probabilitas

2. 9. Aproksimasi mean dan median

23 Modul Statistika Matematika