P. 1
diktat-probstat

diktat-probstat

|Views: 2,260|Likes:
Published by wnursakti

More info:

Published by: wnursakti on Feb 13, 2012
Copyright:Attribution Non-commercial

Availability:

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

06/18/2013

pdf

text

original

Sections

  • Pendahuluan
  • 1.1 Model Probabilitas
  • 1.2 Rataan (Mean)dari Sample
  • 1.3 Variansi dari sample
  • Probabilitas
  • 2.1 Ruang Sample
  • 2.2 Event
  • 2.3 Menghitung titik sample
  • 2.4 Probabilitas dari Event
  • 2.5 Aturan Penjumlahan
  • 2.6 Probabilitas Bersyarat
  • 2.7 Event Independent (saling lepas)
  • 2.8 Aturan Perkalian
  • 2.9 Aturan Bayes
  • 3.1 Konsep Variable Random
  • 3.2 Distribusi Peluang Diskrit
  • 3.3 Distribusi Peluang Kontinu
  • 3.4 Distribusi Empirik
  • 3.5 Distribusi Peluang Gabungan
  • Ekspektasi Matematika
  • 4.1 Rataan dari Variabel Random
  • 4.2 Variansi dan Kovariansi
  • 4.3 Rataan dan Variansi dari Kombinasi linier Vari-
  • 5.1 Distribusi Uniform Diskrit
  • Distribusi Uniform Diskrit
  • 5.2 Distribusi Binomial dan Multinomial
  • 5.3 Distribusi Hypergeometric
  • Distribusi Hypergeometric
  • 5.4 Distribusi Poisson dan Proses Poisson
  • 6.1 Distribusi Uniform Kontinu
  • Distribusi Uniform Kontinu
  • 6.2 Distribusi Normal
  • 6.3. APROKSIMASI NORMAL UNTUK BINOMIAL 61
  • 6.3 Aproksimasi Normal untuk Binomial
  • 6.4 Distribusi Gamma dan Exponential
  • 6.4.1 Aplikasi dari distribusi Exponential dan Gamma
  • 6.4.2 Distribusi Chi-Squared
  • 6.5 Distribusi Lognormal
  • Distribusi Lognormal
  • 6.6 Distribusi Weibull
  • Distribusi Sampling Dasar
  • 7.1 Sampling Random
  • 7.2 Beberapa Statistik yang Penting
  • 7.3 Distribusi Sampling
  • 7.4. DISTRIBUSI SAMPLING DARI RATAAN 71
  • 7.4 Distribusi sampling dari Rataan
  • 7.5 Distribusi Sampling dari S2
  • 7.6 Distribusi t
  • 7.7 Distribusi F
  • Estimasi Parameter Populasi
  • 8.1 Penaksiran dengan Metoda Klasik
  • 8.2 Menaksir rataan dari Sampel tunggal
  • 8.3. MENAKSIR VARIANSI DARI SAMPEL TUNGGAL 85
  • 8.3 Menaksir Variansi dari Sampel tunggal
  • 8.4. MENAKSIR RASIO DUA VARIANSI DARI DUA SAMPEL 87
  • 8.4 Menaksir rasio dua variansi dari dua sampel
  • Testing Hipotesis Statistik
  • 9.1 Ilustrasi
  • 9.2 Kesalahan Uji
  • 9.3 Kekuatan Uji

Diktat Kuliah

PROBABILITAS dan STATISTIKA
(IF 2152)
Judhi Santoso
PRODI INFORMATIKA
SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA
INSTITUT TEKNOLOGI BANDUNG
2007
Daftar Isi
1 Pendahuluan 1
1.1 Model Probabilitas . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rataan (Mean)dari Sample . . . . . . . . . . . . . . . . . . . 2
1.3 Variansi dari sample . . . . . . . . . . . . . . . . . . . . . . . 2
2 Probabilitas 3
2.1 Ruang Sample . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Event . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Menghitung titik sample . . . . . . . . . . . . . . . . . . . . . 5
2.4 Probabilitas dari Event . . . . . . . . . . . . . . . . . . . . . 8
2.5 Aturan Penjumlahan . . . . . . . . . . . . . . . . . . . . . . . 9
2.6 Probabilitas Bersyarat . . . . . . . . . . . . . . . . . . . . . . 11
2.7 Event Independent (saling lepas) . . . . . . . . . . . . . . . . 12
2.8 Aturan Perkalian . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.9 Aturan Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Variable Random dan Distribusi Peluang 19
3.1 Konsep Variable Random . . . . . . . . . . . . . . . . . . . . 19
3.2 Distribusi Peluang Diskrit . . . . . . . . . . . . . . . . . . . . 21
3.3 Distribusi Peluang Kontinu . . . . . . . . . . . . . . . . . . . 23
3.4 Distribusi Empirik . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Distribusi Peluang Gabungan . . . . . . . . . . . . . . . . . . 26
4 Ekspektasi Matematika 33
4.1 Rataan dari Variabel Random . . . . . . . . . . . . . . . . . . 33
4.2 Variansi dan Kovariansi . . . . . . . . . . . . . . . . . . . . . 37
4.3 Rataan dan Variansi dari Kombinasi linier Variabel random . 42
i
ii DAFTAR ISI
5 Beberapa Distribusi Peluang Diskrit 47
5.1 Distribusi Uniform Diskrit . . . . . . . . . . . . . . . . . . . . 47
5.2 Distribusi Binomial dan Multinomial . . . . . . . . . . . . . 48
5.3 Distribusi Hypergeometric . . . . . . . . . . . . . . . . . . . . 52
5.4 Distribusi Poisson dan Proses Poisson . . . . . . . . . . . . . 54
6 Beberapa Distribusi Peluang Kontinu 57
6.1 Distribusi Uniform Kontinu . . . . . . . . . . . . . . . . . . . 57
6.2 Distribusi Normal . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.3 Aproksimasi Normal untuk Binomial . . . . . . . . . . . . . . 61
6.4 Distribusi Gamma dan Exponential . . . . . . . . . . . . . . . 62
6.4.1 Aplikasi dari distribusi Exponential dan Gamma . . . 64
6.4.2 Distribusi Chi-Squared . . . . . . . . . . . . . . . . . . 65
6.5 Distribusi Lognormal . . . . . . . . . . . . . . . . . . . . . . . 66
6.6 Distribusi Weibull . . . . . . . . . . . . . . . . . . . . . . . . 67
7 Distribusi Sampling Dasar 69
7.1 Sampling Random . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2 Beberapa Statistik yang Penting . . . . . . . . . . . . . . . . 69
7.3 Distribusi Sampling . . . . . . . . . . . . . . . . . . . . . . . 70
7.4 Distribusi sampling dari Rataan . . . . . . . . . . . . . . . . . 71
7.5 Distribusi Sampling dari S
2
. . . . . . . . . . . . . . . . . . . 73
7.6 Distribusi t . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.7 Distribusi F . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
8 Estimasi Parameter Populasi 79
8.1 Penaksiran dengan Metoda Klasik . . . . . . . . . . . . . . . 79
8.2 Menaksir rataan dari Sampel tunggal . . . . . . . . . . . . . . 82
8.3 Menaksir Variansi dari Sampel tunggal . . . . . . . . . . . . . 85
8.4 Menaksir rasio dua variansi dari dua sampel . . . . . . . . . . 87
9 Testing Hipotesis Statistik 89
9.1 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
9.2 Kesalahan Uji . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
9.3 Kekuatan Uji . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Bab 1
Pendahuluan
Ilmu statistika sangat diperlukan sebagai tool oleh ilmuwan komputer, mis-
alkan untuk menganalisis algoritma atau performansi sistem komputer. Dalam
menganalisa algoritma statistik digunakan untuk menghitung average-case
suatu algoritma. Bila problem yang akan dianalisa berjumlah besar (banyak),
maka model distribusi data masukan sangat diperlukan, misalkan model ek-
sponensial, normal dsb.
1.1 Model Probabilitas
Teori probabilitas mempelajari suatu fenomena yang bersifat random. Fenom-
ena random mempunyai karakteristik bahwa kelakuan yang akan datang
tidak dapat diprediksi secara deterministik. Namun demikian sifat-sifat
statistiknya dapat digunakan untuk mendeskripsikan secara matematik. Hal
ini diselesaikan dengan cara membuat model statistik dari masalah dunia
nyata. Model ini terdiri dari kejadian-kejadian yang mungkin beserta nilai
probabilitasnya (peluangnya).
Karena model hanya merupakan abstraksi dari dunia nyata, prediksi
yang dilakukan berdasarkan model ini harus divalidasi dengan eksperimen
fenomena yang sebenarnya. Teori statistik sangat diperlukan dalam proses
validasi model tersebut (statistik inferensi ), misalkan dengan testing hipote-
sis.
Contoh suatu masalah untuk memprediksi jumlah job yang datang dalam
selang waktu (0, t) dalam suatu sistem komputer. Model yang yang biasa
digunakan adalah model Poisson, artinya jumlah job yang datang dalam
selang waktu tersebut mempunyai distribusi Poisson. Sehingga kita tinggal
menentukan parameter (laju kedatangan, λ) yang sesuai.
1
2 BAB 1. PENDAHULUAN
1.2 Rataan (Mean)dari Sample
Ukuran lokasi dari suatu data memberikan informasi secara kuantitatif di-
mana letak nilai pusat dari sample tersebut. Misalkan pengamatan dari
suatu sampel adalah x
1
, x
2
, ..., x
3
, maka rataan sample adalah:
¯ x =
n

i=1
x
i
n
=
x
1
+x
2
+... +x
n
n
Disamping ukuran diatas terdapat ukuran nilai dari data yang disebut den-
gan median dari sample. Median dihitung dengan cara sbb:
˜ x = x
(n+1)/2
jika n ganjil
= x
n/2
+x
(n/2)+1
jika n genap
Contoh:
Diberikan data 1.7, 2.2, 3.9, 3.11, dan 14.7. Mean dan median dari sample
tersebut adalah :
¯ x = 5.12 ˜ x = 3.9
1.3 Variansi dari sample
Variansi dari data mengukur simpangan dari nilai rataan. Variansi dari
sample dirumuskan:
s
2
=
n

i=1
(x
i
− ¯ x)/(n −1)
Akar kuadrat dari variansi sample disebut dengan simpangan baku (stan-
dard deviation)
s =
¸
¸
¸
_
n

i=1
(x
i
− ¯ x)
(n −1)
Nilai (n − 1) disebut dengan derajat kebebasan yang bersesuain dengan
estimasi variansi.
Bab 2
Probabilitas
2.1 Ruang Sample
Dalam statistik dikenal istilah eksperimen untuk menjelaskan proses mem-
bangkitkan sekumpulan data. Contoh dari eksperimen statistik adalah melem-
par coin. Dalam eksperimen ini ada dua kemungkinan kejadian (outcomes),
muka atau belakang.
Definisi:
Kumpulan dari semua kejadian dari eksperimen statistik disebut dengan
ruang sample, dinotasikan dengan S
Ruang sample dari eksperimen melempar mata uang adalah:
S = {H, T}
dimana H dan T bersesuaian dengan muka(head) dan belakang(tail )
Contoh:
Suatu eksperimen melempar coin kemudian melempar sekali lagi bila yang
muncul pertama adalah muka, jika yang muncul belakang diteruskan dengan
melempar dadu. Maka ruang samplenya adalah:
S = {HH, HT, T1, T2, T3, T4, T5, T6}
Contoh:
Tiga item diambil dari suatu process manufacturing, dimana item tersebut
3
4 BAB 2. PROBABILITAS
diklasifikasikan manjadi dua, defectif (D) dan non-defektif (N). Maka ruang
sample S adalah sbb:
S = {DDD, DDN, DND, DNN, NDD, NDN, NND, NNN}
Ruang sample yang mempunyai titik sample besar, lebih baik diterangkan
dengan aturan, misalkan:
S = {x|xsuatu kota dengan populasi besar dari 1 juta}
2.2 Event
Event adalah subset dari ruang sample, yaitu suatu kejadian dengan kondisi
tertentu.
Contoh:
Diberikan suatu ruang sample S = {t|t ≥ 0} dimana t adalah umur dalam
satuan tahun suatu komponen elektronik. Suatu Event A adalah umur
komponen yang kurang dari lima tahun, atau dituliskan A = {t|0 ≤ t < 5}
Definisi:
Komplemen dari event A terhadap S adalah subset dari semua elemen S
yang bukan elemen dari A. Komplemen dari A dituliskan dengan A

Contoh:
Misalkan R adalah event dimana kartu warna merah diambil dari 52 kartu
bridge. Komplemen dari R adalah R

yaitu kartu dengan warna hitam.
Definisi:
Interseksi/irisan dari dua event A dan B adalah suatu event yang memuat
elemen yang ada di A dan B, dinotasikan dengan A∩ B
Definisi:
Dua event A dan B dikatakan mutually exclusive atau disjoint jika A∩
B = ∅
2.3. MENGHITUNG TITIK SAMPLE 5
Definisi:
Union dari dua event A dan B dinotasikan dengan A ∪ B adalah suatu
event dengan element dari A atau B atau keduanya.
Kaitan antara event dan ruang sample dapat digambarkan pada gambar3.1
C
S
A
7 2
1
3
6
4
5
B
Figure 2.1: Event yang direpresentasikan dengan region
A∩ B = region 1 dan 2
B ∩ C = region 1 dan 3
A∪ C = region 1,2,3,4,5,7
B

∩ A = region 4 dan 7
A∩ B ∩ C = region 1
(A∪ B) ∩ C

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

adalah event yang saling berkomplemen maka:
P(A) +P(A

) = 1
2.6. PROBABILITAS BERSYARAT 11
2.6 Probabilitas Bersyarat
Probabilitas event B terjadi jika diketahui bahwa event A telah terjadi
disebut dengan probabilitas bersyarat dan dinotasikan dengan P(B|A).
Penulisan ini dibaca ”peluang B terjadi diberikan A telah terjadi”.
Ilustrasi:
Misalkan B adalah bilangan kuadrat sempurna bila sebuah dadu dilempar.
Seperti contoh sebelumnya bilangan genap mempunyai peluang dua kali
dibanding yang ganjil. Ruang sample S = {1, 2, 3, 4, 5, 6} dengan peluang
1
9
dan
2
9
untuk bilangan ganjil dan genap. Ruang sample B adalah B = {1, 4}
dengan P(B) =
1
3
. Misalkan A adalah suatu event dimana bilangan yang
muncul lebih besar dari atau sama dengan 4, atau A = {4, 5, 6}. Untuk
menghitung peluang B terjadi relatif terhadap event A. kita harus menghi-
tung dahulu peluang baru A proposional dengan peluang semula demikian
sehingga jumlahnya 1. Misalkan w adalah peluang bilangan ganjil dan 2w
peluang bilangan genap dari event A, maka w =
1
5
. Event B|A = {4},
sehingga
P(B|A) =
2
5
Atau kita dapat menuliskan:
P(B|A) =
2
5
=
2/9
5/9
=
P(A∩ B)
P(A)
Definisi:
Peluang bersyarat dari B diberikan A dinotasikan dengan P(B|A) didefin-
isikan dengan :
P(B|A) =
P(A∩ B)
P(A)
jika P(A) > 0
Contoh:
Dari suatu ruang sample populasi orang dewasa dibedakan atas laki-laki,
wanita , bekerja dan tidak bekerja, seperti pada tabel berikut:
bekerja tak bekerja jumlah
Pria 460 40 500
Wanita 140 260 400
Jumlah 600 300 900
12 BAB 2. PROBABILITAS
Akan dipilih salah satu sample dari tabel diatas. Ada dua event diperhatikan
yaitu:
M : seorang pria dipilih
E : seorang yang terpilih adalah bekerja.
P(M|E) =
460
600
=
23
30
Misalkan n(A) adalah jumlah element dari A, dengan notasi ini diperoleh:
P(M|E) =
n(E ∩ M)
n(E)
=
n(E ∩ M)/n(S)
n(E)/n(S)
=
P(E ∩ M)
P(E)
Untuk memeriksa hasil ini dapat diambil data diatas:
P(E) =
600
900
=
2
3
dan P(E ∩ M) =
460
900
=
23
45
Sehingga:
P(M|E) =
23/45
2/3
=
23
30
sama dengan hasil diatas
2.7 Event Independent (saling lepas)
Definisi:
Dua event A dan B independent jika dan hanya jika:
P(B|A) = P(B) dan P(A|B) = P(A)
jika tidak demikian maka dependent.
Contoh:
Pengambilan dua kartu dimana kartu pertama adalah ACE, kemudian dikem-
balikan lagi. Pengambilan yang kedua adalah SPADE. Misalkan A adalah
event pertama dan B event kedua, maka
P(B|A) = P(B) =
13
52
2.8. ATURAN PERKALIAN 13
2.8 Aturan Perkalian
Teorema:
Jika dalam suatu eksperimen dua event A dan B dapat terjadi maka:
P(A∩ B) = P(A)P(B|A)
Contoh:
Misalkan dalam suatu box terdapat 20 sekering, 5 diantaranya putus. Akan
diambil dua secara random dengan pengambilan pertama tanpa dikemba-
likan. Tentukan peluang keduanya putus.
Jawab:
Peluang pertama putus adalah
5
20
=
1
4
yang kedua putus adalah
4
19
, sehingga
P(A∩ B) =
_
1
4
__
4
19
_
=
1
19
Contoh:
Satu tas pertama berisi 4 bola putih dan 3 bola hitam. Tas kedua berisi 3
bola putih dan 5 bola hitam. Satu bola diambil dari tas pertama dimasukkan
ke tas kedua (secara random). Tentukan peluang mengambil satu bola dari
tas kedua berwarna hitam.
Jawab:
Misalkan B
1
, B
2
dan W
1
mewakili pengambilan bola hitam dari tas 1, bola
hitam dari tas 2 dan bola putih dari tas 1. Event yang dimaksud adalah
B
1
∩ B
2
digabung dengan W
1
∩ B
2
, peluang dari event tersebut adalah:
P[(B
1
∩ B
2
) or (W
1
∩ B
2
)] = P(B
1
∩ B
2
) + P(W
1
∩ B
2
)
= P(B
1
)P(B
2
|B
1
) + P(W
1
)P(B
2
|W
1
)
=
_
3
7
__
6
9
_
+
_
4
7
__
5
9
_
=
_
38
63
_
Teorema:
Dua even A dan B adalah independent jika dan hanya jika
P(A∩ B) = P(A)P(B)
Contoh:
Sepasang dadu dilempar dua kali. Tentukan peluang jumlah 7 dan 11.
Jawab:
Misalkan
14 BAB 2. PROBABILITAS
A
1
: pelemparan pertama berjumlah 7
A
2
: pelemparan kedua berjumlah 7
B
1
: pelemparan pertama berjumlah 11
B
2
: pelemparan kedua berjumlah 11
P[(A
1
∩ B
2
) ∪ (B
1
∩ A
2
)] = P(A
1
∩ B
2
) +P(B
1
∩ A
2
)
= P(A
1
)P(B
2
) +P(B
1
)P(A
2
)
=
_
1
6
__
1
18
_
+
_
1
18
__
1
6
_
=
1
54
Teorema:
Jika dalam suatu eksperimen event-event A
1
, A
2
, A
3
, ..., A
k
dapat terjadi,
maka
P(A
1
∩A
2
∩A
3
∩...∩A
k
) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
∩A
2
)...P(A
k
|A
1
∩A
2
∩...∩A
k−1
)
Jika event-event A
1
, A
2
, A
3
, ..., A
k
saling lepas (independent) maka:
P(A
1
∩ A
2
∩ A
3
∩ ... ∩ A
k
) = P(A
1
)P(A
2
)P(A
3
)...P(A
k
)
Contoh:
Tiga lembar kartu diambil secara berturutan tidak dikembalikan. Tentukan
peluang dari event A
1
∩ A
2
∩ A
3
dimana:
A
1
: kartu pertama adalah ACE merah
A
2
: kartu kedua adalah 10 atau JACK
A
3
: kartu ketiga lebih besar dari 3 dan kurang dari 7
Jawab:
P(A
1
) =
2
52
P(A
2
|A
1
) =
8
51
P(A
3
|A
1
∩ A
2
) =
12
50
Sehingga diperoleh:
P(A
1
∩ A
2
∩ A
3
) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
∩ A
2
)
=
_
2
52
__
8
51
__
12
50
_
=
8
5525
2.9. ATURAN BAYES 15
2.9 Aturan Bayes
bekerja tak bekerja jumlah
Pria 460 40 500
Wanita 140 260 400
Jumlah 600 300 900
Dari tabel tersebut, ada suatu klub Rotary yang akan mempromosikan
pabrik baru, dimana anggota dari klub tersebut 36 orang bekerja dan 12
orang tidak bekerja. Misalkan klub Rotary tersebut direpresentasikan den-
gan event A. Tentuka peluang dari anggota klub terpilih, hitung P(A).
A = (E ∩ A) ∪ (E

∩ A)
P(A) dapat dihitung sebagai berikut:
P(A) = P[(E ∩ A) ∪ (E

∩ A)]
= P(E ∩ A) +P(E

∩ A)
= P(E)P(A|E) +P(E

)P(A|E

)
Dengan memasukkan nilai dari tabel tersebut diperoleh:
P(E) =
600
900
=
2
3
P(A|E) =
36
600
=
3
50
Dan
P(E

) =
1
3
P(A|E

)
12
300
=
1
25
Sehingga diperoleh :
P(A) =
2
3
3
50
+
1
3
1
25
=
4
75
Teorema:(Aturan eliminasi)
Jika event B
1
, B
2
, ..., B
k
membentuk partisi dari ruang sample S, demikian
sehingga P(B
i
) = 0 untuk i = 1, 2...k maka untuk sebarang event A dari S
berlaku:
P(A) =
k

i=1
P(B
i
∩ A) =
k

i=1
P(B
i
)P(A|B
i
)
16 BAB 2. PROBABILITAS
Bk
A
B4
B1
B2
B3
Figure 2.2: Digram venn untuk contoh diatas
Bukti:
Dari diagram Venn:
A = (B
1
∩ A) ∪ (B
2
∩ A) ∪ ∪(B
k
∩ A)
Dengan teorema sebelumnya peluangnya adalah:
P(A) = P[(B
1
∩ A) ∪ (B
2
∩ A) ∪ ∪(B
k
∩ A)]
= P(B
1
∩ A) +P(B
2
∩ A) +... +P(B
k
∩ A)
=
k

i=1
P(B
i
∩ A) =
k

i=1
P(B
i
)P(A|B
i
)
Contoh:
Dalam suatu industri perakitan, tiga mesin B
1
, B
2
dan B
3
menghasilkan
30%, 45% dan 25% produk. Diketahui dari pengalaman sebelumnya 2%,
3%, 2% dari produknya mengalami dekeftif. Diambil satu produk jadi secara
random, tentukan peluang produk tersebut defektif.
Jawab:
Event-event yang ada, misalkan:
A: produk yang defektif
B
1
:produk yang dibuat oleh mesin B
1
B
2
:produk yang dibuat oleh mesin B
2
B
3
:produk yang dibuat oleh mesin B
3
Dengan menggunakan aturan eliminasi:
P(A) = P(B
1
)P(A|B
1
) +P(B
2
)P(A|B
2
) +P(B
3
)P(A|B
3
)
2.9. ATURAN BAYES 17
Dengan memasukkan nilai diatas diperoleh:
P(B
1
)P(A|B
1
) =(0.3)(0.02) = 0.006
P(B
2
)P(A|B
2
) =(0.45)(0.03) = 0.0135
P(B
3
)P(A|B
3
) =(0.25)(0.02) = 0.005
Sehingga diperoleh:
P(A) = 0.006 + 0.0135 + 0.005 = 0.0245
Teorema:
(Aturan Bayes) Jika event-event B
1
, B
2
, ..., B
k
membangun partisi dari ru-
ang sample S, dimana P(B
i
) = 0 untuk i = 1, 2, ..., k, maka untuk sebarang
event A dalam S dan P(A) = 0,
P(B
r
|A) =
P(B
r
∩ A

k
i=1
P(B
i
∩ A)
=
P(B
r
)P(A|B
r
)

k
i=1
P(B
i
)P(A|B
i
)
untuk r = 1, 2, ...k
Bukti:
Dari teorema sebelumnya diperoleh:
P(B
r
|A) =
P(B
r
∩ A
P(A)
=
P(B
r
∩ A

k
i=1
P(B
i
∩ A)
Contoh:
Dari soal sebelumnya pertanyaanya dibalik, jika sebuah produk diambil dan
ternyata rusak (defektif), tentukan peluang produk tersebut dibuat oleh
mesin B
3
Jawab:
Dengan menerapkan aturan Bayes:
P(B
3
|A) =
P(B
3
)P(A|B
3
)
P(B
1
)P(A|B
1
) +P(B
2
)P(A|B
2
) +P(B
3
)P(A|B
3
)
Dengan memasukkan nilainya diperoleh:
P(B
3
|A) =
0.005
0.006 + 0.0135 + 0.005
=
0.005
0.0145
=
10
49
18 BAB 2. PROBABILITAS
Bab 3
Variable Random dan
Distribusi Peluang
3.1 Konsep Variable Random
Dari eksperimen pengambilan sample baik dan defektif diperoleh ruang sam-
ple:
S = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
Misalkan kita tertarik pada sample yang rusak (defektif). Dari tiap elemen
sample tersebut dapat kita berikan nilai (dipadankan) 0,1,2,3 yang meny-
atakan banyaknya sample yang rusak.
Definisi:
Sebuah variable random X pada ruang sample S adalah fungsi X : S →
yang memadankan sebuah bilangan real X(s) dengan setiap titik sample
s ∈ S.
Variable random dinotasikan dengan huruf besar X dan huruf kecil x yang
menyatakan nilai dari variable random tersebut.
Contoh:
Dua buah bola diambil secara berturutan tanpa penggantian dari sebuat pot
yang berisi 4 warna merah dan 3 warna hitam. Misalkan Y adalah variable
random yang menyatakan warna merah maka y dituliskan pada Tabel 3.1
19
20 BAB 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG
Contoh:
Ruang sample y
RR 2
RB 1
BR 1
BB 0
Table 3.1: Pengambilan bola
Seorang penjaga penitipan helm, mengembalikan 3 helm kepada orang yang
punya sesuai dengan urutan. Misalkan M adalah variable random yang
menyatakan kesesuaian dengan pemiliknya, maka M dapat ditabelkan pada
Tabel 3.2.
Ruang sample m
SJB 3
SBJ 1
JSB 1
JBS 0
BSJ 0
BJS 1
Table 3.2: Pencocokan helm
Dua contoh diatas menyatakan ruang sample yang berhingga. Seba-
liknya, sebuah dadu dilempar sampai angka 5 muncul, maka ruang sample
S dapat dituliskan:
S = {F, NF, NNF, NNNF, ..., }
dimana simbol F menyatakan 5.
Definisi:
Jika sebuah ruang sample berisi sejumlah hingga kemungkinan atau barisan
tak hingga sebanyak dari elemennya disebut dengan ruang sample diskrit.
Definisi:
Jika sebuah ruang sample berisi sejumlah tak hingga kemungkinan sama
dengan sejumlah titik pada sebuah segmen garis maka disebut dengan ru-
ang sample kontinu.
3.2. DISTRIBUSI PELUANG DISKRIT 21
m 0 1 3
P(M = m)
1
3
1
2
1
6
Table 3.3: Distribusi peluang
3.2 Distribusi Peluang Diskrit
Setiap variable random diskrit mempunyai nilai yang menyatakan peluang
dari variabel tersebut. Misalkan contoh dari sebelumnya (penjaga helm)
nilai yang menyatakan peluang dituliskan pada Tabel 3.3. Untuk kemudahan
biasanya untuk menyatakan semua nilai peluang dari variable random X
dengan sebuah rumus/ fungsi, f(x), g(x), r(x) dan seterusnya. Misalkan
f(x) = P(X = x), kumpulan pasangan terurut (x, f(x) disebut dengan
fungsi peluang atau distribusi peluang dari variable random X.
Definisi:
Kumpulan pasangan terurut (x, f(x) disebut dengan fungsi peluang, atau
fungsi massa peluang dari variable random diskrit X, jika setiap kejadian
x dipenuhi:
1. f(x) ≥ 0
2.

x
f(x) = 1
3. P(X = x) = f(x)
Contoh:
Pengiriman 8 buah komputer serupa ke penjual berisi 3 defektif. Jika seko-
lah akan membeli 2 buah tentukan distribusi peluang komputer tersebut
defektif.
Jawab:
Misalkan X menyatakan variable random yang bernilai x jumlah yang rusak/defektif,
22 BAB 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG
maka
f(0) = P(X = 0) =
_
3
0
__
5
2
_
_
8
2
_ =
10
28
f(1) = P(X = 1) =
_
3
1
__
5
1
_
_
8
2
_ =
15
28
f(2) = P(X = 2) =
_
3
2
__
5
0
_
_
8
2
_ =
3
28
Sehingga distribusi peluang X adalah:
x 0 1 2
f(x) 10/26 15/28 3/28
Table 3.4: Tabel distribusi
Definisi:
Distribusi kumulatif F(x) dari variable random diskrit X dengan distribusi
peluang f(x) adalah:
F(x) = P(X ≤ x) =

t≤x
f(t) untuk −∞< x < ∞
Contoh:
Dari contoh penjaga helm dapat dihitung:
F(2.4) = P(M ≤ 2.4) = f(0) +f(1) =
1
3
+
1
2
=
5
6
Distribusi peluang dari M adalah:
F(m) =
_
¸
¸
_
¸
¸
_
0 untuk m < 0
1
3
untuk 0 ≤ m < 1
5
6
untuk 1 ≤ m < 3
1 untuk m ≥ 3
3.3. DISTRIBUSI PELUANG KONTINU 23
x
0 1 2 3
1
5/6
2/6
F(x)
Figure 3.1: Distribusi kumulatif diskrit
3.3 Distribusi Peluang Kontinu
Variable random kontinu ada peluang yang bernilai nol, oleh karena itu dis-
tribusi peluang tidak dapat dituliskan dalam bentuk tabel. Jika X kontinu
maka :
P(a < X ≤ b) = P(a < X < b) +P(X = b) = P(a < X < b)
Dan dihitung sbb:
P(a < X < b) =
_
b
a
f(x)dx
Definisi:
Fungsi f(x) adalah fungsi densitas peluang untuk variable random kon-
tinu X, didefinisikan pada bilangan real , jika:
1. f(x) ≥ 0, ∀ x ∈
2.
_

−∞
f(x)dx = 1,
3. P(a < X < b) =
_
b
a
f(x)dx
Contoh:
Kesalahan pengukuran temperatur dinyatakan dengan variable random X
dengan fungsi densitas yang didefinisikan sbb:
f(x) =
_
_
_
x
2
3
−1 < x < 2
0 untuk x yang lain
24 BAB 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG
a
f(x)
x
b
Figure 3.2: P(a < X < b)
a). Periksa syarat 2 dari difinisi diatas.
b). Hitunglah P(0 < X ≤ 1)
Jawab:
a).
_

−∞
f(x)dx =
_
2
−1
x
2
3
=
8
9
+
1
9
= 1
b). P(0 < X ≤ 1) =
_
1
0
x
2
3
dx =
1
9
Definisi:
Distribusi kumulatif F(x) dari variable random kontinu X dengan fdp f(x)
adalah:
F(x) = P(X ≤ x) =
_
x
−∞
f(t)dt untuk −∞< x < ∞.
Akibat dari definisi diatas dapat dituliskan:
P(a < x < b) = F(b) −F(a) dan f(x) =
dF(x)
dx
Contoh:
Dari fdp soal sebelumnya tentukan F(x) kemudian gunakan untuk menghi-
tung P(0 < X ≤ 1)
3.4. DISTRIBUSI EMPIRIK 25
Jawab:
Untuk −1 < x < 2
F(x) =
_
x
−∞
f(t)dt =
_
x
−∞
t
2
3
dt =
x
3
+ 1
9
Sehingga:
F(x) =
_
¸
¸
_
¸
¸
_
0 x ≤ −1
x
3
+ 1
9
−1 ≤ x < 2
1 x ≥ 2
Untuk menghitung P(0 < X ≤ 1):
P(0 < X ≤ 1) = F(1) −F(0) =
2
9

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

r
e
l
a
t
i
f
0
0.125
0.375
0.250
1.7 2.2 2.7 3.7 4.2 4.7 3.2
umur battery
Figure 3.3: Histogram frekuensi relatif
3.5 Distribusi Peluang Gabungan
Jika X dan Y dua variabel random diskrit, maka distribusi peluang un-
tuk kejadian simultan dapat direpresentasikan dengan fungsi f(x, y) un-
tuk setiap pasangan (x, y). Fungsi ini disebut dengan distribusi peluang
gabungan dari variabel random X dan Y . Untuk kasus diskrit dituliskan:
f(x, y) = P(X = x, Y = y)
Definition:
Fungsi f(x, y) adalah distribusi peluang gabungan atau fungsi masa
peluang dari variabel random diskrit X dan Y jika:
1.f(x, y) ≥ 0 untuk semua (x, y)
2.

x

y
f(x, y) = 1
3.P(X = x, Y = y) = f(x, y)
Untuk daerah sebarang A dalam bidang xy, P[(x, y) ∈ A] =

A

f(x, y).
Contoh:
Dua isi ulang dari ballpoint diambil dari box yang berisi 3 warna biru, 2
warna merah dan 3 warna hijau. Jika X menyatakan jumlah warna biru
3.5. DISTRIBUSI PELUANG GABUNGAN 27
dan Y menyatakan jumlah warna warna merah, tentukan:
a). fungsi peluang gabungan f(x, y) dan
b). P[(X, Y ) ∈ A] dimana A adalah daerah {(x, y)|x +y ≤ 1}
Jawab:
a). Nilai pasangan yang mungkin dari (x, y) adalah (0, 0), (0, 1), (1, 0), (1, 1), (2, 0), (0, 2).
Jumlah semua kemungkinan pengambilan adalah
_
8
2
_
= 28. Dalam bentuk
tabel dapat dituliskan:
f(x,y) x=0 x=1 x=2 total baris
y=0
3
28
9
28
3
28
15
28
y=1
3
14
3
14
3
7
y=2
1
28
1
28
total kolom
5
14
15
28
3
28
1
Table 3.6: Distribusi peluang gabungan
Dituliskan dalam bentuk rumus adalah:
f(x, y) =
_
3
x
__
2
y
__
3
2 −x −y
_
_
8
2
_
Untuk x = 0, 1, 2; y = 0, 1, 2; 0 ≤ x +y ≤ 2
b).
P[(X, Y ) ∈ A] = P(X +Y ≤ 1)
= f(0, 0) +f(0, 1) +f(1, 0)
=
3
28
+
3
14
+
9
28
=
9
14
28 BAB 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG
Definisi:
Fungsi f(x, y) adalah fungsi densitas gabungan dari variabel random
kontinu X dan Y jika:
1.f(x, y) ≥ 0 untuk semua (x, y)
2.
_

−∞
_

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

−∞
_

−∞
f(x, y)dxdy =
_
1
0
_
1
0
2
5
(2x + 3y)dxdy
=
2
5
+
3
5
= 1
b).
P[(X, Y ) ∈ A] = P(0 < x <
1
2
,
1
4
< y <
1
2
)
=
_ 1
2
1
4
_ 1
2
0
2
5
(2x + 3y)dxdy
=
13
160
Definisi:
Distribusi marginal dari X dan Y adalah:
g(x) =

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

x
f(x, y)
3.5. DISTRIBUSI PELUANG GABUNGAN 29
untuk kasus diskrit, dan
g(x) =
_

−∞
f(x, y)dy dan h(y) =
_

−∞
f(x, y)dx
untuk kasus kontinu.
Contoh:
Dari Tabel 3.6, tentukan distribusi marginal dari X dan Y
Jawab:
Untuk variabel random X dapat dihitung sbb: (satunya sebagai latihan)
P(X = 0) = g(0) =
2

y=0
f(0, y) = f(0, 0) +f(0, 1) +f(0, 2)
=
3
28
+
3
14
+
1
28
=
5
14
P(X = 1) = g(1) =
2

y=0
f(1, y) = f(1, 0) +f(1, 1) +f(1, 2)
=
9
28
+
3
14
+ 0 =
15
28
P(X = 2) = g(2) =
2

y=0
f(2, y) = f(2, 0) +f(2, 1) +f(2, 2)
=
3
28
+ 0 + 0 =
3
28
Dalam bentuk tabel sebagai berikut:
x 0 1 2
g(x) 5/14 15/28 3/28
Contoh:
Tentukan g(x) dan h(y) dari contoh sebelumnya.
g(x) =
_

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

−∞
f(x, y)dx =
_
1
0
2
5
(2x + 3y)dx =
2(1 + 3y)
5
untuk 0 ≤ y ≤ 1 dan h(y) = 0 untuk y yang lain.
30 BAB 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG
Definisi:
Misalkan X dan Y dua variabel random, diskrit atau kontinu. Distribusi
bersyarat dari variabel random Y , diberikan X = x adalah:
f(y|x) =
f(x, y)
g(x)
, g(x) > 0
Distribusi bersyarat dari variabel random X, diberikan Y = y adalah:
f(x|y) =
f(x, y)
h(y)
, h(y) > 0
Contoh:
Dari contoh sebelumnya, tentukan distribusi bersyarat dari X diberikan
Y = 1.
Jawab:
Akan dihitung f(x|y), dimana y = 1.
h(1) =
2

x=0
f(x, 1) =
3
14
+
3
14
+ 0 =
3
7
Kemudian dihitung:
f(x|1) =
f(x, 1)
h(1)
=
7
3
f(x, 1), x = 0, 1, 2.
Sehingga diperoleh:
f(0|1) =
7
3
f(0, 1) =
1
2
f(1|1) =
7
3
f(1, 1) =
1
2
f(2|1) =
7
3
f(2, 1) = 0
Dalam bentuk tabel:
x 0 1 2
f(x|1) 1/2 1/2 0
Contoh:
Diberikan fungsi densitas gabungan:
f(x, y) =
_
_
_
x(1 + 3y
2
)
4
, 0 ≤ x ≤ 2, 0 ≤ y ≤ 1
0 untuk x yang lain
3.5. DISTRIBUSI PELUANG GABUNGAN 31
Tentukan g(x), h(y), f(x|y), kemudian hitung P(
1
4
< X <
1
2
|Y =
1
3
)
Jawab:
Dari definisi:
g(x) =
_

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

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

x
xf(x)
jika X diskrit, dan
µ = E(X) =
_

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

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

g(x)f(x)
jika X diskrit, dan
µ
g(X)
= E[g(X)] =
_

−∞
g(x)f(x)dx
jika X kontinu.
Contoh:
Misalkan frekuensi mobil yang masuk pencucian mobil X adalah sbb:
x 4 5 6 7 8 9
P(X = x)
1
12
1
12
1
4
1
4
1
6
1
6
Misalkan g(X) = 2X−1 merepresentasikan uang hasil dari pencucian mobil
tersebut. Tentukan rataan yang diperoleh dari pencucian mobil tersebut.
Jawab:
E[g(X)] = E(2X −1)
=
9

x=4
(2x −1)f(x)
= (7)
_
1
12
_
+ (9)
_
1
12
_
+ (11)
_
1
4
_
+ (13)
_
1
4
_
+ (15)
_
1
6
_
+ (17)
_
1
6
_
= 12.67
36 BAB 4. EKSPEKTASI MATEMATIKA
Definisi:
Misalkan X dan Y adalah variabel random dengan fungsi densitas gabungan
f(x,y). Rataan atau ekspektasi dari dari variabel random g(x, y) adalah:
µ
g(X,Y )
= E[g(X, Y )] =

x

y
g(x, y)f(x, y)
jika X dan Y diskrit, dan
µ
g(X,Y )
= E[g(X, Y )] =
_

−∞
_

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

x

y
xf(x, y) =

x
xg(x) untuk kasus diskrit

_
−∞

_
−∞
xf(x, y)dxdy =

_
−∞
xg(x)dx untuk kasus kontinu
dimana g(x) adalah distribusi marginal dari X.
Dengan cara yang serupa untuk variabel random Y :
E(Y ) =
_
¸
¸
¸
_
¸
¸
¸
_

x

y
yf(x, y) =

y
yh(y) untuk kasus diskrit

_
−∞

_
−∞
yf(x, y)dxdy =

_
−∞
yh(y)dy untuk kasus kontinu
4.2. VARIANSI DAN KOVARIANSI 37
dimana h(y) adalah distribusi marginal dari Y .
4.2 Variansi dan Kovariansi
Definisi:
Misalkan X adalah variabel random dengan distribusi peluang f(x) dan rataan
µ. Variansi dari X adalah:
σ
2
= E[(X −µ)
2
] =

x
(x −µ)
2
f(x)
jika X diskrit, dan
σ
2
= E[(X −µ)
2
] =

_
−∞
(x −µ)
2
f(x)dx
jika X kontinu. Akar kuadrat dari variansi disebut dengan standar devi-
asi/simpangan baku dari X.
Contoh:
Diberikan distribusi peluang sbb:
x 1 2 3
f(x) 0.3 0.4 0.3
Hitunglah variansi dari X
Jawab:
µ = E(X) = (1)(0.3) + (2)(0.4) + (3)(0.3) = 2.0
σ
2
=
3

x=1
(x −2)
2
f(x) = (1 −2)
2
(0.3) + (2 −2)
2
(0.4) + (3 −2)
2
(0.3) = 0.6
Teorema:
Variansi dari variabel random X adalah
σ
2
= E(X
2
) −µ
2
38 BAB 4. EKSPEKTASI MATEMATIKA
Contoh:
Diberikan distribusi diskrit dari variabel random X sbb:
x 0 1 2 3
f(x) 0.51 0.38 0.10 0.01
Hitunglah variansi dari X
Jawab:
µ = (0)(0.51) + (1)(0.38) + (2)(0.10) + (3)(0.01) = 0.61
E(X
2
) = (0)(0.51) + (1)(0.38) + (4)(0.10) + (9)(0.01) = 0.87
σ
2
= 0.87 −(0.61)
2
= 0.4979
Contoh:
Diberikan fdp dari X sbb:
f(x) =
_
_
_
2(x −1), 1 < x < 2
0 untuk x yang lain
Hitunglah rataan dan variansi dari X
Jawab:
µ = E(X) = 2
_
2
1
x(x −1)dx =
5
3
E(X
2
) = 2
_
2
1
x
2
(x −1)dx =
17
6
Sehingga:
σ
2
=
17
6

_
5
2
_
2
=
1
18
4.2. VARIANSI DAN KOVARIANSI 39
Teorema:
Misalkan X adalah variabel random dengan densitas f(x). Variansi dari variabel
random g(X) adalah:
σ
2
g(X)
= E[(g(X) −µ
g(X)
)
2
] =

x
[g(X) −µ
g(X)
]
2
f(x)
jika X diskrit, dan
σ
2
g(X)
= E[(g(X) −µ
g(X)
)
2
] =

_
−∞
[g(X) −µ
g(X)
]
2
f(x)dx
jika X kontinu.
Contoh:
Hitunglah variansi dari g(X) = 2X + 3, dimana X adalah variabel random
dengan distribusi peluang
x 0 1 2 3
f(x) 1/4 1/8 1/2 1/8
Jawab:
µ
2X+3
= E(2X + 3) =
3

x=0
(2x + 3)f(x) = 6
menggunakan teorema diatas diperoleh:
σ
2
2X+3
= E{[(2X + 3) −µ
2X+3
]
2
} = E{[2X + 3 −6]
2
}
= E(4X
2
−12X + 9) =
3

x=0
(4X
2
−12X + 9)f(x) = 4
40 BAB 4. EKSPEKTASI MATEMATIKA
Definisi:
Misalkan X dan Y adalah variabel random dengan distribusi peluang gabungan
f(x, y). Kovariansi dari X dan Y adalah:
σ
XY
= E[(X −µ
X
)(Y −µ
Y
)] =

x

y
(x −µ
X
)(y −µ
Y
)f(x, y)
jika X dan Y diskrit, dan
σ
XY
= E[(X −µ
X
)(Y −µ
Y
)] =

_
−∞

_
−∞
(x −µ
X
)(y −µ
Y
)f(x, y)dxdy
jika X dan Y kontinu.
Kovariansi antara dua variabel random menunjukkan asosiasi antara dua
variabel tersebut, jika kedua variabel tersebut bergerak kearah yang sama
maka hasil kali (X − µ
X
)(Y − µ
Y
) bernilai positif, jika bergerak kearah
berlawanan (X membesar dan Y mengecil), maka hasil kali tersebut akan
bernilai negatif.
Teorema:
Kovariansi dua variabel random X dan Y dengan rataan µ
X
dan µ
Y
adalah:
σ
XY
= E(XY ) −µ
X
µ
Y
Contoh:
Jumlah ballpoint warna biru X dan jumlah ballpoint warna merah Y , jika
dua diambil secara random dari box mempunyai distribusi sbb:
f(x,y) x=0 x=1 x=2 h(y)
y=0 2/28 9/28 3/28 15/28
y=1 3/14 3/14 3/7
y=2 1/28 1/28
g(x) 5/14 5/18 3/28 1
Hitunglah kovariansi dari X dan Y .
Jawab:
4.2. VARIANSI DAN KOVARIANSI 41
µ
X
= E(X) =
2

x=0
2

y=0
xf(x, y) =
2

x=0
xg(x)
= (0)
_
5
14
_
+ (1)
_
15
28
_
+ (2)
_
3
28
_
=
3
4
µ
Y
= E(Y ) =
2

x=0
2

y=0
yf(x, y) =
2

x=0
yh(y)
= (0)
_
15
28
_
+ (1)
_
3
7
_
+ (2)
_
1
28
_
=
1
2
Sehingga diperoleh:
σ
XY
= E(XY ) −µ
X
µ
Y
=
3
14

_
3
4
__
1
2
_
= −
9
56
Contoh:
Pelari pria X dan pelari wanita Y mempunyai distribusi peluang gabungan:
f(x, y) =
_
_
_
8xy, 0 ≤ x ≤ 1, 0 ≤ y ≤ x
0 untuk x dan y yang lain
Hitunglah kovariansi X dan Y
Jawab:
Distribusi marginal dari X dan Y adalah:
g(x) =
_
_
_
4x
3
, 0 ≤ x ≤ 1
0 untuk x yang lain
h(y) =
_
_
_
4y(1 −y
2
), 0 ≤ y ≤ 1
0 untuk y yang lain
Dari fungsi densitas marginal diatas diperoleh:
µ
X
= E(X) =
_
1
0
4x
4
dx =
4
5
µ
Y
= E(Y )
_
1
0
4y
2
(1 −y
2
)dy =
8
15
42 BAB 4. EKSPEKTASI MATEMATIKA
E(XY ) =
1
_
0
1
_
y
8x
2
y
2
dxdy =
4
9
σ
XY
= E(XY ) −µ
X
µ
Y
=
4
9

_
4
5
__
8
15
_
=
4
225
4.3 Rataan dan Variansi dari Kombinasi linier Vari-
abel random
Teorema:
Jika a dan b adalah konstanta, maka
E(aX +b) = aE(X) +b
Contoh:
Dengan menggunakan teorema tersebut, hitunglah g(X) = 2X −1
Jawab:
E(2X −1) = 2E(X) −1
Kemudian E(X) dihitung dengan rumus sebelumnya E(X) =

x
xf(x) bila
x diskrit.
Teorema:
Nilai rataan dari jumlah atau selisih dua fungsi variabel random adalah jumlah
atau selisih dari nilai rataan dari fungsi tersebut.
E[g(X) ±h(X)] = E[g(X)] ±E[h(X)]
Contoh:
Permintaan minuman dalam liter per minggu dinyatakan dalam fungsi vari-
abel random g(X) = X
2
+X −2, dimana X mempunyai fungsi densitas:
f(x) =
_
_
_
2(x −1), 1 < x < 2
0 untuk x yang lain
4.3. RATAANDANVARIANSI DARI KOMBINASI LINIER VARIABEL RANDOM43
Tentukan nilai rataan dari permintaan minuman tersebut:
Jawab:
E(X
2
+X −2) = E(X
2
) +E(X) −E(2) =
17
6
+
5
3
−2 =
5
2
Teorema:
Nilai rataan dari jumlah atau selisih dua fungsi variabel random X dan Y adalah
jumlah atau selisih dari nilai rataan fungsi tersebut:
E[g(X, Y ) ±h(X, Y )] = E[g(X, Y )] ±E[h(X, Y )]
Teorema:
Misalkan X dan Y adalah dua variabel random yang saling bebas, maka
E(X, Y ) = E(X)E(Y )
Teorema:
Jika a dan b adalah konstanta maka
σ
2
aX+b
= a
2
σ
2
X
= a
2
σ
2
Teorema:
Jika X dan Y adalah variabel random dengan distribusi peluang gabungan
f(x, y), maka
σ
2
aX+bY
= a
2
σ
2
X
+b
2
σ
2
Y
+ 2abσ
XY
Akibat:
Jika X dan Y variabel random saling bebas, maka
σ
2
aX±bY
= a
2
σ
2
X
+b
2
σ
2
Y
Contoh:
Jika X dan Y adalah variabel random dengan variansi σ
2
X
= 2 σ
2
Y
= 4
44 BAB 4. EKSPEKTASI MATEMATIKA
dan kovariansi σ
XY
= −2, hitunglah variansi dari variabel random Z =
3X −4Y + 8
Jawab:
σ
2
Z
= σ
2
3X−4Y +8
= σ
2
3X−4Y
= 9σ
2
X
+ 16σ
2
Y
−24σ
XY
= 130
Teorema Chebyshev:
Probabilitas dari sebarang variabel random X dalam selang k simpangan baku
dari rataan sekurang-kurangnya 1 −1/k
2
, atau
P(µ −kσ < X < µ +kσ) ≥ 1 −
1
k
2
Bukti:
σ
2
= E[(X −µ)
2
]
=

_
−∞
(x −µ)
2
f(x)dx
=
µ−kσ
_
−∞
(x −µ)
2
f(x)dx +
µ+kσ
_
µ−kσ
(x −µ)
2
f(x)dx +

_
µ+kσ
(x −µ)
2
f(x)dx

µ−kσ
_
−∞
(x −µ)
2
f(x)dx +

_
µ+kσ
(x −µ)
2
f(x)dx
Sekarang karena |x − µ| ≥ kσ, maka berlaku (x − µ)
2
≥ k
2
σ
2
. Sehingga
kedua suku terakhir dapat dituliskan:
σ
2

µ−kσ
_
−∞
k
2
σ
2
f(x)dx +

_
µ+kσ
k
2
σ
2
f(x)dx
atau
µ−kσ
_
−∞
f(x)dx +

_
µ+kσ
f(x)dx ≤
1
k
2
4.3. RATAANDANVARIANSI DARI KOMBINASI LINIER VARIABEL RANDOM45
Sehingga diperoleh:
P(µ −kσ < X < µ +kσ) =
µ+kσ
_
µ−kσ
f(x)dx ≥ 1 −
1
k
2
Contoh:
Variabel random X mempunyai rataan µ = 8 dan variansi σ
2
= 9 dan
distribusi peluang tidak diketahui. Tentukan:
a). P(−4 < x < 20)
b). P(|x −8|) ≥ 6)
Jawab:
a). P(−4 < X < 20) = P[8 −(4)(3) < X < 8 + (4)(2)] ≥
15
16
b).
P(|x −8| ≥ 6) = 1 −P(|X −8| < 6)
= 1 −P(−6 < X −8 < 6)
= 1 −P[8 −(2)(3) < X < 8 + (2)(3)] ≤
1
4
46 BAB 4. EKSPEKTASI MATEMATIKA
Bab 5
Beberapa Distribusi Peluang
Diskrit
5.1 Distribusi Uniform Diskrit
Distribusi Uniform diskrit adalah distribusi peluang diskrit yang paling
sederhana, dimana peluang dari setiap nilai variabel randomnya adalah
sama.
Distribusi Uniform Diskrit
Jika variabel random X mempunyai nilai x
1
, x
2
, ..., x
k
dengan peluang yang sama,
maka distribusi uniform diskrit didefinisikan:
f(x; k) =
1
k
, x = x
1
, x
2
, ..., x
k
Contoh:
Jika sebuah dadu dilempar, maka setiap elemen dari ruang sampelnya S =
{1, 2, 3, 4, 5, 6} terjadi dengan peluang yang sama 1/6, sehingga kita mem-
punyai distribusi uniform:
f(x; 6) =
1
6
, x = 1, 2, 3, 4, 5, 6
Dapat digambarkan sbb:
47
48 BAB 5. BEBERAPA DISTRIBUSI PELUANG DISKRIT
6
f(x;6)
1/6
1 2 3 4 5
Figure 5.1: Histogram dari pelemparan dadu
Teorema:
Rataan dan variansi dari distribusi uniform diskrit f(x; k) adalah:
µ =
k

i=1
x
i
k
dan σ
2
=
k

i=1
(x
i
−µ)
2
k
Contoh:
Hitunglah rataan dan variansi dari contoh sebelumnya:
µ =
1 + 2 + 3 + 4 + 5 + 6
6
= 3.5
σ
2
=
(1 −3.5)
2
+ (2 −3.5)
2
+... + (6 −3.5)
2
6
=
35
12
5.2 Distribusi Binomial dan Multinomial
Sebuah eksperimen sering terdiri dari percobaan yang dilakukan secara beru-
lang, dimana masing-masing kejadian terdiri dari sukses atau gagal. Con-
toh aplikasi adalah pengujian suatu produk untuk menentukan berapa jum-
lah yang rusak dari n pengujian. Proses demikian disebut dengan proses
Bernoulli, dimana masing-masing percobaan/pengujian bersifat indepen-
den (tidak bergantung pada percobaan sebelumnya).
5.2. DISTRIBUSI BINOMIAL DAN MULTINOMIAL 49
Proses Bernoulli
Proses Bernoulli mempunyai sifat-sifat sebagai berikut:
1. Eksperimen terdiri dari n ppercobaan yang berulang
2. Setiap hasil percobaan dapat diklasifikasikan sukses atau gagal
3. Peluang dari sukses adalah p, yang bersifat tetap setiap kali percobaan
4. Percobaan berulang tersebut bersifat independen
Misalkan kumpulan dari percobaan Bernoulli dimana 3 item dipilih se-
cara random dari proses manufaktur, diperiksa kemudian diklasifikasikan
baik (N) dan rusak (D). Misalkan X adalah variabel random yang meny-
atakan jumlah baik (tidak rusak). Nilai yang mungkin dari X adalah 0,1,2,3
seperti pada tabel berikut:
Kejadian x
NNN 0
NDN 1
NND 1
DNN 1
NDD 2
DND 2
DDN 2
DDD 3
Karena item dipilih secara independen dari proses yang mempunyai peluang
25% defektif (D), maka
P(NDN) = P(N)P(D)P(N) =
_
3
4
__
1
4
__
3
4
_
=
9
64
Distribusi peluang dari X secara lengkap adalah:
x 0 1 2 3
f(x)
27
64
27
64
9
64
1
64
Jumlah sukses X dari n percobaan Bernoulli disebut dengan variabel
random binomial. Distribusi peluang dari variabel random diskrit ini dise-
but dengan distribusi binomial, dan nilainya dinotasikan dengan b(x; n, p),
misalkan:
P(X = 2) = f(2) = b(2; 3,
1
4
) =
9
64
50 BAB 5. BEBERAPA DISTRIBUSI PELUANG DISKRIT
Distribusi Binomial
Sebuah percobaan Bernoulli dapat menghasilkan sukses dengan peluang p dan
gagal dengan peluang q = 1 − p. Maka distribusi peluang dari variabel random
binomial X, jumlah sukses dari n percobaan yang independen adalah:
b(x; n, p) =
_
n
x
_
p
x
q
n−x
, x = 0, 1, 2, ..., n
Contoh:
Peluang seorang pasien sembuh dari suatu penyakit adalah 0.4. Jika 15
orang terjangkit penyakit ini, tentukan peluang: a). sekurang-kurang nya
10 orang bisa sembuh, b). dari 3 sampai dengan 8 bisa sembuh, c). tepat 5
orang bisa sembuh.
Jawab:
Misalkan X adalah jumlah orang yang sembuh,
(a).P(X ≥ 10) = 1 −P(X < 10) = 1 −
9

x=0
b(x; 15, 0.4) = 1 −0.9662
= 0.0338
(b).P(3 ≤ X ≤ 8) =
8

x=3
b(x; 15, 0.4)
=
8

x=0
b(x; 15, 0.4) −
2

x=0
b(x; 15, 0.4) = 0.9050 −0.0271
= 0.8779
(c).P(X = 5) = b(5; 15, 0.4) =
5

x=0
b(x; 15, 0.4) −
4

x=0
b(x; 15, 0.4)
= 0.4032 −0.2173 = 0.1859
5.2. DISTRIBUSI BINOMIAL DAN MULTINOMIAL 51
Teorema:
Rataan dan variansi dari distribusi binomial b(x; n, p) adalah:
µ = np dan σ
2
= npq
Eksperimen Multinomial
Eksperimen dapat dikembangkan menjadi multinomial bila, tiap percobaan
menghasilkan lebih dari dua kejadian, jadi tidak hanya sukses dan gagal.
Misalkan pengambilah kartu dengan pengembalian adalah percobaan multi-
nomial. Dari rumus binomial dapat dikembangkan menjadi:
_
n
x
1
, x
2
, ..., x
k
_
=
_
n!
x
1
!, x
2
!, ..., x
k
!
_
Distribusi Multinomial
Jika suatu percobaan dapat menghasilkan k kejadian E
1
, E
2
, ..., E
k
dengan pelu-
ang p
1
, p
2
, ..., p
k
, maka distribusi peluang dari variabel random X
1
, X
2
, ..., X
k
,
yang mewakili nilai dari kejadian E
1
, E
2
, ..., E
k
dalam n percobaan yang inde-
penden adalah:
f(x
1
, x
2
, ..., x
k
; p
1
, p
2
, ..., p
k
, n) =
_
n
x
1
, x
2
, ..., x
k
_
p
x
1
1
p
x
2
2
...p
x
k
k
dimana
k

i=1
x
i
= n dan
k

i=1
p
i
= 1
Contoh:
Sepasang dadu dilempar sebanyak 6 kali, tentukan peluang memperoleh jum-
lah 7 atau 11 sebanyak dua kali, angka yang sama sekali, dan kombinasi
sisanya sebanyak 3 kali.
Jawab:
Misalkan:
E
1
: terjadi jumlah 7 atau 11
E
2
: terjadi angka yang sama
E
3
: bukan dari dua tersebut (kombinasi sisanya)
Peluang dari E
1
, E
2
, E
3
masing-masing adalah p
1
= 2/9, p
2
= 1/6, p
3
=
52 BAB 5. BEBERAPA DISTRIBUSI PELUANG DISKRIT
11/18 (periksa sendiri!). Dengan distribusi multinomial dengan x
1
= 2, x
2
=
1, x
3
= 3, diperoleh:
f(2, 1, 3;
2
9
,
1
6
,
11
18
, 6) =
_
6
2, 1, 3
__
2
9
_
2
_
1
6
_
3
_
11
18
_
3
=
6!
2!1!3!
.
2
2
9
2
.
1
6
.
11
3
18
3
= 0.1127
5.3 Distribusi Hypergeometric
Distribusi hypergeometric mempunyai sifat-sifat sebagai berikut:
1. Sebanyak random diambil sebanyak n dari tanpa dikembalikan dari N
item.
2. k dari N item diklasifikasikan baik (sukses), dan N-k diklasifikasikan
rusak.
Jumlah sukses X dari eksperimen hypergeometric disebut variabel ran-
dom hypergeometric. Distribusi peluang dari variabel hypergeometric
disebut dengan distribusi hypergeometric, dan nilainya dinotasikan den-
gan h(x; N, n, k)
Distribusi Hypergeometric
Distribusi peluang dari variabel random hypergeometric X, yaitu jumlah sukses
dari sample random berukuran n dipilih dari N item dimana terdapat k jumlah
sukses dan N −k jumlah gagal/rusak adalah:
h(x; N, n, k) =
_
k
x
__
N −k
n −x
_
_
N
n
_ , x = 0, 1, 2, ..., n
Contoh:
Sebanyak 40 komponen, tiga diantaranya rusak. Jika diambil sampel beruku-
ran 5, tentukan peluang sample tersebut berisi 1 komponen yang rusak.
5.3. DISTRIBUSI HYPERGEOMETRIC 53
Jawab:
Dengan distribusi hypergeometric dengan n = 5, N = 40, k = 3 dan x = 1
diperoleh:
h(1; 40, 5, 3) =
_
3
1
__
37
4
_
_
40
5
_ = 0.3011
Teorema:
Rataan dan variansi dari distribusi hypergeometric h(x; N, n, k) adalah:
µ =
nk
N
dan σ
2
=
N −n
N −1
.n.
k
N
_
1 −
k
N
_
Distribusi Hypergeometric Multivariate
Jika N item dapat dipartisi ke dalam k sel A
1
, A
2
, ..., A
k
yang berisi masing-
masing a
1
, a
2
, ..., a
k
elemen, maka distribusi peluang dari variabel random
X
1
, X
2
, ..., X
k
yang mewakili jumlah elemen yang diterpilih dari A
1
, A
2
, ..., A
k
dalam sample random yang berukuran n adalah:
f(x
1
, x
2
, ..., x
k
; a
1
, a
2
, ..., a
k
, N, n) =
_
a
1
x
1
__
a
2
x
2
_
...
_
a
k
x
k
_
_
N
n
_
dimana
k

i=1
x
i
= n dan
k

i=1
a
i
= N
Contoh:
Kelompok yang terdiri dari 10 orang digunakan untuk belajar biologi. Kelom-
pok ini terdiri dari 3 orang bergolongan dari O, 4 orang bergolongan A, dan
3 orang bergolongan darah B. Tentukan peluang sebuah sampel random dari
5 orang dengan 1 orang bergolongan darah O, 2 orang bergolongan darah
A, dan 2 orang bergolongan darah B.
54 BAB 5. BEBERAPA DISTRIBUSI PELUANG DISKRIT
Jawab:
Dengan distribusi hypergeometric multivariate dapat dihitung:
f(1, 2, 2; 3, 4, 3, 10, 5) =
_
3
1
__
4
2
__
3
2
_
_
10
5
_ =
3
14
5.4 Distribusi Poisson dan Proses Poisson
Eksperimen yang menghasilkan nilai numerik dari variabel random X, jum-
lah kejadian selama selang waktu yang diberikan, disebut dengan eksper-
imen Poisson. Misalkan jumlah panggilan telepon dalam 1 jam yang di-
terima oleh resepsionis, dsb. Eksperimen Poisson diturunkan dari proses
Poisson dan mempunyai sifat-sifat berikut:
Sifat-sifat proses Poisson
• Jumlah kejadian yang terjadi dalam satu selang waktu atau daerah
yang diberikan adalah independen dari kejadian yang terjadi di se-
lang atau daerah yang lain. Dengan kata lain proses Poisson tidak
mempunyai memori.
• Peluang suatu kejadian yang terjadi dalam selang waktu yang sangat
pendek atau daerah yang sangat kecil tidak tergantung dari kejadian
yang terjadi diluar selang atau daerah tersebut.
• Peluang dari kejadian yang terjadi lebih dari satu dalam selang waktu
yang pendek dapat diabaikan.
Distribusi Poisson
Distribusi peluang dari variabel random Poisson X, yang mewakili jumlah ke-
jadian yang terjadi dalam selang waktu atau daerah yang diberikan dinotasikan
dengan t adalah:
p(x; λt) =
e
λt
(λt)
x
x!
, x = 0, 1, 2, ...
dimana λ adalah rata-rata jumlah kejadian yang terjadi per satuan waktu atau
daerah, dan e = 2.71828...
5.4. DISTRIBUSI POISSON DAN PROSES POISSON 55
Contoh:
Dalam eksperimen laboratorium, rata-rata jumlah partikel radioaktif yang
lewat counter adalah 4 tiap msec. Tentukan peluang 6 partikel akan lewat
dalam selang waktu 1 msec.
Jawab:
Menggunakan distribusi Poisson dengan x = 6 dan λt = 4, kemudian meng-
gunakan tabel distribusi Poisson:
p(6; 4) =
e
−4
4
6
6!
=
6

x=0
p(x; 4) −
5

x=0
p(x; 4) = 0.8893 −0.7851 = 0.1042
Teorema:
Rataan dan variansi dari distribusi Poisson p(x; λt) adalah sama yaitu λt
Distribusi Poisson sebagai bentuk limit dari Binomial
Teorema:
Misalkan X adalah variabel random binomial dengan distribusi peluang b(x; n, p).
Bila n →∞, p →0, dan µ = np tetap konstan:
b(x; n, p) →p(x; µ)
56 BAB 5. BEBERAPA DISTRIBUSI PELUANG DISKRIT
Bab 6
Beberapa Distribusi Peluang
Kontinu
6.1 Distribusi Uniform Kontinu
Distribusi Uniform kontinu adalah distribusi peluang kontinu yang paling
sederhana.
Distribusi Uniform Kontinu
Fungsi densitas dari variabel random uniform kontinu X pada selang [A,B] adalah
f(x; A, B) =
1
B −A
, A ≤ x ≤ B
= 0 untuk x yang lain
Contoh:
Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih
dari 4 jam. Misalkan X adalah variabel random yang menyatakan waktu
rapat, yang mempunyai distribusi uniform.
a. Tentukan fungsi densitas peluang dari X
b. Tentukan peluang suatu rapat berlangsung 3 jam atau lebih.
57
58 BAB 6. BEBERAPA DISTRIBUSI PELUANG KONTINU
Jawab:
a. Menurut rumus diatas fungsi densitas peluang dari X adalah
f(x) =
1
4
, 0 ≤ x ≤ 4
= 0 untuk x yang lain
b. Pr[X ≥ 3] =
_
4
3
_
1
4
_
dx =
1
4
Teorema:
Rataan dan variansi dari distribusi uniform kontinu adalah:
µ =
A+B
2
dan σ
2
=
(B −A)
2
12
6.2 Distribusi Normal
Distribusi normal adalah distribusi yang paling penting diantara distribusi
yang lain. Kurva dari distribusi normal mempunyai bentuk yang simetri,
seperti pada gambar 6.2.
µ
σ
x
Figure 6.1: Kurva Normal
6.2. DISTRIBUSI NORMAL 59
Distribusi Normal
Fungsi densitas dari variabel random normal X, dengan rataan µ dan variansi
σ
2
adalah
n(x; µ, σ) =
1

2πσ
e
−(1/2)[(x−µ)/σ]
2
, −∞< x < ∞
dimana π = 3.14159... dan e = 2.71828...
Sifat-sifat kurva Normal
1. Modus, adalah suatu titik yang terletak pada sumbu x dimana kurva
mempunyai nilai maksimum, yaitu x = µ.
2. Kurva berbentuk simetri terhadap sumbu tegak pada x = µ
3. Kurva mempunyai titik balik pada x = µ ±σ.
4. Kurva mendekati sumbu datar secara asimtotik ke dua arah (kiri/kanan)
berawal dari µ.
5. Luas daerah dibawah kurva adalah 1
Daerah dibawah kurva Normal
Untuk menghitung luas daerah dibawah kurva, dapat dilakukan transfor-
masi berikut:
Z =
X −µ
σ
Dengan transformasi diatas, dapat dihitung:
P(x
1
< X < x
2
) =
1

2πσ
_
x
2
x
1
e
−(1/2)[(x−µ)/σ]
2
dx
=
1


_
z
2
z
1
e
−(z
2
/2)
dz
=
_
z
2
z
1
n(z; 0, 1)dz
= P(z
1
< Z < z
2
)
Definisi:
Distribusi variabel random normal dengan rataan 0 dan variansi 1 disebut dengan
distribusi normal standard.
60 BAB 6. BEBERAPA DISTRIBUSI PELUANG KONTINU
Contoh:
Diberikan distribusi normal standard, hitunglah daerah dibawah kurva yang
dibatasi:
a). sebelah kanan z=1.84
b). antara z=-1.97 dan z=0.86
Jawab:
a). Luas sebelah kanan = 1 - luas sebelah kiri z=1.84 (dilihat dari tabel).
Dari tabel luas sebelah kiri = 0.9671, jadi Luas sebelah kanan = 1- 0.9671
= 0.0329
b). Luas daerah antar batas tersebut adalah luas batas kanan dikurangi
dengan luas dari batas kiri, sehingga diperoleh 0.8051 - 0.0244 = 0.7807
Contoh:
Diberikan distribusi normal dengan µ = 50 dan σ = 10, hitungalah peluang
x terletak antara 45 dan 62.
Jawab:
Nilai z yang bersesuain dengan x tersebut adalah:
z
1
=
45 −50
10
= −0.5 dan z
2
=
62 −50
10
= 1.2
Sehingga:
P(45 < X < 62) = P(−0.5 < Z < 1.2)
= P(Z < 1.2) −P(Z < −0.5)
= 0.8849 −0.3085 = 0.5764
Contoh:
Sebuah mesin pembuat resistor dapat memproduksi resistor dengan ukuran
rata-rata 40 ohm dengan standard deviasi 2 ohm. Misalkan ukuran tersebut
mempunyai distribusi normal, tentukan peluang resistor mempunyai ukuran
lebih dari 43 ohm.
6.3. APROKSIMASI NORMAL UNTUK BINOMIAL 61
Jawab:
Lakukan transformasi terlebih dulu:
z =
43 −40
2
= 1.5
sehingga dapat dihitung:
P(X > 43) = P(Z > 1.5) = 1 −P(Z < 1.5) = 1 −0.9332 = 0.0668
6.3 Aproksimasi Normal untuk Binomial
Dari seksi sebelumnya, distribusi Poisson digunakan untuk aproksimasi pelu-
ang Binomial ketika n membesar dan p sangat dekat ke 0 atau 1. Kedua
distribusi tersebut adalah diskrit. Dalam seksi ini distribusi kontinu Nor-
mal digunakan untuk aproksimasi Binomial bilamana n cukup besar dan p
tidak harus dekat ke nilai 0 atau 1.
Teorema:
Jika X adalah variabel random binomial dengan rataan µ = np dan variansi
σ
2
= npq, maka bentuk limit dari distribusi dari :
Z =
X −np

npq
bilamana n →∞ adalah distribusi normal standard n(z; 0, 1)
Contoh:
Dalam soal ujian ada 200 pertanyaan multiple choice, ada 4 jawaban dan
hanya satu yang benar. Berapakan peluang menebak dan benar sebanyak
25 sampai 30 dari 80 jawaban yang benar.
Jawab:
Peluang jawab yang benar adalah p = 1/4. Jika X menyatakan variabel
random dari jawab yang benar, maka
P(25 ≤ X ≤ 30) =
30

x=25
b(x; 80,
1
4
)
62 BAB 6. BEBERAPA DISTRIBUSI PELUANG KONTINU
Menggunakan aproksimasi kurva normal dengan
µ = np = (80)(
1
4
) = 20
dan
σ =

npq =
_
(180)(
1
4
)(
3
4
) = 3.873
Dengan aproksimasi normal, perlu ditentukan batas-batasnya yaitu x
1
=
24.5 dan x
2
= 30.5. Nilai variabel-z yang bersesuaian adalah:
z
1
=
24.5 −20
3.873
= 1.16 dan z
2
=
30.5 −20
3.873
= 2.71
Sehingga dapat dihitung:
P(25 ≤ X ≤ 30) =
30

x=25
b(x; 80,
1
4
)
P(1.16 < Z < 2.71)
= P(X < 2.71) −P(X < 1.16)
= 0.9966 −0.8770
= 0.1196
6.4 Distribusi Gamma dan Exponential
Definisi:
Fungsi gamma didefinisikan sbb:
Γ(α) =
_

0
x
α−1
e
−x
dx
untuk α > 0
Dengan cara rekursif diperoleh:
Γ(α) = (α −1)Γ(α −1)
dari definisi diperoleh:
Γ(1) =
_

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

8
e
−t/5
dt = e
−8/5
0.2
Misalkan X adalah jumlah komponen yang masih berfungsi hingga akhir
tahun ke 8, maka dengan distribusi binomial:
P(X ≥ 2) =
5

x=2
b(x; 5, 0.2) = 1 −
1

x=0
b(x; 5, 0.2) = 1 −0.7373 = 0.2627
Contoh:
Suatu panggilan telepon datang pada papan switching mengikuti proses
Poisson dengan rata-rata 5 panggilan datang tiap menit. Tentuka peluang
hingga 1 menit terjadi 2 panggilan yang datang.
Jawab:
Proses Poisson dapat diterapkan dengan menunggu sampai 2 event Poisson
terjadi mempunyai distribusi Gamma dengan β = 1/5 dan α = 2. Misalkan
X adalah selang waktu dimana sebelum 2 panggilan telpon datang. Peluang
dapat dihitung sbb:
P(X ≤ x) =
_
x
0
1
β
2
xe
−x/β
dx
P(X ≤ 1) = 25
_
1
0
xe
−5x
dx = [1 −e
−5(1)
(1 + 5)] = 0.96
6.4.2 Distribusi Chi-Squared
Kasus yang lain dari distribusi Gamma adalah Chi-Squared, dengan mengam-
bil α = ν/2 dan β = 2, dimana ν bilangan bulat positif.
66 BAB 6. BEBERAPA DISTRIBUSI PELUANG KONTINU
Distribusi Chi-Squared
Variabel random kontinu X mempunyai distribusi chi-squared, dengan derajat
kebebasan ν, jika fdp-nya diberikan:
f(x) =
_
_
_
1
2
ν/2
Γ(ν/2)
x
ν/2−1
e
−x/2
, x > 0
0 untuk x yang lain
dimana ν bilangan bulat positif.
Akibat:
Rataan dan variansi dari distribusi chi-squared adalah
µ = ν dan σ
2
= 2ν
6.5 Distribusi Lognormal
Distribusi Lognormal
Variabel random kontinu X mempunyai distribusi lognormal, jika variabel ran-
dom Y = ln(X) mempunyai dsitribusi normal dengan rataan µ dan simpangan
baku σ. Fdp diberikan:
f(x) =
_
_
_
1

2πσx
e
−[ln(x)−µ]
2
/(2σ
2
)
, x ≥ 0
0 x < 0
Akibat:
Rataan dan variansi dari distribusi lognormal adalah
E(X) = e
µ+σ
2
/2
dan V ar(X) = e
2µ+σ
2
.(e
σ
2
−1)
6.6. DISTRIBUSI WEIBULL 67
6.6 Distribusi Weibull
Distribusi Weibull
Variabel random kontinu X mempunyai distribusi Weibull, dengan parameter
α dan β, jika fdp-nya diberikan:
f(x) =
_
αβx
β−1
e
−αx
β
, x > 0
0, untuk x yang lain
dimana α > 0 dan β > 0.
Akibat:
Rataan dan variansi dari distribusi Weibull adalah
µ = α
−1/β
Γ
_
1 +
1
β
_
dan σ
2
= α
−2/β
_
Γ
_
1 +
2
β
_

_
Γ
_
1 +
1
β
__
2
_
68 BAB 6. BEBERAPA DISTRIBUSI PELUANG KONTINU
Bab 7
Distribusi Sampling Dasar
7.1 Sampling Random
Definisi:
Sebuah populasi terdiri dari keseluruhan pengamatan yang menjadi perhatian
kita.
Definisi:
Sebuah sample adalah himpunan bagian dari populasi.
Definisi:
Misalkan X
1
, X
2
, ..., X
n
adalah n variabel random yang saling bebas, masing-
masing mempunyai distribusi peluang f(x). Kemudian kita definisikan
X
1
, X
2
, ..., X
n
sebagai sample random berukuran n dari populasi f(x) dan di-
tuliskan distribusi peluang gabungan-nya sebagai berikut:
f(x
1
, x
2
, ..., x
n
) = f(x
1
)f(x
2
)...f(x
n
)
7.2 Beberapa Statistik yang Penting
Definisi:
Sebarang fungsi dari variabel random yang menunjukkan sample random disebut
dengan statistik.
69
70 BAB 7. DISTRIBUSI SAMPLING DASAR
Definisi:
Jika X
1
, X
2
, ..., X
n
menunjukkan sample random berukuran n, maka rataan dari
sample didefinisikan dengan statistik:
X =
n

i=1
X
i
n
Definisi:
Jika X
1
, X
2
, ..., X
n
menunjukkan sample random berukuran n, diurutkan sesuai
besar nilainya, maka nilai-tengah (median) dari sample didefinisikan dengan
statistik:

X
=
_
¸
_
¸
_
X
(n+1)/2
, jika n ganjil
X
n/2
+X
(n/2)+1
2
jika n genap
Definisi:
Jangkauan dari sample random X
1
, X
2
, ..., X
n
didefinisikan dengan statistik
X
(n)
− X
(1)
, dimana X
(n)
dan X
(1)
adalah nilai maksimum dan minimum dari
sample.
Definisi:
Jika X
1
, X
2
, ..., X
n
menunjukkan sample random berukuran n, maka variansi
sample didefinisikan dengan statistik:
S
2
=
n

i=1
(X
i
−X)
2
n −1
7.3 Distribusi Sampling
Definisi:
Distribusi peluang dari statistik disebut dengan distribusi sampling.
7.4. DISTRIBUSI SAMPLING DARI RATAAN 71
7.4 Distribusi sampling dari Rataan
Distribusi sampling yang penting adalah distribusi sampling rataan X. Mis-
alkan sample random dari n pengamatan diambil dari distribusi normal den-
gan rataan µ dan variansi σ
2
. Masing-masing pengamatan X
i
, i = 1, 2, .., n
dari sample random akan mempunyai distribusi normal juga. Sehingga:
X =
X
1
+X
2
+... +X
n
n
mempunyai distribusi normal dengan rataan:
µ
X
=
µ +µ +... +µ
n
= µ
dan variansi:
σ
2
X
=
σ
2

2
+... +σ
2
n
2
=
σ
2
n
Teorema:
Teorema Limit Pusat Jika X adalah rataan dari sample random berukuran n
yang diambil dari populasi dengan rataan µ dan variansi σ
2
, maka bentuk limit
dari distribusi dari
Z =
X −µ
σ/

n
bila n →∞, adalah distribusi normal standard n(z; 0, 1).
Contoh:
Pabrik bola lampu dimana lampu yang dihasilkan mempunyai umur yang
berdistribusi normal dengan rataan 800 jam dengan simpangan baku 40 jam.
Hitunglah peluang dari sample random dari 16 bola lampu yang mempunyai
umur kurang dari 775 jam.
Jawab:
Distribusi sampling X akan berbentuk normal juga dengan µ
X
= 800 dan
σ
X
= 40/

16 Dengan mengubah menjadi normal standard dari x = 775
diperoleh:
z =
775 −800
10
= −2.5
Sehingga diperoleh:
P(X < 775) = P(Z < −2.5) = 0.0062
72 BAB 7. DISTRIBUSI SAMPLING DASAR
Distribusi Sampling dari beda antara dua Rata-rata
Teorema:
Jika sample yang saling bebas berukuran n
1
dan n
2
diambil secara random dari
populasi (diskrit atau kontinu), dengan rataan µ
1
dan µ
2
dan variansi σ
1
dan
σ
2
, maka distribusi sampling dari beda dua rataan, X
1
−X
2
, secara aproksimasi
berdistribusi normal dengan rataan dan variansi diberikan:
µ
X
1
−X
2
= µ
1
−µ
2
dan σ
X
1
−X
2
=
σ
2
1
n
1
+
σ
2
2
n
2
sehingga
Z =
(X
1
−X
2
) −(µ
1
−µ
2
)
_

2
1
/n
1
) + (σ
2
2
/n
2
)
adalah variabel normal standard secara aproksimasi.
Contoh:
Dua buah eksperimen dilakukan dimana dua pengecatan dibandingkan. 18
belas contoh akan di-cat dengan dua type cat, A dan B. Waktu kering antara
dua type tersebut dicatat. Simpangan baku populasi antara dua type adalah
sama, yaitu 1.0. Asumsi rata-rata waktu kering antara dua type cata adalah
sama, tentukan P(X
A
−X
B
> 1, 0), dimana X
A
dan X
B
adalah rata-rata
waktu kering dari sample yang berukuran n
A
= n
B
= 18.
Jawab:
Dari distribusi sampling X
A
− X
B
, diketahui bahwa distribusinya normal
dengan rataan:
µ
X
A
−X
B
= µ
A
−µ
B
= 0
dan variansi adalah:
σ
X
A
−X
B
=
σ
2
A
n
A
+
σ
2
B
n
B
=
1
18
+
1
18
=
1
9
Variabel random Z yang bersesuaian dengan X
A
−X
B
= 1.0 adalah:
Z =
1 −(µ
A
−µ
B
)
_
1/9
=
1 −0
1/3
= 3.0
Pr(z > 3.0) = 1 −Pr(z < 3.0) = 1 −0.9987 = 0.0013
2
7.5. DISTRIBUSI SAMPLING DARI S
2
73
7.5 Distribusi Sampling dari S
2
Teorema:
Jika S
2
adalah variansi dari sample random yang berukuran n diambil dari pop-
ulasi normal dengan variansi σ
2
, maka statistik:
χ
2
=
(n −1)S
2
σ
2
=
n

i=1
(X
i
−X)
2
σ
2
mempunyai distribusi chi-squared dengan derajat kebebasan ν = n −1.
Contoh:
Suatu pabrik battery menjamin produknya mempunyai umur 3 tahun den-
gan simpangan baku 1 tahun. Jika lima battery mempunyai umur 1.9 2.4
3.0 3.5 dan 4.2 tahun. Apakah pabrik tersebut masih yakin bahwa klaimnya
dapat dipercaya. Asumsi umur battery mempunyai distribusi normal.
Jawab:
Pertama dihitung variansi sample:
s
2
=
(5)(48.26) −(15)
2
(4)(5)
= 0.815
Kemudian hitung:
χ
2
=
(4)(0.815)
1
= 3.26
Adalah nilai distribusi chi-squared dengan derajat kebebasan 4. Karena
tingkat kepercayaan 95% dari distribusi ini dengan d.k. 4terletak antara
0.484 dan 11.143 maka dengan simpangan baku 1 tahun masih dapat diter-
ima.
7.6 Distribusi t
Dalam seksi sebelumnya dibahas tentang kegunaan dari teorema limit pusat.
Teori ini sangat mendukung dalam penggunaan distribusi t, dengan asumsi
simpangan baku diketahui. Dalam realitas hal ini mungkin tidak layak,
sehingga sebagai pengganti cukup simpangan baku dari sampel S. Sehingga
74 BAB 7. DISTRIBUSI SAMPLING DASAR
statistik yang sesuai dan berkaitan dengan rataan populasi µ adalah:
T =
X −µ
S/

n
Atau dapat dituliskan:
T =
(X −µ)/(σ/

n)
_
S
2

2
=
Z
_
V/(n −1)
dimana:
Z =
X −µ
σ/

n
mempunyai distribusi normal standard, dan
V =
(n −1)S
2
σ
2
mempunyai distribusi chi-squared dengan derajat kebebasan ν = n −1
Teorema:
Misalkan Z adalah distribusi normal standard dan V berdistribusi chi-squred
dengan dk ν. Jika Z dan V saling bebas make distribusi T, dimana didefinisikan
T =
Z
_
V/ν
dan fdpnya adalah
h(t) =
Γ[(ν + 1)/2)]
Γ(ν/2)

πν
_
1 +
t
2
ν
_
−(ν+1)/2
, −∞< t < ∞.
Disebut dengan distribusi-t dengan ν derajat kebebasan.
Akibat:
Jika X
1
, X
2
, ..., X
3
adalah variabel random saling bebas semua berdistribusi nor-
mal dengan rataan µ dan simpangan baku σ. Dan
X =
n

i=1
X
i
n
dan s
2
=
n

i=1
(X
i
−X)
2
n −1
.
Maka variabel random T =
X −µ
S/

n
berdistribusi t dengan ν = n − 1 derajat
kebebasan.
7.6. DISTRIBUSI T 75
Kurva dari distribusi t mempunyai sifat simetri seperti distribusi normal.
α
0
α
α
t =−t t
α 1−α
Figure 7.1: Sifat simetri dari distribusi t
Contoh
Nilai t dengan d.k. 14 yang mempunyai luas 0.025 disebelah kiri, atau 0.975
sebelah kanan nilai tersebut adalah:
t
0.975
= −t
0.025
= −2.145
Contoh
Tentukan P(−t
0.025
< T < t
0.05
)
Jawab
Karena luas sebelah kanan t
0.05
adalah 0.05 dan sebelah kiri −t
0.025
adalah
0.025, maka luas diantaranya adalah:
1 −0.05 −0.025 = 0.925
76 BAB 7. DISTRIBUSI SAMPLING DASAR
7.7 Distribusi F
Definisi:
Misalkan U dan V adalah saling bebas berdistribusi chi-squred dengan dk ν
1
dan
ν
2
. Maka distribusi dari variabel random F =
U/ν
1
V/ν
2
diberikan :
h(f) =
_
_
_
Γ[(ν
1

2
)/2](ν
1

2
)
ν
1
/2
Γ(ν
1
/2)Γ(ν
2
/2)
f
ν
1
/2−1
(1 +ν
1
f/ν
2
)

1

2
)/2
, x > 100
0 x yang lain
Disebut dengan distribusi-F dengan dk ν
1
dan ν
2
.
Bentuk kurva distribusi F tergantung dari derajat kebebasan ν
1
dan ν
2
.
Luas sebelah kanan nilai f
α
untuk d.k. ν
1
dan ν
2
mempunyai hubungan
sbb:
Teorema:
Dengan menuliskan f
α

1
, ν
2
) untuk f
α
dengan d.k. ν
1
dan ν
2
, diperoleh:
f
1−α

1
, ν
2
) =
1
f
α

2
, ν
1
)
Contoh:
Nilai-f dengan d.k. 6 dan 10 yang mempunyai luas sebelah kanan nilai tsb
0.95 adalah:
f
0.95
(6, 10) =
1
f
0.05
(10, 6)
=
1
4.06
= 0.246
Misalkan sampel random berukuran n
1
dan n
2
diambil dari dua populasi
normal dengan variansi σ
2
1
dan σ
2
2
. Dari teorema sebelumnya ditunjukkan:
X
2
1
=
(n
1
−1)S
2
1
σ
2
1
dan X
2
2
=
(n
2
−1)S
2
2
σ
2
2
adalah variabel random dengan distribusi chi-squared dengan d.k. n
1
− 1
dan n
2
− 1. Dari teorema sebelumnya dengan mengambil X
2
1
= U dan
X
2
2
= V diperoleh teorema sbb:
7.7. DISTRIBUSI F 77
Teorema:
Jika S
2
1
dan S
2
2
adalah variansi dari variabel random yang saling bebas dan
berukuran n
1
dan n
2
diambil dari populasi normal dengan variansi σ
2
1
dan σ
2
2
,
maka
F =
S
2
1

2
1
S
2
2

2
2
=
σ
2
2
S
2
1
σ
2
1
S
2
2
mempunyai distribusi F dengan d.k. n
1
−1 dan n
2
−1.
78 BAB 7. DISTRIBUSI SAMPLING DASAR
Bab 8
Estimasi Parameter Populasi
Bab sebelumnya menekankan tentang distribusi dari sampel yang mencakup
rataan dan simpangannya. Dalam bab ini akan dibahas tentang bagaimana
membangun dasar-dasar yang memungkinkan seorang statistik mengam-
bil kesimpulan tentang parameter statistik dari data eksperimen. Bagian
statistik yang mempelajari tentang masalah ini disebut dengan Statistik
inferensi. Statistik inferensi secara garis besar dibagi menjadi dua: esti-
masi/penaksiran dan uji hipotesis (dipelajari di Bab 9).
8.1 Penaksiran dengan Metoda Klasik
Sebuah nilai taksiran dari parameter populasi θ adalah sebuah nilai tunggal
ˆ
θ dari statistik
ˆ
Θ. Suatu contoh, nilai x dari statistik X yang dihitung dari
sebuah sampel yang berukuran n adalah nilai taksiran dari parameter pop-
ulasi µ. Contoh lain ˆ p = x/n adalah nilai taksiran dari proporsi sebenarnya
p dari eksperimen binomial.
Sebuah nilai penaksir tidak diharapkan dapat menaksir paremeter popu-
lasi tanpa kesalahan, misalkan tidak perlu X dapat menaksir µ secara tepat,
tetapi diharapkan tidak terlalu jauh dari parameter yang ditaksir.
Misalkan
ˆ
Θ adalah penaksir dengan nilai taksiran
ˆ
θ dari parameter pop-
ulasi yang tidak diketahui µ. Kita menginginkan distribusi sampling
ˆ
Θ
mempunyai rataan sama dengan parameter yang ditaksir. Panaksir yang
memiliki sifat seperti ini disebut dengan tak bias(unbiased).
79
80 BAB 8. ESTIMASI PARAMETER POPULASI
Definisi:
Sebuah statistik
ˆ
Θ dikatakan penaksir tak bias dari parameter θ jika:
µ
ˆ
Θ
= E(
ˆ
Θ) = θ
Contoh:
Tunjukkan bahwa S
2
adalah penaksir tak bias dari parameter σ
2
.
Jawab:
Kita tuliskan:
n

i=1
(X
i
−X)
2
=
n

i=1
[(X
i
−µ) −(X −µ)]
2
=
n

i=1
(X
i
−µ)
2
−2(X −µ)
n

i=1
(X
i
−µ) +n(X −µ)
2
=
n

i=1
(X
i
−µ)
2
−n(X −µ)
2
Sekarang tentukan:
E(S
2
) = E
_
n
i=1
(X
i
−X)
2
n −1
_
=
1
n −1
_
n

i=1
E(X
i
−µ)
2
−nE(X −µ)
2
_
=
1
n −1
_
n

i=1
σ
2
X
i
−nσ
2
X
_
Tetapi:
σ
2
X
i
= σ
2
untuk i = 1, 2, ..., n dan σ
2
X
=
σ
2
n
Sehingga:
E(S
2
) =
1
n −1
_

2
−n
σ
2
n
_
= σ
2
8.1. PENAKSIRAN DENGAN METODA KLASIK 81
Variansi Nilai Penaksir
Jika
ˆ
Θ
1
dan
ˆ
Θ
2
adalah dua penaksir yang tak bias dari parameter populasi
θ yang sama, maka kita akan memilih penaksir dengan distribusi sampling
yang memiliki variansi yang lebih kecil. Sehingga, jika σ
ˆ
Θ
2
1
< σ
ˆ
Θ
2
2
, dikatakan
bahwa
ˆ
Θ
1
penaksir θ yang lebih efisien dari
ˆ
Θ
2
.
Definisi:
Jika kita mengumpulkan semua penaksir tak bias yang mungkin dari parameter
θ, maka salah satu yang memiliki variansi terkecil dikatakan penaksir yang
paling efisien dari θ.
Gambar berikut menunjukkan distribusi sampling dari tiga penaksir θ.
Dari ketiga kurva tersebut, penaksir yang tak bias adalah
ˆ
Θ
1
dan
ˆ
Θ
2
karena
mempunyai distribusi yang terpusat pada θ. Diantara
ˆ
Θ
1
dan
ˆ
Θ
2
, maka
ˆ
Θ
1
mempunyai variansi yang lebih keci.
Θ2
θ
Θ1
Θ3
Figure 8.1: Distribusi sampling dari penaksir θ yang berbeda
Tetapi, pada situasi tertentu kita lebih suka untuk menentukan interval
dimana nilai penaksir tersebut berada. Interval ini disebut dengan interval
penaksiran.
Interval (selang) penaksiran
Sebuah selang penaksiran dari parameter populasi θ adalah sebuah selang
yang berbentuk
ˆ
θ
L
< θ <
ˆ
θ
U
, dimana
ˆ
θ
L
dan
ˆ
θ
U
bergantung pada nilai
statistik
ˆ
Θ untuk sampel tertentu dan distribusi samplingnya.
82 BAB 8. ESTIMASI PARAMETER POPULASI
Karena sampel-sampel yang berbeda secara umum akan menghasilkan
nilai yang berbeda dari
ˆ
Θ, atau
ˆ
θ
L
dan
ˆ
θ
U
, maka nilai-nilai batas ini bers-
esuaian dengan variabel random
ˆ
Θ
L
dan
ˆ
Θ
U
. Dari distribusi sampling
ˆ
Θ,
kita dapat menentukan suatu nilai α yang terletak antara 0 dan 1 demikian
sehingga:
P(
ˆ
Θ
L
< θ <
ˆ
Θ
U
) = 1 −α
Selang
ˆ
θ
L
< θ <
ˆ
θ
U
yang dihitung dari sampel yang diambil disebut den-
gan selang kepercayaan (1 − α)100% dan 1 − α disebut dengan tingkat
kepercayaan.
8.2 Menaksir rataan dari Sampel tunggal
Distribusi sampel dari X terpusat pada µ dan pada sebagian besar aplikasi
mempunyai variansi yang lebih kecil dari penaksir-penaksir yang lain. Se-
hingga rataan sampel x digunakan sebagai nilai taksiran dari rataan populasi
µ.
Akan ditentukan selang taksiran dari µ. Misalkan sampel diambil dari
populasi normal, atau jika tidak mempunyai ukuran sampel yang besar.
Sesuai dengan teorema limit pusat, diharapkan distribusi sampel X akan
mendekati normal dengan rataan µ
X
= µ dan simpangan baku σ
X
= σ/

n.
Selanjutnya akan peluang Z yang terletak antara −z
α/2
dan z
α/2
, ditun-
jukkan pada kurva berikut:
α/2
0 Z −Z
α/2 α/2
1−α
α/2
Figure 8.2: P(−z
α/2
< Z < z
α/2
) = 1 −α
Dari gambar tersebut dapat dilihat:
P(−z
α/2
< Z < z
α/2
) = 1 −α
dimana:
Z =
X −µ
σ/

n
8.2. MENAKSIR RATAAN DARI SAMPEL TUNGGAL 83
Sehingga:
P
_
−z
α/2
<
X −µ
σ/

n
< z
α/2
_
= 1 −α
Atau dapat dituliskan:
P
_
X −z
α/2
σ

n
< µ < X +z
α/2
σ

n
_
= 1 −α
Interval kepercayaan dari µ; σ diketahui
Jika x adalah rataan dari sampel random dengan ukuran n dari sebuah populasi
dan variansi σ
2
, interval kepercayaan (1 −α)100% dari µ adalah:
x −z
α/2
σ

n
< µ < x +z
α/2
σ

n
dimana z
α/2
adalah nilai-z yang memberikan luas α/2 sebelah kanan nilai terse-
but.
Sampel-sampel yang berbeda akan memberikan nilai x yang berbeda,
sehingga akan menghasilkan selang taksiran yang berbeda pula, seperti di-
tunjukkan pada gambar berikut:
µ
1
2
3
4
5
6
7
8
s
a
m
p
l
e
Figure 8.3: Interval taksiran dari µ untuk sampel yang berbeda
Contoh:
Rataan konsentrasi zinc dari pengukuran di 36 lokasi diperoleh 2.6 gram per
mililiter. Hitunglah selang kepercayaan 95% dari rataan yang ditemukan.
84 BAB 8. ESTIMASI PARAMETER POPULASI
Jawab:
Nilai taksiran dari µ adalah x = 2.6. Nilai-z yang memberikan luas 0.025
sebelah kanan, atau 0.975 sebelah kiri adalah z
0.025
= 1.96 (Table A.3).
Sehingga selang kepercayaan 95% adalah:
2.6 −(1.96)
_
0.3

36
_
< µ < 2.6 + (1.96)
_
0.3

36
_
Atau:
2.50 < µ < 2.70
Teorema:
Jika x digunakan untuk menaksir µ, maka kita berada pada tingkat kepercayaan
(1 −α)100% dengan kesalahan tidak lebih dari z
α/2
σ/

n
Teorema:
Jika x digunakan untuk menaksir µ, maka kita berada pada tingkat kepercayaan
(1−α)100% dengan kesalahan tidak lebih dari e bilamana ukuran sampel adalah
n =
_
z
α/2
σ
e
_
2
Contoh:
Berapa jumlah sample yang diperlukan dari contoh sebelumnya agar kita
punya tingkat kepercayaan 95% bahwa taksiran µ punya kesalahan kurang
dari 0.05
Jawab:
Simpangan baku dari populasi adalah σ = 0.3, dengan teorema diatas:
n =
_
(1.96)(0.3)
0.05
_
2
= 138.3
Jadi jumlah sample yang diperlukan adalah 139
8.3. MENAKSIR VARIANSI DARI SAMPEL TUNGGAL 85
Interval kepercayaan dari µ; σ tidak diketahui
Jika x dan s adalah rataan dan simpangan baku sampel random dari populasi
normal dengan variansi σ
2
yang tidak diketahui, selang kepercayaan (1−α)100%
untuk µ adalah:
x −t
α/2
s

n
< µ < x +t
α/2
s

n
dimana t
α/2
adalah nilai-t dengan n−1 derajat kebebasan yang memberikan luas
α/2 sebelah kanan nilai tersebut.
8.3 Menaksir Variansi dari Sampel tunggal
Jika sebuah sampel berukuran n diambil dari populasi normal dengan vari-
ansi σ
2
, dan variansi sampel s
2
dihitung, maka kita memperoleh nilai statis-
tik S
2
. Nilai yang dihitung ini akan digunakan sebagai nilai taksiran dari
σ
2
. Dikatakan statistik S
2
adalah penaksir dari σ
2
.
Interval penaksiran dapat ditentukan dengan statistik:
X
2
=
(n −1)S
2
σ
2
Sesuai dengan teorema Bab sebelumnya, statistik X
2
mempunyai distribusi
chi-squared dengan derajat kebebasan n-1, bila sampel diambil dari populasi
normal.
Untuk menentukan selang penaksiran dapat dituliskan (dapat dilihat
pada gambar 8.4:
P(χ
2
1−α/2
< X
2
< χ
2
α/2
) = 1 −α
dimana χ
2
1−α/2
dan χ
2
α/2
adalah nilai-nilai dari distribusi chi-squared dengan
n-1 derajat kebebasan, yang mempunyai luas disebelah kanan 1 − α/2 dan
α/2. Dengan mensubstitusikan X
2
, diperoleh:
P
_
χ
2
1−α/2
<
(n −1)S
2
σ
2
< χ
2
α/2
_
= 1 −α
atau dapat dituliskan:
P
_
(n −1)S
2
χ
2
α/2
< σ
2
<
(n −1)S
2
χ
2
1−α/2
_
= 1 −α
86 BAB 8. ESTIMASI PARAMETER POPULASI
0 χ
1−α
α/2 α/2
α/2
χ χ
2 2
α/2
Figure 8.4: P(χ
2
1−α/2
< X
2
< χ
2
α/2
) = 1 −α
Interval kepercayaan untuk σ
2
Jika s
2
adalah variansi dari sampel random berukuran n dari populasi normal,
selang kepercayaan (1 −α)100% dari σ
2
adalah:
(n −1)S
2
χ
2
α/2
< σ
2
<
(n −1)S
2
χ
2
1−α/2
dimana: dimana χ
2
α/2
dan χ
2
1−α/2
adalah nilai-nilai dari distribusi chi-squared
dengan n-1 derajat kebebasan, yang mempunyai luas disebelah kanan α/2 dan
1 −α/2.
Contoh:
Berat 10 paket biji rumput yang didistribusikan oleh perusahaan tertentu
adalah: 46.4;46.1;45.8;47.0;46.1;45.9;45.8;46.9;45.2;46.0. Hitunglah selang
kepercayaan 95% dari variansinya, asumsi distribusi normal.
Jawab:
Pertama dihitung:
s
2
=
n

n
i=1
x
2
i
−(

n
i=1
x
i
)
2
n(n −1)
=
(10)(21, 273.12) −(461.2)
2
(10)(9)
= 0.286
Untuk memperoleh selang kepercayaan 95%, dipilih α = 0.05, dengan meli-
hat tabel A.5 dengan ν = 9, maka χ
2
0.025
= 19.023 dan χ
2
0.975
= 2.700.
8.4. MENAKSIR RASIO DUA VARIANSI DARI DUA SAMPEL 87
Sehingga selang kepercayaan 95% adalah:
(9)(0.286)
19.023
< σ
2
<
(9)(0.286)
2.700
atau:
0.135 < σ
2
< 0.953
8.4 Menaksir rasio dua variansi dari dua sampel
Nilai taksiran rasio dari dua variansi populasi σ
2
1

2
2
adalah rasio s
2
1
/s
2
2
dari
variansi sampel. Sehingga statistik S
2
1
/S
2
2
dikatakan penaksir dari σ
2
1

2
2
.
Interval kepercayaan untuk σ
2
1

2
2
Jika s
2
1
dan s
2
2
adalah variansi dari dua sampel saling bebas yang berukuran n
1
dan n
2
dari populasi normal, maka interval kepercayaan (1−α)100% untuk σ
2
1

2
2
adalah
s
2
1
s
2
2
1
f
α/2
(v
1
, v
2
)
<
σ
2
1
σ
2
2
<
s
2
1
s
2
2
f
α/2
(v
2
, v
1
)
dimana f
α/2
(v
1
, v
2
) adalah nilai-f dengan derajat kebebasan ν
1
= n
1
− 1 dan
ν
2
= n
2
− 1 yang mempunyai luas sebelah kanan α/2, serupa untuk f
α/2
(v
2
, v
1
)
yang mempunyai derajat kebebasan ν
2
= n
2
−1 dan ν
1
= n
1
−1.
Contoh:
Sebuah perusahaan battery mobil mengklaim bahwa produknya, secara rata-
rata berumum 3 tahun dengan simpangan 1 tahun. Jika lima battery mem-
punyai umur 1.9; 2.4; 3.0; 3.5; 4.2 tahun, tentukan selang kepercayaan 95%
untuk σ
2
dan berilah pendapat apakah klaim perusahaan yang menyatakan
σ
2
= 1 adalah valid. Asumsi distribusi umur battery adalah normal.
Jawab:
Hitung terlebih dahulu:
s
2
=
n

n
i=1
x
2
i
−(

n
i=1
x
i
)
2
n(n −1)
=
(5)(48.26) −(15)
2
(5)(4)
= 0.815
Untuk mendapatkan selang kepercayaan 95%, dipilih α = 0.05 dengan meli-
hat tabel A.5 dengan ν = 4, maka χ
2
0.025
= 11.143 dan χ
2
0.975
= 0.484.
88 BAB 8. ESTIMASI PARAMETER POPULASI
Sehingga selang kepercayaan 95% adalah:
(4)(0.815)
11.143
< σ
2
<
(4)(0.815)
0.484
0.293 < σ
2
< 6.736
Kesimpulan klaim perusahaan bisa diterima, karena nilai 1 masih terletak
pada selang tersebut.
Bab 9
Testing Hipotesis Statistik
9.1 Ilustrasi
Diketahui tipe vaksin tertentu efektif hanya 25% setelah 2 tahun digunakan.
Untuk mengetahui vaksin baru lebih baik, maka diambil sampel 20 orang
dipilih secara random. Jika lebih dari 8 orang yang menerima vaksin baru
melewati 2 tahun masa uji dan ternyata tidak tertulari virus, maka vaksin
baru dikatakan lebih baik. Akan diuji hipotesis nol yang menyatakan vaksin
baru sama efektifnya dengan vaksin sekarang setelah melampaui 2 tahun.
Hipotesis alternatif menyatakan vaksin yang baru lebih baik dari vaksin yang
sekarang. Kasus ini ekivalen dengan menguji hipotesis bahwa parameter
binomial dengan peluang sukses adalah p = 1/4 terhadap hipotesis alternatif
p > 1/4. Dituliskan sebagai berikut:
H
0
: p =
1
4
,
H
1
: p >
1
4
Dari uji di atas X mempunyai nilai dari 0 sampai 20, yang dibagi men-
jadi dua, lebih kecil dari 8 dan lebih besar dari 8. Semua nilai yang lebih
besar dari 8 disebut dengan daerah kritis, yang lebih kecil dari 8 disebut
daerah penerimaan. Nilai 8 disebut dengan nilai kritis. Jika x > 8 maka
hipotesis H
0
ditolak, dan sebaliknya jika x ≤ 8 hipotesis H
0
diterima. Ada
dua macam kesalahan yang akan terjadi, menolak H
0
yang ternyata benar
dan menerima H
0
yang ternyata salah. Kesalahan yang pertama disebut
kesalahan tipe I dan kesalahan kedua disebut kesalahan tipe II.
89
90 BAB 9. TESTING HIPOTESIS STATISTIK
9.2 Kesalahan Uji
Definisi:
Menolak hipotesis nol ketika benar disebut kesalahan tipe I
Definisi:
Menerima hipotesis nol ketika salah disebut kesalahan tipe II
H
0
benar H
0
salah
Menerima H
0
keputusan benar kesalahan tipe II
Menolak H
0
kesalahan tipe I keputusan benar
Table 9.1: Situasi yang mungkin dari uji hipotesis
Peluang yang menyangkut kesalahan tipe I disebut tingkat signifikan,
dinotasikan dengan α. Dari contoh diatas dihitung:
α =P(error tipe I) = P
_
X > 8; p =
1
4
_
=
20

x=9
b
_
x; 20,
1
4
_
=1 −
8

x=0
b
_
x; 20,
1
4
_
= 1 −0.9591 = 0.0409
Dikatakan Hipotesis nol diuji untuk p = 1/4 dengan tingkat signifikan α =
0.0409
Peluang yang menyangkut kesalahan tipe II, dinotasikan dengan β. Dari
contoh diatas dihitung dengan mengambil nilai p tertentu misalkan p = 1/2:
β = P(error tipe II) = P
_
X ≤ 8; p =
1
2
_
=
8

x=0
b
_
x; 20,
1
2
_
= 0.2517
Idealnya, semua uji dapat menghasilkan kesalahan yang kecil, α dan
β. Untuk memperoleh hasil yang optimal maka nilai kritis dapat diubah-
ubah atau ukuran sample ditambah. Jika nilai krtis diubah, bila β dapat
diperkecil maka α bertambah besar. Dengan menambah ukuran sample, α
9.2. KESALAHAN UJI 91
dan β dapat diperkecil.
Untuk menentukan peluang kesalahan tipe I digunakan aproksimasi kurva
normal dengan ukuran sample ditambah menjadi 100, nilai kritis baru 36.
Selanjutnya dihitung:
µ = np = (100)(
1
4
) = 25 dan σ =

npq =
_
(100)(
1
4
)(
3
4
) = 4.33
Seperti digambarkan pada kurva Gambar 9.1, luas α dengan x = 36.5,
berkorespondensi dengan:
z =
36.5 −25
4.33
= 2.66
Dari table A-3 diperoleh:
α =p(error tipe I) = P
_
x > 36; p =
1
4
_
P(Z > 2.66)
=1 −P(Z < 2.66) = 1 −0.9961 = 0.0039
σ=4.33
α
µ=25
36.5
Figure 9.1: Peluang kesalahan tipe I
Jika H
0
salah maka nilai benar untuk H
1
adalah p = 1/2, maka kesalahan
tipe II dapat dihitung:
µ = np = (100)(
1
2
) = 50 dan σ =

npq =
_
(100)(
1
2
)(
1
2
) = 5
Daerah penerimaan bila H
1
benar, digambarkan pada kurva Gambar 9.2.
Nilai z yang bersesuaian adalah:
z =
36.5 −50
5
= −2.7
92 BAB 9. TESTING HIPOTESIS STATISTIK
Sehingga peluang kesalahan tipe II adalah:
β = p(error tipe II) = P
_
X ≤ 36; p =
1
2
_
P(Z < −2.7) = 0.0035
µ=50 µ=25 36.5
σ=4.33
H0
H1
x
σ=5
Figure 9.2: Peluang kesalahan tipe II
Dari contoh tersebut dapat disimpulkan:
1. Kesalahan tipe I dan II saling berhubungan. Jika salah satu membesar
yang lain mengecil.
2. Kesalahan tipe I dapat direduksi dengan mengatur nilai kritis
3. Menambah ukuran sample akan mengurangi kesalahan tipe I dan II
4. Jika hipotesis nol salah, nilai β akan maksimum jika nilai benar dekat
dengan nilai hipotesis, dan sebaliknya akan semakin kecil.
9.3 Kekuatan Uji
Definisi:
Power/kekuatan dari Uji adalah peluang menolak hipotesis nol diberikan nilai
alternatif tertentu benar
9.3. KEKUATAN UJI 93
Contoh 1:
Proporsi mahasiswa di kota suatu kota ditaksir mempunyai peluang p=0.6.
Untuk menguji hipotesis diambil sample sebanyak 15 orang, jika sample
menunjukkan jumlah orang antara 6 sampai 12, maka hipotesis nol diterima
bahwa p=0.6 selain itu ditolak, atau p = 0.6
a). Hitunglah α, asumsi p=0.6, gunakan distr. binomial
b). Hitunglah β utk alternativ p = 0.5 dan p = 0.7
c). Apakah ini test yang baik.
Contoh 2:
Ulangi contoh diatas dengan sample 200 orang, daerah penerimaan antara
110 ≤ x ≤ 130. Gunakan aproksimasi normal.
Solusi:
a). 0.1498 b). 0.0793 0.0618
94 BAB 9. TESTING HIPOTESIS STATISTIK
Ringkasan prosedur Uji Hipotesis
• Tentukan hipotesis nol H
0
: θ = θ
0
• Pilih hipotesis alternatif H
1
salah satu dari θ < θ
0
, θ > θ
0
, atau θ = θ
0
• Tentukan tingkat signifikan α
• Tentukan uji statistik yang sesuai dan tentukan daerah kritis. Jika
keputusan didasarkan dengan Nilai-P maka tidak perlu ditentukan
daerah kritis.
• Hitunglah nilah uji dari data sample
• Keputusan: TOLAKH
0
jika uji jatuh di daerah kritis. Jika berdasarkan
Nilai-P, maka Nilai-P kecil dari tingkat signifikan yang diinginkan (α).
Contoh:
Diambil 100 sample random umur orang di Amerika menunjukkan rata-rata
71.8 tahun, dengan simpangan baku 8.9 tahun. Apakah hal ini menunjukkan
bahwa umur orang Amerika rata-rata lebih dari 70 tahun. Gunakan tingkat
kepercayaan α = 0.05.
Jawab:
1. H
0
: µ = 70 tahun
2. H
1
: µ > 70 tahun
3. α = 0.05
4. Daerah kritis: z > 1.645, dimana z =
x −µ
0
σ/

n
.
5. Perhitungan: x = 71.8 tahun, σ = 8.9 tahun, dan z =
71.8 −70
8.9/

100
= 2.02
6. Keputusan: Tolak H
0
, umur orang US rata-rata memang lebih dari 70
tahun.

Daftar Isi
1 Pendahuluan 1.1 Model Probabilitas . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Rataan (Mean)dari Sample . . . . . . . . . . . . . . . . . . . 1.3 Variansi dari sample . . . . . . . . . . . . . . . . . . . . . . . 2 Probabilitas 2.1 Ruang Sample . . . . . . 2.2 Event . . . . . . . . . . . 2.3 Menghitung titik sample . 2.4 Probabilitas dari Event . 2.5 Aturan Penjumlahan . . . 2.6 Probabilitas Bersyarat . . 2.7 Event Independent (saling 2.8 Aturan Perkalian . . . . . 2.9 Aturan Bayes . . . . . . . 1 1 2 2 3 3 4 5 8 9 11 12 13 15 19 19 21 23 25 26

. . . . . . . . . . . . . . . . . . . . . . . . lepas) . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

3 Variable Random dan Distribusi 3.1 Konsep Variable Random . . . 3.2 Distribusi Peluang Diskrit . . . 3.3 Distribusi Peluang Kontinu . . 3.4 Distribusi Empirik . . . . . . . 3.5 Distribusi Peluang Gabungan .

Peluang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

4 Ekspektasi Matematika 33 4.1 Rataan dari Variabel Random . . . . . . . . . . . . . . . . . . 33 4.2 Variansi dan Kovariansi . . . . . . . . . . . . . . . . . . . . . 37 4.3 Rataan dan Variansi dari Kombinasi linier Variabel random . 42 i

ii 5 Beberapa Distribusi Peluang Diskrit 5.1 Distribusi Uniform Diskrit . . . . . . . 5.2 Distribusi Binomial dan Multinomial 5.3 Distribusi Hypergeometric . . . . . . . 5.4 Distribusi Poisson dan Proses Poisson

DAFTAR ISI 47 47 48 52 54 57 57 58 61 62 64 65 66 67 69 69 69 70 71 73 73 76 79 79 82 85 87

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

6 Beberapa Distribusi Peluang Kontinu 6.1 Distribusi Uniform Kontinu . . . . . . . . . . . . . . . . 6.2 Distribusi Normal . . . . . . . . . . . . . . . . . . . . . . 6.3 Aproksimasi Normal untuk Binomial . . . . . . . . . . . 6.4 Distribusi Gamma dan Exponential . . . . . . . . . . . . 6.4.1 Aplikasi dari distribusi Exponential dan Gamma 6.4.2 Distribusi Chi-Squared . . . . . . . . . . . . . . . 6.5 Distribusi Lognormal . . . . . . . . . . . . . . . . . . . . 6.6 Distribusi Weibull . . . . . . . . . . . . . . . . . . . . . 7 Distribusi Sampling Dasar 7.1 Sampling Random . . . . . . . . 7.2 Beberapa Statistik yang Penting 7.3 Distribusi Sampling . . . . . . . 7.4 Distribusi sampling dari Rataan . 7.5 Distribusi Sampling dari S 2 . . . 7.6 Distribusi t . . . . . . . . . . . . 7.7 Distribusi F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8 Estimasi Parameter Populasi 8.1 Penaksiran dengan Metoda Klasik . . . . . 8.2 Menaksir rataan dari Sampel tunggal . . . . 8.3 Menaksir Variansi dari Sampel tunggal . . . 8.4 Menaksir rasio dua variansi dari dua sampel

9 Testing Hipotesis Statistik 89 9.1 Ilustrasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 9.2 Kesalahan Uji . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 9.3 Kekuatan Uji . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

Dalam menganalisa algoritma statistik digunakan untuk menghitung average-case suatu algoritma. misalkan model eksponensial. maka model distribusi data masukan sangat diperlukan. Sehingga kita tinggal menentukan parameter (laju kedatangan. Bila problem yang akan dianalisa berjumlah besar (banyak). prediksi yang dilakukan berdasarkan model ini harus divalidasi dengan eksperimen fenomena yang sebenarnya. Fenomena random mempunyai karakteristik bahwa kelakuan yang akan datang tidak dapat diprediksi secara deterministik. misalkan untuk menganalisis algoritma atau performansi sistem komputer. Model ini terdiri dari kejadian-kejadian yang mungkin beserta nilai probabilitasnya (peluangnya). 1.Bab 1 Pendahuluan Ilmu statistika sangat diperlukan sebagai tool oleh ilmuwan komputer.1 Model Probabilitas Teori probabilitas mempelajari suatu fenomena yang bersifat random. misalkan dengan testing hipotesis. Hal ini diselesaikan dengan cara membuat model statistik dari masalah dunia nyata. t) dalam suatu sistem komputer. 1 . λ) yang sesuai. Teori statistik sangat diperlukan dalam proses validasi model tersebut (statistik inferensi). artinya jumlah job yang datang dalam selang waktu tersebut mempunyai distribusi Poisson. Namun demikian sifat-sifat statistiknya dapat digunakan untuk mendeskripsikan secara matematik. Model yang yang biasa digunakan adalah model Poisson. Contoh suatu masalah untuk memprediksi jumlah job yang datang dalam selang waktu (0. normal dsb. Karena model hanya merupakan abstraksi dari dunia nyata.

PENDAHULUAN 1.2 Rataan (Mean)dari Sample Ukuran lokasi dari suatu data memberikan informasi secara kuantitatif dimana letak nilai pusat dari sample tersebut. + xn = n n Disamping ukuran diatas terdapat ukuran nilai dari data yang disebut dengan median dari sample. 3. . maka rataan sample adalah: n x= ¯ i=1 xi x1 + x2 + . 3. dan 14..12 x = 3. Median dihitung dengan cara sbb: x = x(n+1)/2 ˜ = xn/2 + x(n/2)+1 jika n ganjil jika n genap Contoh: Diberikan data 1. x2 . 2..9. Mean dan median dari sample tersebut adalah : x = 5.2 BAB 1. Misalkan pengamatan dari suatu sampel adalah x1 . Variansi dari sample dirumuskan: n s = i=1 2 (xi − x)/(n − 1) ¯ Akar kuadrat dari variansi sample disebut dengan simpangan baku (standard deviation) n s= i=1 (xi − x) ¯ (n − 1) Nilai (n − 1) disebut dengan derajat kebebasan yang bersesuain dengan estimasi variansi. x3 . .7.7.2....3 Variansi dari sample Variansi dari data mengukur simpangan dari nilai rataan.9 ¯ ˜ 1.11.

T } dimana H dan T bersesuaian dengan muka(head ) dan belakang(tail ) Contoh: Suatu eksperimen melempar coin kemudian melempar sekali lagi bila yang muncul pertama adalah muka. jika yang muncul belakang diteruskan dengan melempar dadu. muka atau belakang. dinotasikan dengan S Ruang sample dari eksperimen melempar mata uang adalah: S = {H. Dalam eksperimen ini ada dua kemungkinan kejadian (outcomes). dimana item tersebut 3 . HT.1 Ruang Sample Dalam statistik dikenal istilah eksperimen untuk menjelaskan proses membangkitkan sekumpulan data. Contoh dari eksperimen statistik adalah melempar coin. T 6} Contoh: Tiga item diambil dari suatu process manufacturing. T 2. T 3.Bab 2 Probabilitas 2. Definisi: Kumpulan dari semua kejadian dari eksperimen statistik disebut dengan ruang sample. T 4. T 5. T 1. Maka ruang samplenya adalah: S = {HH.

lebih baik diterangkan dengan aturan. Komplemen dari R adalah R yaitu kartu dengan warna hitam. defectif (D) dan non-defektif (N). yaitu suatu kejadian dengan kondisi tertentu. Suatu Event A adalah umur komponen yang kurang dari lima tahun. N DN. Contoh: Diberikan suatu ruang sample S = {t|t ≥ 0} dimana t adalah umur dalam satuan tahun suatu komponen elektronik. atau dituliskan A = {t|0 ≤ t < 5} Definisi: Komplemen dari event A terhadap S adalah subset dari semua elemen S yang bukan elemen dari A. N N N } Ruang sample yang mempunyai titik sample besar.4 BAB 2. Komplemen dari A dituliskan dengan A Contoh: Misalkan R adalah event dimana kartu warna merah diambil dari 52 kartu bridge. N DD. DDN. Definisi: Interseksi/irisan dari dua event A dan B adalah suatu event yang memuat elemen yang ada di A dan B. Maka ruang sample S adalah sbb: S = {DDD.2 Event Event adalah subset dari ruang sample. N N D. PROBABILITAS diklasifikasikan manjadi dua. DN D. misalkan: S = {x|xsuatu kota dengan populasi besar dari 1 juta} 2. dinotasikan dengan A ∩ B Definisi: Dua event A dan B dikatakan mutually exclusive atau disjoint jika A ∩ B=∅ . DN N.

6 dan 7 2. MENGHITUNG TITIK SAMPLE 5 Definisi: Union dari dua event A dan B dinotasikan dengan A ∪ B adalah suatu event dengan element dari A atau B atau keduanya. .4.3.5. dan operasi kedua dengan n2 cara maka dua operasi dapat dilakukan dengan n1 n2 cara.7 B ∩ A = region 4 dan 7 A ∩ B ∩ C = region 1 (A ∪ B) ∩ C = region 2.1: Event yang direpresentasikan dengan region A ∩ B = region 1 dan 2 B ∩ C = region 1 dan 3 A ∪ C = region 1.3.3 Menghitung titik sample Dalam eksperimen statistik.2.2.1 S A 7 2 1 4 3 6 B 5 C Figure 2. Teorema: Jika operasi pertama dapat dilakukan dengan n1 cara. semua kejadian yang mungkin dapat ditentukan tanpa harus mendaftarkan satu-per-satu. Kaitan antara event dan ruang sample dapat digambarkan pada gambar3.

. . nk cara maka terdapat (n1 )(n2 ).. PROBABILITAS Contoh: Ada berapa titik sample jika dua buah dadu dilempar bersama-sama. Misalkan dari tiga huruf a..c maka jumlah permutasinya 6. Jawab: (6)(6)=36 cara.c dengan b=c=x. cab. bca. xxa sebenarnya hanya ada 3 susunan yang berbeda.6 BAB 2.. Definisi: Permutasi adalah sebuah susunan dari semua atau sebagian kumpulan objek. maka akan terdapat susunan yang berulang. n2 . Contoh: Bila terdapat 3 huruf a.. . maka kemungkinan susunan adalah axx. bac. Bila terdapat n objek yang berbeda terdapat n! permutasi. acb. Bila objek-objek tersebut ada yang sama. Susunan tersebut dihitung dengan cara 3!/2! = 3. Tentukan jumlah titik sample event tersebut: 2 0P2 = 20! = (20)(19) = 380 18! Teorema: Jumlah permutasi dari n objek yang berbeda disusun melingkar adalah (n − 1)!.b. dimana satu objek dianggap mempunyai posisi tetap sehingga ada (n − 1) yang disusun. Secara umum bila ada k operasi dengan masing-masing mempunyai n1 .b. cba Teorema: Jumlah permutasi dari n objek yang berbeda diambil r adalah: n Pr = n! (n − r)! Contoh: Dua tiket lotere diambil dari 20 untuk hadian pertama dan kedua. yaitu abc. xax. xxa.(nk ) cara. axx. xax.

{(a. MENGHITUNG TITIK SAMPLE 7 Teorema: Jumlah permutasi yang berbeda dari n objek yang terdiri dari n1 jenis 1. {(e. u). {(a. i.. u). o.3. e. .2... 2. o). .nk ! Contoh: Terdapat lampu merah 3. o. (a)}. e. n2 . Contoh: Ada 7 orang akan menginap di Hotel dengan 3 kamar. i. (o)} Jumlah partisi tersebut dinotasikan : 5 4. .. u). + nr = n. . Berapa kemungkinan yang dapak disusun.. u). o... o akan dipartisi menjadi dua sel masing-masing berisi 4 dan 1. e.nk jenis ke-k adalah: n! n1 ! n2 ! .. i. {(a. (i)}. n2 jenis 2. lampu kuning 4. dan lampu biru 2 akan dipasang dengan tiga sinar pada 9 socket.. satu kamar berisi 3 orang dan dua kamar berisi 2 orang. Ada berapa cara untuk menempatkan orang tersebut. adalah: n n1 . (e)}. Jawab: 7 3. 1 = 5! =5 4! 1! Teorema: Jumlah cara untuk mempartisi sekumpulan n objek menjadi r sel dengan n1 elemen di sel pertama.. Urutan objek dalam sel tidak penting. . n2 elemen di sel ke dua dst. u. Jawab: 9! 3! 4! 2! Bila diberikan n objek kemudian akan dipartisi menjadi r subset disebut sel. (u)}. e. i.nr ! .. 2 = 7! = 210 3! 2! 2! = n! n1 !. i. maka susunan yang mungkin adalah: {(a. Suatu contoh diberikan 5 huruf a. nr dimana n1 + n2 + . n2 !.

P (∅) = 0 dan P (S) = 1 Contoh: Suatu mata uang dilempar dua kali. ada berapa cara. dihitung dengan cara berikut: n r. Sehingga: 0 ≤ P (A) ≤ 1. Jawab: 4 3 = (6)(3) = 18 2 1 2. T H. dinotasikan dengan P (A). Bila orang yang dipilih digabung membentuk suatu kepanitian. Jika A adalah event tersebut maka: A = {HH. HT. masing-masing 1 4 . PROBABILITAS Teorema: Diberikan n objek akan diambil sebanyak r tanpa memperhatikan urutan. Jawab: Ruang sample dari eksperimen ini adalah: S = {HH. T H} dan P (A) = 3 1 1 1 + + = 4 4 4 4 Contoh: Sebuah dadu dilempar dimana kemunculan bilangan genap mempunyai peluang dua kali lebih besar. n − r atau n r = n! r!(n − r)! Contoh: Dari 4 orang kimia akan diambil 2 orang. cara pemilihan ini disebut dengan kombinasi.8 BAB 2. T T } Jika mata uang ini rata/seimbang make peluangnya sama.4 Probabilitas dari Event Untuk mencari probabilitas dari suatu event A kita menjumlahkan semua probabilitas dari setiap titik sample A. Definisi: Probabilitas dari event A adalah jumlah dari bobot semua titik sample dalam A. Jika E adalah suatu kejadian bahwa bilangan yang . Jumlah ini disebut dengan probabilitas dari A. dari 3 orang fisika diambil 1 orang. Tentukan peluang sekurang-kurangnya satu head muncul. HT.

. 2. Jawab: P (C) = 4 2 4 3 52 5 = 0. + P (An ) . 5. sehingga w = 1 ..5. 2. Misalkan peluang ganjil adalah w dan peluang genap adalah 2w. tentukan peluang terambil 2 ace dan 3 jack. ... 3. ATURAN PENJUMLAHAN 9 muncul kurang dari 4 tentukan P (E). 4.2.5 Aturan Penjumlahan Teorema: Jika A dan B adalah dua buah event sebarang maka: P (A ∪ B) = P (A) + P (B) − P (A ∩ B) Akibat: Jika A dan B mutually exclusive maka P (A ∪ B) = P (A) + P (B) Akibat: Jika A1 .9 × 10−5 2. 3} dan P (E) = 1 2 1 4 + + = 9 9 9 9 Teorema: Dalam suatu eksperimen sebanyak N . 6}. Karena totalnya 1 make 3w + 6w = 9w = 1.. A3 . jika suatu event A muncul sebanyak n maka peluang dari event A adalah: P (A) = n N Contoh: Diambil 5 kartu poker. ∪ An ) = P (A1 ) + P (A2 ) + .. 9 E = {1.. Jawab: Ruang samplenya adalah S = {1. An mutually exclusive make P (A1 ∪ A2 ∪ . A2 .

Jawab: P (M ∪ E) = P (M ) + P (E) − P (M ∩ E) = 2/3 + 4/9 − 1/4 = 31/36 Contoh: Dua dadu dilempar... P (B) adalah dua dadu dengan jumlah 11. .. berapa peluang lulus sekurang-kurangnya satu pelajaran. B. P (A ∪ B) = P (A) + P (B) = 1 2 1 + = 6 18 9 Teorema: Jika A dan A adalah event yang saling berkomplemen maka: P (A) + P (A ) = 1 .10 BAB 2. Jika peluang lulus keduanya 1/4. Jawab: Misalkan P (A) adalah dua dadu dengan jumlah 7. A3 . dan C P (A ∪ B ∪ C) =P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C)− P (B ∩ C) + P (A ∩ B ∩ C) Contoh: Peluang Paula lulus matematika adalah 2/3 lulus bahasa inggris 4/9. + P (An ) = P (S) =1 Teorema: Untuk tiga event A. A2 . PROBABILITAS Akibat: Jika A1 . An adalah partisi dari ruang sample S make P (A1 ∪ A2 ∪ . ∪ An ) = P (A1 ) + P (A2 ) + .... tentukan probabilitas jumlahnya 7 atau 11..

5. wanita . seperti pada tabel berikut: bekerja 460 140 600 tak bekerja 40 260 300 jumlah 500 400 900 Pria Wanita Jumlah . 6} dengan peluang 1 9 dan 2 untuk bilangan ganjil dan genap. Untuk menghitung peluang B terjadi relatif terhadap event A. 4} 9 dengan P (B) = 1 . 5 sehingga 2 P (B|A) = 5 Atau kita dapat menuliskan: P (B|A) = 2 2/9 P (A ∩ B) = = 5 5/9 P (A) Definisi: Peluang bersyarat dari B diberikan A dinotasikan dengan P (B|A) didefinisikan dengan : P (B|A) = P (A ∩ B) jika P (A) > 0 P (A) Contoh: Dari suatu ruang sample populasi orang dewasa dibedakan atas laki-laki. PROBABILITAS BERSYARAT 11 2. Event B|A = {4}. Ilustrasi: Misalkan B adalah bilangan kuadrat sempurna bila sebuah dadu dilempar. maka w = 1 . Seperti contoh sebelumnya bilangan genap mempunyai peluang dua kali dibanding yang ganjil. Misalkan A adalah suatu event dimana bilangan yang 3 muncul lebih besar dari atau sama dengan 4. Ruang sample B adalah B = {1.6. 4. bekerja dan tidak bekerja. 3. atau A = {4. Misalkan w adalah peluang bilangan ganjil dan 2w peluang bilangan genap dari event A. 5. 2. Ruang sample S = {1. 6}.2. kita harus menghitung dahulu peluang baru A proposional dengan peluang semula demikian sehingga jumlahnya 1.6 Probabilitas Bersyarat Probabilitas event B terjadi jika diketahui bahwa event A telah terjadi disebut dengan probabilitas bersyarat dan dinotasikan dengan P (B|A). Penulisan ini dibaca ”peluang B terjadi diberikan A telah terjadi”.

P (M |E) = 460 23 = 600 30 Misalkan n(A) adalah jumlah element dari A. Ada dua event diperhatikan yaitu: M : seorang pria dipilih E : seorang yang terpilih adalah bekerja. PROBABILITAS Akan dipilih salah satu sample dari tabel diatas. Misalkan A adalah event pertama dan B event kedua.12 BAB 2. Contoh: Pengambilan dua kartu dimana kartu pertama adalah ACE. kemudian dikembalikan lagi. maka P (B|A) = P (B) = 13 52 . dengan notasi ini diperoleh: P (M |E) = n(E ∩ M ) n(E ∩ M )/n(S) P (E ∩ M ) = = n(E) n(E)/n(S) P (E) Untuk memeriksa hasil ini dapat diambil data diatas: P (E) = Sehingga: P (M |E) = 23/45 23 = sama dengan hasil diatas 2/3 30 2 460 23 600 = dan P (E ∩ M ) = = 900 3 900 45 2.7 Event Independent (saling lepas) Definisi: Dua event A dan B independent jika dan hanya jika: P (B|A) = P (B) dan P (A|B) = P (A) jika tidak demikian maka dependent. Pengambilan yang kedua adalah SPADE.

sehingga 4 P (A ∩ B) = 1 4 4 1 = 19 19 Contoh: Satu tas pertama berisi 4 bola putih dan 3 bola hitam. Tentukan peluang keduanya putus. Jawab: 5 4 Peluang pertama putus adalah 20 = 1 yang kedua putus adalah 19 .8. Tas kedua berisi 3 bola putih dan 5 bola hitam. Tentukan peluang mengambil satu bola dari tas kedua berwarna hitam. Tentukan peluang jumlah 7 dan 11. Jawab: Misalkan B1 . B2 dan W1 mewakili pengambilan bola hitam dari tas 1. bola hitam dari tas 2 dan bola putih dari tas 1.2. ATURAN PERKALIAN 13 2. Event yang dimaksud adalah B1 ∩ B2 digabung dengan W1 ∩ B2 .8 Aturan Perkalian Teorema: Jika dalam suatu eksperimen dua event A dan B dapat terjadi maka: P (A ∩ B) = P (A)P (B|A) Contoh: Misalkan dalam suatu box terdapat 20 sekering. 5 diantaranya putus. Jawab: Misalkan . Satu bola diambil dari tas pertama dimasukkan ke tas kedua (secara random). peluang dari event tersebut adalah: P [(B1 ∩ B2 ) or (W1 ∩ B2 )] = P (B1 ∩ B2 ) + P (W1 ∩ B2 ) = P (B1 )P (B2 |B1 ) + P (W1 )P (B2 |W1 ) 4 5 38 3 6 = + = 7 9 7 9 63 Teorema: Dua even A dan B adalah independent jika dan hanya jika P (A ∩ B) = P (A)P (B) Contoh: Sepasang dadu dilempar dua kali. Akan diambil dua secara random dengan pengambilan pertama tanpa dikembalikan.

14 A1 A2 B1 B2 : : : : pelemparan pelemparan pelemparan pelemparan pertama berjumlah 7 kedua berjumlah 7 pertama berjumlah 11 kedua berjumlah 11 BAB 2.. A2 ..P (Ak ) Contoh: Tiga lembar kartu diambil secara berturutan tidak dikembalikan..... Tentukan peluang dari event A1 ∩ A2 ∩ A3 dimana: A1 : kartu pertama adalah ACE merah A2 : kartu kedua adalah 10 atau JACK A3 : kartu ketiga lebih besar dari 3 dan kurang dari 7 Jawab: P (A1 ) = Sehingga diperoleh: P (A1 ∩ A2 ∩ A3 ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 ) 8 12 8 2 = = 52 51 50 5525 8 12 2 P (A2 |A1 ) = P (A3 |A1 ∩ A2 ) = 52 51 50 .∩Ak ) = P (A1 )P (A2 |A1 )P (A3 |A1 ∩A2 ). A3 ... Ak dapat terjadi. A2 .. ∩ Ak ) = P (A1 )P (A2 )P (A3 ).. . PROBABILITAS P [(A1 ∩ B2 ) ∪ (B1 ∩ A2 )] = P (A1 ∩ B2 ) + P (B1 ∩ A2 ) = P (A1 )P (B2 ) + P (B1 )P (A2 ) 1 1 1 1 + = 6 18 18 6 1 = 54 Teorema: Jika dalam suatu eksperimen event-event A1 . ... Ak saling lepas (independent) maka: P (A1 ∩ A2 ∩ A3 ∩ ..∩Ak−1 ) Jika event-event A1 .... A3 . maka P (A1 ∩A2 ∩A3 ∩.P (Ak |A1 ∩A2 ∩.

9 Aturan Bayes Pria Wanita Jumlah bekerja 460 140 600 tak bekerja 40 260 300 jumlah 500 400 900 Dari tabel tersebut. hitung P (A). B2 . demikian sehingga P (Bi ) = 0 untuk i = 1.. ada suatu klub Rotary yang akan mempromosikan pabrik baru. .9..k maka untuk sebarang event A dari S berlaku: k k P (A) = i=1 P (Bi ∩ A) = i=1 P (Bi )P (A|Bi ) .. Bk membentuk partisi dari ruang sample S.2.. Tentuka peluang dari anggota klub terpilih. A = (E ∩ A) ∪ (E ∩ A) P (A) dapat dihitung sebagai berikut: P (A) = P [(E ∩ A) ∪ (E ∩ A)] = P (E ∩ A) + P (E ∩ A) = P (E)P (A|E) + P (E )P (A|E ) Dengan memasukkan nilai dari tabel tersebut diperoleh: P (E) = Dan P (E ) = Sehingga diperoleh : P (A) = 2 3 1 1 4 + = 3 50 3 25 75 2 36 3 600 = P (A|E) = = 900 3 600 50 1 3 P (A|E ) 12 1 = 300 25 Teorema:(Aturan eliminasi) Jika event B1 . 2. dimana anggota dari klub tersebut 36 orang bekerja dan 12 orang tidak bekerja. Misalkan klub Rotary tersebut direpresentasikan dengan event A.. ATURAN BAYES 15 2.

+ P (Bk ∩ A) k k = i=1 P (Bi ∩ A) = i=1 P (Bi )P (A|Bi ) Contoh: Dalam suatu industri perakitan. 2% dari produknya mengalami dekeftif. PROBABILITAS B1 B3 A Bk B4 Figure 2.. tiga mesin B1 . misalkan: A: produk B1 :produk B2 :produk B3 :produk yang yang yang yang defektif dibuat oleh mesin B1 dibuat oleh mesin B2 dibuat oleh mesin B3 Dengan menggunakan aturan eliminasi: P (A) = P (B1 )P (A|B1 ) + P (B2 )P (A|B2 ) + P (B3 )P (A|B3 ) .16 B2 BAB 2. 3%. Jawab: Event-event yang ada. B2 dan B3 menghasilkan 30%. tentukan peluang produk tersebut defektif..2: Digram venn untuk contoh diatas Bukti: Dari diagram Venn: A = (B1 ∩ A) ∪ (B2 ∩ A) ∪ ∪(Bk ∩ A) Dengan teorema sebelumnya peluangnya adalah: P (A) = P [(B1 ∩ A) ∪ (B2 ∩ A) ∪ ∪(Bk ∩ A)] = P (B1 ∩ A) + P (B2 ∩ A) + . 45% dan 25% produk. Diketahui dari pengalaman sebelumnya 2%. Diambil satu produk jadi secara random.

005 0.006 + 0. 2. ATURAN BAYES Dengan memasukkan nilai diatas diperoleh: P (B1 )P (A|B1 ) =(0.3)(0.005 10 = = 0.006 + 0.. maka untuk sebarang event A dalam S dan P (A) = 0.k A) Bukti: Dari teorema sebelumnya diperoleh: P (Br |A) = P (Br ∩ A = P (A) P (Br ∩ A k i=1 P (Bi ∩ A) Contoh: Dari soal sebelumnya pertanyaanya dibalik.0135 P (B3 )P (A|B3 ) =(0.. jika sebuah produk diambil dan ternyata rusak (defektif).45)(0.. P (Br |A) = P (Br ∩ A k i=1 P (Bi ∩ = P (Br )P (A|Br ) k i=1 P (Bi )P (A|Bi ) untuk r = 1.2.0245 17 Teorema: (Aturan Bayes) Jika event-event B1 .0135 + 0. B2 . 2.02) = 0. k.0135 + 0.006 P (B2 )P (A|B2 ) =(0..02) = 0. tentukan peluang produk tersebut dibuat oleh mesin B3 Jawab: Dengan menerapkan aturan Bayes: P (B3 |A) = P (B3 )P (A|B3 ) P (B1 )P (A|B1 ) + P (B2 )P (A|B2 ) + P (B3 )P (A|B3 ) Dengan memasukkan nilainya diperoleh: P (B3 |A) = 0.25)(0.005 = 0. .9. dimana P (Bi ) = 0 untuk i = 1.. .. Bk membangun partisi dari ruang sample S. ..0145 49 .005 Sehingga diperoleh: P (A) = 0..005 0.03) = 0.

18 BAB 2. PROBABILITAS .

Contoh: Dua buah bola diambil secara berturutan tanpa penggantian dari sebuat pot yang berisi 4 warna merah dan 3 warna hitam. DDD} Misalkan kita tertarik pada sample yang rusak (defektif). DN D. N N D.3 yang menyatakan banyaknya sample yang rusak. DDN.Bab 3 Variable Random dan Distribusi Peluang 3.1 19 .2. Misalkan Y adalah variable random yang menyatakan warna merah maka y dituliskan pada Tabel 3.1.1 Konsep Variable Random Dari eksperimen pengambilan sample baik dan defektif diperoleh ruang sample: S = {N N N. N DD. DN N. Variable random dinotasikan dengan huruf besar X dan huruf kecil x yang menyatakan nilai dari variable random tersebut. Dari tiap elemen sample tersebut dapat kita berikan nilai (dipadankan) 0. Definisi: Sebuah variable random X pada ruang sample S adalah fungsi X : S → yang memadankan sebuah bilangan real X(s) dengan setiap titik sample s ∈ S. N DN.

Definisi: Jika sebuah ruang sample berisi sejumlah tak hingga kemungkinan sama dengan sejumlah titik pada sebuah segmen garis maka disebut dengan ruang sample kontinu. mengembalikan 3 helm kepada orang yang punya sesuai dengan urutan. N F..20 Contoh: BAB 3. N N F. sebuah dadu dilempar sampai angka 5 muncul.1: Pengambilan bola Seorang penjaga penitipan helm. N N N F. maka ruang sample S dapat dituliskan: S = {F. Sebaliknya. Misalkan M adalah variable random yang menyatakan kesesuaian dengan pemiliknya.. maka M dapat ditabelkan pada Tabel 3. .. Ruang sample SJB SBJ JSB JBS BSJ BJS m 3 1 1 0 0 1 Table 3. .2: Pencocokan helm Dua contoh diatas menyatakan ruang sample yang berhingga. } dimana simbol F menyatakan 5. Definisi: Jika sebuah ruang sample berisi sejumlah hingga kemungkinan atau barisan tak hingga sebanyak dari elemennya disebut dengan ruang sample diskrit.2. VARIABLE RANDOM DAN DISTRIBUSI PELUANG Ruang sample RR RB BR BB y 2 1 1 0 Table 3.

Jika sekolah akan membeli 2 buah tentukan distribusi peluang komputer tersebut defektif. P (X = x) = f (x) Contoh: Pengiriman 8 buah komputer serupa ke penjual berisi 3 defektif. f (x) ≥ 0 2. DISTRIBUSI PELUANG DISKRIT m P (M = m) 0 1 3 21 1 1 2 3 1 6 Table 3. Misalkan contoh dari sebelumnya (penjaga helm) nilai yang menyatakan peluang dituliskan pada Tabel 3. f (x) disebut dengan fungsi peluang.3. f (x). Definisi: Kumpulan pasangan terurut (x. Untuk kemudahan biasanya untuk menyatakan semua nilai peluang dari variable random X dengan sebuah rumus/ fungsi. . g(x).2. atau fungsi massa peluang dari variable random diskrit X. kumpulan pasangan terurut (x. r(x) dan seterusnya.3: Distribusi peluang 3.2 Distribusi Peluang Diskrit Setiap variable random diskrit mempunyai nilai yang menyatakan peluang dari variabel tersebut. x f (x) = 1 3. Jawab: Misalkan X menyatakan variable random yang bernilai x jumlah yang rusak/defektif. f (x) disebut dengan fungsi peluang atau distribusi peluang dari variable random X. jika setiap kejadian x dipenuhi: 1.3. Misalkan f (x) = P (X = x).

VARIABLE RANDOM DAN DISTRIBUSI PELUANG f (0) = P (X = 0) = f (1) = P (X = 1) = f (2) = P (X = 2) = 3 0 3 1 3 2 8 2 8 2 8 2 5 2 5 1 5 0 = = = 10 28 15 28 3 28 Sehingga distribusi peluang X adalah: x f (x) 0 10/26 1 15/28 2 3/28 Table 3.4) = P (M ≤ 2.4) = f (0) + f (1) = Distribusi peluang dari M adalah:   0  1  F (m) =    1 3 5 6 5 1 1 + = 3 2 6 untuk m < 0 untuk 0 ≤ m < 1 untuk 1 ≤ m < 3 untuk m ≥ 3 .4: Tabel distribusi Definisi: Distribusi kumulatif F (x) dari variable random diskrit X dengan distribusi peluang f (x) adalah: F (x) = P (X ≤ x) = t≤x f (t) untuk − ∞ < x < ∞ Contoh: Dari contoh penjaga helm dapat dihitung: F (2.22 maka BAB 3.

f (x) ≥ 0. oleh karena itu distribusi peluang tidak dapat dituliskan dalam bentuk tabel.3. 3. Jika X kontinu maka : P (a < X ≤ b) = P (a < X < b) + P (X = b) = P (a < X < b) Dan dihitung sbb: P (a < X < b) = a b f (x)dx Definisi: Fungsi f (x) adalah fungsi densitas peluang untuk variable random kontinu X. jika: 1.1: Distribusi kumulatif diskrit 3.3. ∀ x ∈ ∞ 2.3 Distribusi Peluang Kontinu Variable random kontinu ada peluang yang bernilai nol. P (a < X < b) = b a f (x)dx Contoh: Kesalahan pengukuran temperatur dinyatakan dengan variable random X dengan fungsi densitas yang didefinisikan sbb:   x2 −1 < x < 2 f (x) =  3 0 untuk x yang lain . didefinisikan pada bilangan real . DISTRIBUSI PELUANG KONTINU F(x) 1 5/6 23 2/6 x 0 1 2 3 Figure 3. −∞ f (x)dx = 1.

VARIABLE RANDOM DAN DISTRIBUSI PELUANG f(x) x a b Figure 3. Hitunglah P (0 < X ≤ 1) Jawab: ∞ 2 a). P (0 < X ≤ 1) = x2 1 dx = 3 9 Definisi: Distribusi kumulatif F (x) dari variable random kontinu X dengan fdp f (x) adalah: x F (x) = P (X ≤ x) = −∞ f (t)dt untuk − ∞ < x < ∞. b).24 BAB 3.2: P (a < X < b) a). −∞ f (x)dx = −1 8 1 x2 = + =1 3 9 9 1 0 b). Periksa syarat 2 dari difinisi diatas. Akibat dari definisi diatas dapat dituliskan: P (a < x < b) = F (b) − F (a) dan f (x) = dF (x) dx Contoh: Dari fdp soal sebelumnya tentukan F (x) kemudian gunakan untuk menghitung P (0 < X ≤ 1) .

4 2.125 0.0-4.7 Frekuensi 2 1 4 15 10 5 3 Frek.5-1.7 3.4. Dari tabel tersebut dapat diplot dalam histogram seperti Gambar 3.7 2.4.5: Distribusi frekuensi relatif dari umur battery .5-4. maka direpresentasikan dengan distribusi empirik.025 0.250 0.0-2.075 Table 3.9 2. Frekuensi relatif dapat digambarkan/diplot dalam bentuk histogram.7 4.375 0.5-2. misalkan informasi tidak cukup.0-3.4 3. Jika data tidak dapat dikarakteristikan ke dalam kedua bentuk tersebut.100 0.2 3.4 4.9 3.5-3.9 4.3.9 ttk tengah 1. Distribusi empirik mengelompokkan data ke dalam suatu interval. Misalkan diberikan sekolompok data yang sudah dihitung frekuensi dan frekuensi relatifnya seperti Tabel 3. Interval 1.5. dimana frekuensi data dalam setiap interval dapat digunakan untuk menentukan frekuensi relatifnya. DISTRIBUSI EMPIRIK Jawab: Untuk −1 < x < 2 x x 25 F (x) = −∞ f (t)dt = −∞ t2 x3 + 1 dt = 3 9 Sehingga:   0   3 x +1 F (x) =  9   1 x ≤ −1 −1 ≤ x < 2 x≥2 Untuk menghitung P (0 < X ≤ 1): P (0 < X ≤ 1) = F (1) − F (0) = 1 2 1 − = 9 9 9 3.2 4. relatif 0.4 Distribusi Empirik Pasal sebelumnya membahas tentang distrisbusi diskrit dan kontinu.050 0.2 2.

y) ≥ 0 untuk semua (x. maka distribusi peluang untuk kejadian simultan dapat direpresentasikan dengan fungsi f (x.7 2. y) adalah distribusi peluang gabungan atau fungsi masa peluang dari variabel random diskrit X dan Y jika: 1.375 0. y) 2.2 2.5 Distribusi Peluang Gabungan Jika X dan Y dua variabel random diskrit.2 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG frekuensi relatif 0.7 umur battery Figure 3. y). Y = y) Definition: Fungsi f (x. y) = P (X = x.125 0 1. y) untuk setiap pasangan (x.26 BAB 3.7 3. Fungsi ini disebut dengan distribusi peluang gabungan dari variabel random X dan Y .f (x. y) ∈ A] = A f (x.250 0. Jika X menyatakan jumlah warna biru . Y = y) = f (x. x y f (x. y) = 1 3.2 4. Contoh: Dua isi ulang dari ballpoint diambil dari box yang berisi 3 warna biru. y) Untuk daerah sebarang A dalam bidang xy. y). Untuk kasus diskrit dituliskan: f (x.P (X = x. 2 warna merah dan 3 warna hijau. P [(x.7 4.3: Histogram frekuensi relatif 3.

0). (2.5. fungsi peluang gabungan f (x. P [(X. y) adalah (0. y = 0. y) = 3 x 2 y 3 2−x−y 8 2 Untuk x = 0. 8 Jumlah semua kemungkinan pengambilan adalah = 28. (0. (0. tentukan: a). Dalam bentuk 2 tabel dapat dituliskan: f(x.3. 1. Y ) ∈ A] = P (X + Y ≤ 1) = f (0. 0) + f (0. Nilai pasangan yang mungkin dari (x. 2. 1) + f (1. y)|x + y ≤ 1} Jawab: a). 1). 0 ≤ x + y ≤ 2 b). P [(X. 2).y) y=0 y=1 y=2 total kolom x=0 3 28 3 14 1 28 5 14 x=1 9 28 3 14 15 28 x=2 3 28 total baris 15 28 3 7 1 28 3 28 1 Table 3. DISTRIBUSI PELUANG GABUNGAN 27 dan Y menyatakan jumlah warna warna merah.6: Distribusi peluang gabungan Dituliskan dalam bentuk rumus adalah: f (x. (1. 0). 1. 1). y) dan b). (1. 0). 0) 3 3 9 = + + 28 14 28 9 = 14 . 2. Y ) ∈ A] dimana A adalah daerah {(x.

VARIABLE RANDOM DAN DISTRIBUSI PELUANG Definisi: Fungsi f (x. y)|0 < x < 1 . y) ∞ ∞ 2. Y ) ∈ A] = P (0 < x < . A adalah daerah {(x. y) adalah fungsi densitas gabungan dari variabel random kontinu X dan Y jika: 1.f (x. y) dan h(y) = x f (x. y)dxdy = 1 f (x. y) .28 BAB 3. Tentukan P [(X. y) =  5 0 untuk x yang lain a). Periksa kondisi 2). y)dxdy A 3. 1 1 1 P [(X. ∞ −∞ ∞ 1 1 0 f (x. 4 < y < 1 } 2 2 Jawab: a). 0 ≤ x ≤ 1. y) ≥ 0 untuk semua (x. y)dxdy = −∞ 0 2 (2x + 3y)dxdy 5 2 3 = + =1 5 5 b). Y ) ∈ A]. dari definisi diatas 1 b). < y < ) 2 4 2 1 1 2 2 2 = (2x + 3y)dxdy 1 0 5 4 13 = 160 Definisi: Distribusi marginal dari X dan Y adalah: g(x) = y f (x. Y ) ∈ A] = untuk sebarang daerah A dalam bidang xy Contoh: Diberikan fungsi densitas gabungan dari variabel random kontinu X dan Y sbb:   2 (2x + 3y). −∞ −∞ f (x.P [(X. 0 ≤ y ≤ 1 f (x.

y)dy = 0 2 4x + 3 (2x + 3y)dy = 5 5 untuk 0 ≤ x ≤ 1 dan g(x) = 0 untuk x yang lain. 2) y=0 = 3 3 +0+0= 28 28 Dalam bentuk tabel sebagai berikut: x 0 1 2 g(x) 5/14 15/28 3/28 Contoh: Tentukan g(x) dan h(y) dari contoh sebelumnya. . y)dx = 0 2 2(1 + 3y) (2x + 3y)dx = 5 5 untuk 0 ≤ y ≤ 1 dan h(y) = 0 untuk y yang lain. 0) + f (0. 2) y=0 = P (X = 2) = g(2) = 3 15 9 + +0= 28 14 28 2 f (2. ∞ 1 g(x) = −∞ f (x. DISTRIBUSI PELUANG GABUNGAN untuk kasus diskrit.3.6. 1) + f (1. ∞ 1 h(y) = −∞ f (x. Contoh: Dari Tabel 3. y) = f (0. 1) + f (2. y) = f (2. y)dy dan h(y) = −∞ f (x. 0) + f (1. Dengan cara yang sama. y)dx untuk kasus kontinu. y) = f (1. 0) + f (2. dan ∞ ∞ 29 g(x) = −∞ f (x. 1) + f (0. tentukan distribusi marginal dari X dan Y Jawab: Untuk variabel random X dapat dihitung sbb: (satunya sebagai latihan) 2 P (X = 0) = g(0) = y=0 f (0.5. 2) 3 3 1 5 + + = 28 14 28 14 2 = P (X = 1) = g(1) = f (1.

y) = 4  0 f (x. 1) 7 = f (x. 1) = 3 2 7 f (2|1) = f (2. g(x) > 0 g(x) f (x. 0 ≤ x ≤ 2. diberikan Y = y adalah: f (x|y) = Contoh: Dari contoh sebelumnya. y) . dimana y = 1. 1) = 0 3 Dalam bentuk tabel: x 0 1 2 f (x|1) 1/2 1/2 0 Contoh: Diberikan fungsi densitas gabungan:   x(1 + 3y 2 ) . f (x.30 BAB 3. diberikan X = x adalah: f (y|x) = f (x. Jawab: Akan dihitung f (x|y). 1) = 3 3 3 + +0= 14 14 7 Kemudian dihitung: f (x|1) = Sehingga diperoleh: 7 1 f (0|1) = f (0. 1) = 3 2 1 7 f (1|1) = f (1. tentukan distribusi bersyarat dari X diberikan Y = 1. h(y) > 0 h(y) Distribusi bersyarat dari variabel random X. 1. 2 h(1) = x=0 f (x. diskrit atau kontinu. Distribusi bersyarat dari variabel random Y . 1). h(1) 3 x = 0. VARIABLE RANDOM DAN DISTRIBUSI PELUANG Definisi: Misalkan X dan Y dua variabel random. y) . 0 ≤ y ≤ 1 untuk x yang lain . 2.

y)dy = 0 x(1 + 3y 2 ) x dy = . kemudian hitung P ( 1 < X < 1 |Y = 1 ) 4 2 3 Jawab: Dari definisi: ∞ 1 31 g(x) = −∞ f (x. h(y). y)dx = 0 1 + 3y 2 x(1 + 3y 2 ) dx = . 0≤y≤1 4 2 f (x.5. y) x = h(y) 2 1 2 1 4 Kemudian dihitung: f (x|y) = dan 1 1 1 P ( < X < |Y = ) = 4 2 3 x dx = 3/64 2 . 0 ≤ x ≤ 2 4 2 Dengan cara yang sama: ∞ 2 h(y) = −∞ f (x. DISTRIBUSI PELUANG GABUNGAN Tentukan g(x).3. f (x|y).

32 BAB 3. VARIABLE RANDOM DAN DISTRIBUSI PELUANG .

misalkan X adalah jumlah muka yang muncul. Maka rata-rata muncul muka dari setiap pelemparan adalah: (0)(4) + (1)(7) + (2)(5) = 1.Bab 4 Ekspektasi Matematika 4. maka peluang dari P (X = 0) = 1 . dan muncul 2 muka sebanyak 5 kali. muncul 1 muka sebanyak 7 kali.1 Rataan dari Variabel Random Jika dua buah mata uang dilempar sebanyak 16 kali.1. maka X dapat bernilai 0. Kalau mata uang tersebut rata (fair ) antara muka dan belakang. dan P (X = 2) = 1 . P (X = 1) = 1 . sehingga 4 2 4 rataan dari X adalah: µ = E(X) = (0) 1 1 1 + (1) + (2) 4 2 4 Artinya jika seseorang melempar dua mata uang terus-menerus maka ratarata akan mendapatkan 1 muka pada setiap pelemparan 33 .dan 2.06 16 Nilai tersebut adalah nilai rataan tidak harus nilai yang terjadi dari suatu eksperimen. Misalkan eksperimen tadi menghasilkan dengan frekuensi sbb: tanpa muka sebanyak 4 kali.

1. 2. dan µ = E(X) = ∞ xf (x)dx −∞ jika X kontinu. Rataan atau nilai ekspektasi dari X adalah: µ = E(X) = x xf (x) jika X diskrit. Jika diambil tiga dari produk tersebut tentukan rataan dari jumlah produk yang baik. dimana terdiri dari 4 komponen baik dan 3 komponen rusak. EKSPEKTASI MATEMATIKA Definisi: Jika X adalah variabel random dengan distribusi peluang f (x). x = 0.34 BAB 4. 3 7 3 f (x) = µ = E(X) =(0)f (0) + (1)f (1) + (2)f (2) + (3)f (3) =(0) 1 35 + (1) 12 35 + (2) 18 35 + (3) 4 35 = 12 7 Contoh: MisalkanX adalah variabel random dengan distribusi peluang:   20000 . Contoh: Suatu produk terdiri dari 7 komponen diambil sebagai sample. Jawab: Distribusi peluang dari X adalah: 4 x 3 3−x . x > 100 3 f (x) =  x 0 untuk x yang lain Hitunglah rataan dari X Jawab: ∞ µ = E(X) = 100 x 20000 dx = 200 x3 .

Tentukan rataan yang diperoleh dari pencucian mobil tersebut.67 . Contoh: g(x)f (x)dx −∞ Misalkan frekuensi mobil yang masuk pencucian mobil X adalah sbb: x P (X = x) 4 1 12 5 1 12 6 1 4 7 1 4 8 1 6 9 1 6 Misalkan g(X) = 2X − 1 merepresentasikan uang hasil dari pencucian mobil tersebut. Rataan atau nilai ekspektasi dari variabel random g(x) adalah: µg(X) = E[g(X)] = jika X diskrit. RATAAN DARI VARIABEL RANDOM 35 Teorema: Misalkan X variabel random dengan distribusi peluang f (x).4. Jawab: E[g(X)] = E(2X − 1) 9 = x=4 (2x − 1)f (x) 1 12 + (9) 1 12 + (11) 1 4 + (13) 1 4 + (15) 1 6 + (17) 1 6 = (7) = 12. dan ∞ g(x)f (x) µg(X) = E[g(X)] = jika X kontinu.1.

36

BAB 4. EKSPEKTASI MATEMATIKA

Definisi:
Misalkan X dan Y adalah variabel random dengan fungsi densitas gabungan f(x,y). Rataan atau ekspektasi dari dari variabel random g(x, y) adalah: µg(X,Y ) = E[g(X, Y )] =
x y

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

jika X dan Y diskrit, dan
∞ ∞

µg(X,Y ) = E[g(X, Y )] = jika X dan Y kontinu. Contoh: Hitunglah E Y X

g(x, y)f (x, y)dxdy
−∞ −∞

dengan fungsi densitas sbb: 0 ≤ x ≤ 2, 0 ≤ y ≤ 1 untuk x yang lain

  x(1 + 3y 2 ) , f (x, y) = 4  0 Jawab: E Y X
1 2 0

=
0

y(1 + 3y 2 ) 5 dxdy = 4 8

Jika g(X, Y ) = X diperoleh:  untuk kasus diskrit   x y xf (x, y) = x xg(x)   E(X) = ∞  ∞ ∞   xf (x, y)dxdy = xg(x)dx untuk kasus kontinu 
−∞ −∞ −∞

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

4.2. VARIANSI DAN KOVARIANSI dimana h(y) adalah distribusi marginal dari Y .

37

4.2

Variansi dan Kovariansi

Definisi:
Misalkan X adalah variabel random dengan distribusi peluang f (x) dan rataan µ. Variansi dari X adalah: σ 2 = E[(X − µ)2 ] =
x

(x − µ)2 f (x)

jika X diskrit, dan

σ 2 = E[(X − µ)2 ] =
−∞

(x − µ)2 f (x)dx

jika X kontinu. Akar kuadrat dari variansi disebut dengan standar deviasi/simpangan baku dari X. Contoh: Diberikan distribusi peluang sbb: x f (x) Hitunglah variansi dari X Jawab: µ = E(X) = (1)(0.3) + (2)(0.4) + (3)(0.3) = 2.0
3

1 0.3

2 0.4

3 0.3

σ2 =
x=1

(x − 2)2 f (x) = (1 − 2)2 (0.3) + (2 − 2)2 (0.4) + (3 − 2)2 (0.3) = 0.6

Teorema:
Variansi dari variabel random X adalah σ 2 = E(X 2 ) − µ2

38

BAB 4. EKSPEKTASI MATEMATIKA

Contoh: Diberikan distribusi diskrit dari variabel random X sbb: x f (x) Hitunglah variansi dari X Jawab: µ = (0)(0.51) + (1)(0.38) + (2)(0.10) + (3)(0.01) = 0.61 E(X 2 ) = (0)(0.51) + (1)(0.38) + (4)(0.10) + (9)(0.01) = 0.87 σ 2 = 0.87 − (0.61)2 = 0.4979 Contoh: Diberikan fdp dari X sbb:   2(x − 1), f (x) =  0 1<x<2 untuk x yang lain 0 0.51 1 0.38 2 0.10 3 0.01

Hitunglah rataan dan variansi dari X Jawab:
2

µ = E(X) = 2
1

x(x − 1)dx =

5 3

E(X 2 ) = 2
1

2

x2 (x − 1)dx =

17 6

Sehingga: σ2 = 17 − 6 5 2
2

=

1 18

2. dan ∞ 2 σg(X) = E[(g(X) − µg(X) ) ] = −∞ 2 [g(X) − µg(X) ]2 f (x)dx jika X kontinu. Variansi dari variabel random g(X) adalah: 2 σg(X) = E[(g(X) − µg(X) )2 ] = x [g(X) − µg(X) ]2 f (x) jika X diskrit. VARIANSI DAN KOVARIANSI 39 Teorema: Misalkan X adalah variabel random dengan densitas f (x). Contoh: Hitunglah variansi dari g(X) = 2X + 3. dimana X adalah variabel random dengan distribusi peluang x f(x) Jawab: 0 1/4 1 1/8 2 1/2 3 1/8 3 µ2X+3 = E(2X + 3) = x=0 (2x + 3)f (x) = 6 menggunakan teorema diatas diperoleh: 2 σ2X+3 = E{[(2X + 3) − µ2X+3 ]2 } = E{[2X + 3 − 6]2 } 3 = E(4X 2 − 12X + 9) = x=0 (4X 2 − 12X + 9)f (x) = 4 .4.

y). EKSPEKTASI MATEMATIKA Definisi: Misalkan X dan Y adalah variabel random dengan distribusi peluang gabungan f (x. Jawab: .40 BAB 4. Kovariansi antara dua variabel random menunjukkan asosiasi antara dua variabel tersebut. jika kedua variabel tersebut bergerak kearah yang sama maka hasil kali (X − µX )(Y − µY ) bernilai positif. maka hasil kali tersebut akan bernilai negatif. dan ∞ ∞ σXY = E[(X − µX )(Y − µY )] = −∞ −∞ (x − µX )(y − µY )f (x. y) jika X dan Y diskrit. jika dua diambil secara random dari box mempunyai distribusi sbb: f(x. jika bergerak kearah berlawanan (X membesar dan Y mengecil). y)dxdy jika X dan Y kontinu. Kovariansi dari X dan Y adalah: σXY = E[(X − µX )(Y − µY )] = x y (x − µX )(y − µY )f (x.y) y=0 y=1 y=2 g(x) x=0 2/28 3/14 1/28 5/14 x=1 9/28 3/14 5/18 x=2 3/28 h(y) 15/28 3/7 1/28 1 3/28 Hitunglah kovariansi dari X dan Y . Teorema: Kovariansi dua variabel random X dan Y dengan rataan µX dan µY adalah: σXY = E(XY ) − µX µY Contoh: Jumlah ballpoint warna biru X dan jumlah ballpoint warna merah Y .

y) = x=0 yh(y) + (2) 1 28 = 1 2 = (0) 15 28 + (1) 3 7 Sehingga diperoleh: σXY = E(XY ) − µX µY = 3 − 14 3 4 1 9 =− 2 56 Contoh: Pelari pria X dan pelari wanita Y mempunyai distribusi peluang gabungan:  0 ≤ x ≤ 1. y) = x=0 xg(x) + (2) 3 28 = 3 4 5 = (0) 14 15 + (1) 28 2 2 2 µY = E(Y ) = x=0 y=0 yf (x. f (x. h(y) =  0 untuk y yang lain Dari fungsi densitas marginal diatas diperoleh: 1 µX = E(X) = 4x4 dx = 0 4 µY = E(Y ) 5 1 0 4y 2 (1 − y 2 )dy = 8 15 .2. VARIANSI DAN KOVARIANSI 41 2 2 2 µX = E(X) = x=0 y=0 xf (x. g(x) =  0 untuk x yang lain  0≤y≤1  4y(1 − y 2 ). y) =  0 untuk x dan y yang lain Hitunglah kovariansi X dan Y Jawab: Distribusi marginal dari X dan Y adalah:  0≤x≤1  4x3 .4. 0 ≤ y ≤ x  8xy.

3 Rataan dan Variansi dari Kombinasi linier Variabel random Teorema: Jika a dan b adalah konstanta. x xf (x) bila Teorema: Nilai rataan dari jumlah atau selisih dua fungsi variabel random adalah jumlah atau selisih dari nilai rataan dari fungsi tersebut. EKSPEKTASI MATEMATIKA 1 1 E(XY ) = 0 y 8x2 y 2 dxdy = 4 9 8 15 4 225 σXY = E(XY ) − µX µY = 4 − 9 4 5 = 4. dimana X mempunyai fungsi densitas:   2(x − 1). maka E(aX + b) = aE(X) + b Contoh: Dengan menggunakan teorema tersebut. f (x) =  0 1<x<2 untuk x yang lain . hitunglah g(X) = 2X − 1 Jawab: E(2X − 1) = 2E(X) − 1 Kemudian E(X) dihitung dengan rumus sebelumnya E(X) = x diskrit.42 BAB 4. E[g(X) ± h(X)] = E[g(X)] ± E[h(X)] Contoh: Permintaan minuman dalam liter per minggu dinyatakan dalam fungsi variabel random g(X) = X 2 + X − 2.

Y )] Teorema: Misalkan X dan Y adalah dua variabel random yang saling bebas. Y ) ± h(X. RATAAN DAN VARIANSI DARI KOMBINASI LINIER VARIABEL RANDOM43 Tentukan nilai rataan dari permintaan minuman tersebut: Jawab: E(X 2 + X − 2) = E(X 2 ) + E(X) − E(2) = 5 17 5 + −2= 6 3 2 Teorema: Nilai rataan dari jumlah atau selisih dua fungsi variabel random X dan Y adalah jumlah atau selisih dari nilai rataan fungsi tersebut: E[g(X. maka E(X. Y )] = E[g(X.4. y). Y )] ± E[h(X. Y ) = E(X)E(Y ) Teorema: Jika a dan b adalah konstanta maka 2 2 σaX+b = a2 σX = a2 σ 2 Teorema: Jika X dan Y adalah variabel random dengan distribusi peluang gabungan f (x. maka 2 2 2 σaX+bY = a2 σX + b2 σY + 2abσXY Akibat: Jika X dan Y variabel random saling bebas. maka 2 2 2 σaX±bY = a2 σX + b2 σY Contoh: 2 2 Jika X dan Y adalah variabel random dengan variansi σX = 2 σY = 4 .3.

atau P (µ − kσ < X < µ + kσ) ≥ 1 − 1 k2 Bukti: σ 2 = E[(X − µ)2 ] ∞ = −∞ (x − µ)2 f (x)dx µ−kσ µ+kσ 2 ∞ 2 = −∞ (x − µ) f (x)dx + µ−kσ ∞ µ−kσ (x − µ) f (x)dx + µ+kσ (x − µ)2 f (x)dx ≥ −∞ (x − µ)2 f (x)dx + µ+kσ (x − µ)2 f (x)dx Sekarang karena |x − µ| ≥ kσ.44 BAB 4. Sehingga kedua suku terakhir dapat dituliskan: µ−kσ ∞ 2 2 σ ≥ −∞ 2 k σ f (x)dx + µ+kσ ∞ k 2 σ 2 f (x)dx atau µ−kσ f (x)dx + −∞ µ+kσ f (x)dx ≤ 1 k2 . hitunglah variansi dari variabel random Z = 3X − 4Y + 8 Jawab: 2 2 σZ = σ3X−4Y +8 2 = σ3X−4Y 2 2 = 9σX + 16σY − 24σXY = 130 Teorema Chebyshev: Probabilitas dari sebarang variabel random X dalam selang k simpangan baku dari rataan sekurang-kurangnya 1 − 1/k 2 . maka berlaku (x − µ)2 ≥ k 2 σ 2 . EKSPEKTASI MATEMATIKA dan kovariansi σXY = −2.

P (−4 < x < 20) b).4. P (−4 < X < 20) = P [8 − (4)(3) < X < 8 + (4)(2)] ≥ 16 b). P (|x − 8| ≥ 6) = 1 − P (|X − 8| < 6) = 1 − P (−6 < X − 8 < 6) = 1 − P [8 − (2)(3) < X < 8 + (2)(3)] ≤ 1 4 .3. Tentukan: a). P (|x − 8|) ≥ 6) Jawab: 15 a). RATAAN DAN VARIANSI DARI KOMBINASI LINIER VARIABEL RANDOM45 Sehingga diperoleh: µ+kσ P (µ − kσ < X < µ + kσ) = µ−kσ f (x)dx ≥ 1 − 1 k2 Contoh: Variabel random X mempunyai rataan µ = 8 dan variansi σ 2 = 9 dan distribusi peluang tidak diketahui.

46 BAB 4. EKSPEKTASI MATEMATIKA .

k) = 1 . 4.Bab 5 Beberapa Distribusi Peluang Diskrit 5. maka distribusi uniform diskrit didefinisikan: f (x.. xk dengan peluang yang sama.. x2 . 6} terjadi dengan peluang yang sama 1/6. 3. .. sehingga kita mempunyai distribusi uniform: 1 f (x. 2. Distribusi Uniform Diskrit Jika variabel random X mempunyai nilai x1 .1 Distribusi Uniform Diskrit Distribusi Uniform diskrit adalah distribusi peluang diskrit yang paling sederhana. 5. 5. x2 .. . maka setiap elemen dari ruang sampelnya S = {1. 6 6 Dapat digambarkan sbb: 47 . 6) = . 2. 4.. dimana peluang dari setiap nilai variabel randomnya adalah sama. x = x1 . 3.. xk k Contoh: Jika sebuah dadu dilempar. x = 1.

1: Histogram dari pelemparan dadu Teorema: Rataan dan variansi dari distribusi uniform diskrit f (x. + (6 − 3. . k) adalah: k µ= i=1 xi dan σ 2 = k i=1 (xi − µ)2 k k Contoh: Hitunglah rataan dan variansi dari contoh sebelumnya: µ= 1+2+3+4+5+6 = 3..2 Distribusi Binomial dan Multinomial Sebuah eksperimen sering terdiri dari percobaan yang dilakukan secara berulang. Proses demikian disebut dengan proses Bernoulli..5)2 + (2 − 3. dimana masing-masing kejadian terdiri dari sukses atau gagal.6) 1/6 1 2 3 4 5 6 Figure 5.5)2 + . BEBERAPA DISTRIBUSI PELUANG DISKRIT f(x. dimana masing-masing percobaan/pengujian bersifat independen (tidak bergantung pada percobaan sebelumnya). Contoh aplikasi adalah pengujian suatu produk untuk menentukan berapa jumlah yang rusak dari n pengujian.5 6 σ2 = (1 − 3.48 BAB 5.5)2 35 = 6 12 5.

2.5. misalkan: 1 9 P (X = 2) = f (2) = b(2. n.2.1. Peluang dari sukses adalah p. Percobaan berulang tersebut bersifat independen Misalkan kumpulan dari percobaan Bernoulli dimana 3 item dipilih secara random dari proses manufaktur. Distribusi peluang dari variabel random diskrit ini disebut dengan distribusi binomial. dan nilainya dinotasikan dengan b(x. ) = 4 64 .3 seperti pada tabel berikut: Kejadian NNN NDN NND DNN NDD DND DDN DDD x 0 1 1 1 2 2 2 3 Karena item dipilih secara independen dari proses yang mempunyai peluang 25% defektif (D). Setiap hasil percobaan dapat diklasifikasikan sukses atau gagal 49 3. p). Eksperimen terdiri dari n ppercobaan yang berulang 2. maka P (N DN ) = P (N )P (D)P (N ) = 3 4 1 4 3 4 = 9 64 Distribusi peluang dari X secara lengkap adalah: x f (x) 0 27 64 1 27 64 2 9 64 3 1 64 Jumlah sukses X dari n percobaan Bernoulli disebut dengan variabel random binomial. DISTRIBUSI BINOMIAL DAN MULTINOMIAL Proses Bernoulli Proses Bernoulli mempunyai sifat-sifat sebagai berikut: 1. Nilai yang mungkin dari X adalah 0. Misalkan X adalah variabel random yang menyatakan jumlah baik (tidak rusak). diperiksa kemudian diklasifikasikan baik (N) dan rusak (D). 3. yang bersifat tetap setiap kali percobaan 4.

9662 = 0.9050 − 0. Maka distribusi peluang dari variabel random binomial X.4032 − 0. Jika 15 orang terjangkit penyakit ini..4) = x=0 b(x.4) = 1 − 0.P (X = 5) = b(5.. 15. BEBERAPA DISTRIBUSI PELUANG DISKRIT Distribusi Binomial Sebuah percobaan Bernoulli dapat menghasilkan sukses dengan peluang p dan gagal dengan peluang q = 1 − p. Jawab: Misalkan X adalah jumlah orang yang sembuh.1859 . c).P (X ≥ 10) = 1 − P (X < 10) = 1 − x=0 b(x.0338 8 (b). 1. jumlah sukses dari n percobaan yang independen adalah: b(x. dari 3 sampai dengan 8 bisa sembuh.8779 5 4 (c).4) = 0. tentukan peluang: a). n. 15. 0. 2.4. 15. 15. 0.0271 = 0.4) 2 = x=0 b(x. b). 9 (a). sekurang-kurang nya 10 orang bisa sembuh. 0.4) − x=0 b(x.50 BAB 5.2173 = 0. 15.4) − x=0 b(x. 0. 0. 0.. 15. x x = 0. tepat 5 orang bisa sembuh.P (3 ≤ X ≤ 8) = x=3 8 b(x. n Contoh: Peluang seorang pasien sembuh dari suatu penyakit adalah 0.4) = 0. 15. . 0. p) = n x n−x p q .

p3 = . .... E3 masing-masing adalah p1 = 2/9.. p) adalah: µ = np dan σ 2 = npq Eksperimen Multinomial Eksperimen dapat dikembangkan menjadi multinomial bila... maka distribusi peluang dari variabel random X1 .. xk 1 2 k = n! x1 !.. x2 !. n... E2 . Misalkan pengambilah kartu dengan pengembalian adalah percobaan multinomial. xk Distribusi Multinomial Jika suatu percobaan dapat menghasilkan k kejadian E1 . .. . pk . DISTRIBUSI BINOMIAL DAN MULTINOMIAL 51 Teorema: Rataan dan variansi dari distribusi binomial b(x. Dari rumus binomial dapat dikembangkan menjadi: n x1 .. . .. p2 . n) = dimana n px1 px2 . angka yang sama sekali... X2 .... xk ! k xi = n dan i=1 i=1 pi = 1 Contoh: Sepasang dadu dilempar sebanyak 6 kali... p2 . yang mewakili nilai dari kejadian E1 . dan kombinasi sisanya sebanyak 3 kali. x2 . E2 ..5. tiap percobaan menghasilkan lebih dari dua kejadian. Xk . jadi tidak hanya sukses dan gagal. xk .pxk k x1 . x2 . pk .2. Ek dengan peluang p1 . . E2 . . . Jawab: Misalkan: E1 : terjadi jumlah 7 atau 11 E2 : terjadi angka yang sama E3 : bukan dari dua tersebut (kombinasi sisanya) Peluang dari E1 . tentukan peluang memperoleh jumlah 7 atau 11 sebanyak dua kali.. p1 .. . x2 . Ek dalam n percobaan yang independen adalah: f (x1 . p2 = 1/6.......

x3 = 3. 1.. 3. 2. . 3 9 6 18 2 1 113 6! 2 = 0.1127 = .3 Distribusi Hypergeometric Distribusi hypergeometric mempunyai sifat-sifat sebagai berikut: 1. 2. Jumlah sukses X dari eksperimen hypergeometric disebut variabel random hypergeometric. . . n N n h(x. k) Distribusi Hypergeometric Distribusi peluang dari variabel random hypergeometric X. . diperoleh: 2 1 11 f (2. yaitu jumlah sukses dari sample random berukuran n dipilih dari N item dimana terdapat k jumlah sukses dan N − k jumlah gagal/rusak adalah: k x N −k n−x . 1. tiga diantaranya rusak. x = 0. . . BEBERAPA DISTRIBUSI PELUANG DISKRIT 11/18 (periksa sendiri!). Dengan distribusi multinomial dengan x1 = 2. Jika diambil sampel berukuran 5. .. k dari N item diklasifikasikan baik (sukses). n. Distribusi peluang dari variabel hypergeometric disebut dengan distribusi hypergeometric. 6) = 9 6 18 6 2 2 1 3 11 2. N..52 BAB 5. N. 2!1!3! 92 6 183 3 5. x2 = 1. n. dan nilainya dinotasikan dengan h(x. dan N-k diklasifikasikan rusak. tentukan peluang sample tersebut berisi 1 komponen yang rusak. 1. k) = Contoh: Sebanyak 40 komponen. Sebanyak random diambil sebanyak n dari tanpa dikembalikan dari N item.

maka distribusi peluang dari variabel random X1 ... Tentukan peluang sebuah sampel random dari 5 orang dengan 1 orang bergolongan darah O. Ak dalam sample random yang berukuran n adalah: a1 x1 a2 ak .. . . n. dan 2 orang bergolongan darah B. xk x2 N n f (x1 .3011 40 5 Teorema: Rataan dan variansi dari distribusi hypergeometric h(x.. N = 40... . A2 .. a2 .. .. A2 . X2 . 2 orang bergolongan darah A. xk .. 40.n. a1 . k = 3 dan x = 1 diperoleh: 3 37 1 4 h(1. ak elemen. 3) = = 0... N. ak .. a2 . k) adalah: µ= nk N dan σ2 = N −n k ... Kelompok ini terdiri dari 3 orang bergolongan dari O. 5.3. dan 3 orang bergolongan darah B.. .. DISTRIBUSI HYPERGEOMETRIC Jawab: 53 Dengan distribusi hypergeometric dengan n = 5. Xk yang mewakili jumlah elemen yang diterpilih dari A1 .. 4 orang bergolongan A. N. Ak yang berisi masingmasing a1 .5.. .. N −1 N 1− k N Distribusi Hypergeometric Multivariate Jika N item dapat dipartisi ke dalam k sel A1 . x2 . n) = dimana k i=1 xi = n dan k i=1 ai = N Contoh: Kelompok yang terdiri dari 10 orang digunakan untuk belajar biologi. .

Misalkan jumlah panggilan telepon dalam 1 jam yang diterima oleh resepsionis.. λt) = . yang mewakili jumlah kejadian yang terjadi dalam selang waktu atau daerah yang diberikan dinotasikan dengan t adalah: eλt (λt)x p(x. 2.. x! dimana λ adalah rata-rata jumlah kejadian yang terjadi per satuan waktu atau daerah. Dengan kata lain proses Poisson tidak mempunyai memori. • Peluang suatu kejadian yang terjadi dalam selang waktu yang sangat pendek atau daerah yang sangat kecil tidak tergantung dari kejadian yang terjadi diluar selang atau daerah tersebut.54 Jawab: BAB 5.. 10. dan e = 2. 3. . jumlah kejadian selama selang waktu yang diberikan. 5) = = 3 14 5. • Peluang dari kejadian yang terjadi lebih dari satu dalam selang waktu yang pendek dapat diabaikan. 2.71828. Eksperimen Poisson diturunkan dari proses Poisson dan mempunyai sifat-sifat berikut: Sifat-sifat proses Poisson • Jumlah kejadian yang terjadi dalam satu selang waktu atau daerah yang diberikan adalah independen dari kejadian yang terjadi di selang atau daerah yang lain. dsb. 1. BEBERAPA DISTRIBUSI PELUANG DISKRIT Dengan distribusi hypergeometric multivariate dapat dihitung: 3 1 4 2 10 5 3 2 f (1. 3. 4. . 2.4 Distribusi Poisson dan Proses Poisson Eksperimen yang menghasilkan nilai numerik dari variabel random X. disebut dengan eksperimen Poisson.. Distribusi Poisson Distribusi peluang dari variabel random Poisson X. x = 0.

4.5. Tentukan peluang 6 partikel akan lewat dalam selang waktu 1 msec. 4) − x=0 x=0 p(x. DISTRIBUSI POISSON DAN PROSES POISSON Contoh: 55 Dalam eksperimen laboratorium. rata-rata jumlah partikel radioaktif yang lewat counter adalah 4 tiap msec. Bila n → ∞.7851 = 0.1042 Teorema: Rataan dan variansi dari distribusi Poisson p(x. n. p).8893 − 0. Jawab: Menggunakan distribusi Poisson dengan x = 6 dan λt = 4. p) → p(x. 4) = 0. µ) . dan µ = np tetap konstan: b(x. p → 0. kemudian menggunakan tabel distribusi Poisson: p(6. n. λt) adalah sama yaitu λt Distribusi Poisson sebagai bentuk limit dari Binomial Teorema: Misalkan X adalah variabel random binomial dengan distribusi peluang b(x. 4) = e−4 46 = 6! 6 5 p(x.

BEBERAPA DISTRIBUSI PELUANG DISKRIT .56 BAB 5.

57 . B) = 1 . Misalkan X adalah variabel random yang menyatakan waktu rapat. Tentukan peluang suatu rapat berlangsung 3 jam atau lebih. A≤x≤B B−A = 0 untuk x yang lain Contoh: Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih dari 4 jam. Tentukan fungsi densitas peluang dari X b. A.B] adalah f (x. yang mempunyai distribusi uniform.1 Distribusi Uniform Kontinu Distribusi Uniform kontinu adalah distribusi peluang kontinu yang paling sederhana.Bab 6 Beberapa Distribusi Peluang Kontinu 6. a. Distribusi Uniform Kontinu Fungsi densitas dari variabel random uniform kontinu X pada selang [A.

Menurut rumus diatas fungsi densitas peluang dari X adalah 1 f (x) = . σ x µ Figure 6. BEBERAPA DISTRIBUSI PELUANG KONTINU a. Kurva dari distribusi normal mempunyai bentuk yang simetri. 0 ≤ x ≤ 4 4 = 0 untuk x yang lain 4 b. seperti pada gambar 6.58 Jawab: BAB 6.1: Kurva Normal . P r[X ≥ 3] = 3 1 4 dx = 1 4 Teorema: Rataan dan variansi dari distribusi uniform kontinu adalah: µ= (B − A)2 A+B dan σ 2 = 2 12 6.2 Distribusi Normal Distribusi normal adalah distribusi yang paling penting diantara distribusi yang lain.2.

6. 0... dengan rataan µ dan variansi σ 2 adalah 1 2 n(x. dan e = 2. DISTRIBUSI NORMAL Distribusi Normal 59 Fungsi densitas dari variabel random normal X. Sifat-sifat kurva Normal 1. Modus. dapat dihitung: x2 1 2 P (x1 < X < x2 ) = √ e−(1/2)[(x−µ)/σ] dx 2πσ x1 z2 1 2 e−(z /2) dz =√ 2π z1 z2 = z1 n(z. 4.14159.71828.. Luas daerah dibawah kurva adalah 1 Daerah dibawah kurva Normal Untuk menghitung luas daerah dibawah kurva. yaitu x = µ. 2. 5. −∞ < x < ∞ 2πσ dimana π = 3. Kurva berbentuk simetri terhadap sumbu tegak pada x = µ 3. Kurva mendekati sumbu datar secara asimtotik ke dua arah (kiri/kanan) berawal dari µ. µ. σ) = √ e−(1/2)[(x−µ)/σ] .2. Kurva mempunyai titik balik pada x = µ ± σ. adalah suatu titik yang terletak pada sumbu x dimana kurva mempunyai nilai maksimum. . 1)dz = P (z1 < Z < z2 ) Definisi: Distribusi variabel random normal dengan rataan 0 dan variansi 1 disebut dengan distribusi normal standard.. dapat dilakukan transformasi berikut: X −µ Z= σ Dengan transformasi diatas.

luas sebelah kiri z=1.5764 Contoh: Sebuah mesin pembuat resistor dapat memproduksi resistor dengan ukuran rata-rata 40 ohm dengan standard deviasi 2 ohm.0. tentukan peluang resistor mempunyai ukuran lebih dari 43 ohm.8051 .5) = 0. 62 − 50 45 − 50 = −0. hitungalah peluang x terletak antara 45 dan 62.7807 Contoh: Diberikan distribusi normal dengan µ = 50 dan σ = 10.84 (dilihat dari tabel). jadi Luas sebelah kanan = 1. Luas sebelah kanan = 1 .3085 = 0.2 10 10 . sebelah kanan z=1. antara z=-1.8849 − 0.0329 b).5 < Z < 1. Dari tabel luas sebelah kiri = 0.2) − P (Z < −0.0244 = 0. Luas daerah antar batas tersebut adalah luas batas kanan dikurangi dengan luas dari batas kiri.60 Contoh: BAB 6.9671 = 0.5 dan z2 = = 1.86 Jawab: a). Misalkan ukuran tersebut mempunyai distribusi normal.97 dan z=0.9671. BEBERAPA DISTRIBUSI PELUANG KONTINU Diberikan distribusi normal standard.84 b).0. Jawab: Nilai z yang bersesuain dengan x tersebut adalah: z1 = Sehingga: P (45 < X < 62) = P (−0.2) = P (Z < 1. hitunglah daerah dibawah kurva yang dibatasi: a). sehingga diperoleh 0.

maka bentuk limit dari distribusi dari : X − np Z= √ npq bilamana n → ∞ adalah distribusi normal standard n(z. 80. 0.3. ada 4 jawaban dan hanya satu yang benar. ) 4 . Jika X menyatakan variabel random dari jawab yang benar. distribusi Poisson digunakan untuk aproksimasi peluang Binomial ketika n membesar dan p sangat dekat ke 0 atau 1.9332 = 0. 1) Contoh: Dalam soal ujian ada 200 pertanyaan multiple choice.5) = 1 − 0.6. Teorema: Jika X adalah variabel random binomial dengan rataan µ = np dan variansi σ 2 = npq. Kedua distribusi tersebut adalah diskrit. Dalam seksi ini distribusi kontinu Normal digunakan untuk aproksimasi Binomial bilamana n cukup besar dan p tidak harus dekat ke nilai 0 atau 1. maka 30 P (25 ≤ X ≤ 30) = x=25 1 b(x. Berapakan peluang menebak dan benar sebanyak 25 sampai 30 dari 80 jawaban yang benar.0668 43 − 40 = 1.5) = 1 − P (Z < 1.3 Aproksimasi Normal untuk Binomial Dari seksi sebelumnya.5 2 61 6. APROKSIMASI NORMAL UNTUK BINOMIAL Jawab: Lakukan transformasi terlebih dulu: z= sehingga dapat dihitung: P (X > 43) = P (Z > 1. Jawab: Peluang jawab yang benar adalah p = 1/4.

) 4 P (1.16 dan z2 = = 2.5 − 20 30.5 − 20 = 1.873 Sehingga dapat dihitung: 30 P (25 ≤ X ≤ 30) = x=25 1 b(x. Nilai variabel-z yang bersesuaian adalah: z1 = 24.71) − P (X < 1.16 < Z < 2.8770 = 0.71) = P (X < 2.873 3. BEBERAPA DISTRIBUSI PELUANG KONTINU Menggunakan aproksimasi kurva normal dengan 1 µ = np = (80)( ) = 20 4 dan σ= √ npq = 1 3 (180)( )( ) = 3.4 Distribusi Gamma dan Exponential Definisi: Fungsi gamma didefinisikan sbb: ∞ Γ(α) = 0 xα−1 e−x dx untuk α > 0 Dengan cara rekursif diperoleh: Γ(α) = (α − 1)Γ(α − 1) dari definisi diperoleh: ∞ Γ(1) = 0 e−x dx = 1 .5 dan x2 = 30. 80.62 BAB 6.16) = 0.1196 6.5.9966 − 0.873 4 4 Dengan aproksimasi normal.71 3. perlu ditentukan batas-batasnya yaitu x1 = 24.

5 α=2. DISTRIBUSI GAMMA DAN EXPONENTIAL Distribusi Gamma 63 Variabel random kontinu X mempunyai distribusi gamma.4.6. x≥0 f (x) = β α Γ(α)  0 untuk x yang lain dimana α > 0 dan β > 0.β=1 x 0 1 2 3 4 5 6 7 Figure 6.β=1 0. dengan parameter α dan β. .β=1 α=4.4.0 α=1. Beberapa distribusi gamma ditunjukkan pada 6. jika fdp-nya diberikan:  1  xα−1 e−x/β .2: Distribusi gamma Distribusi Exponential Variabel random kontinu X mempunyai distribusi exponential. x≥0 f (x) = β  0 untuk x yang lain dimana β > 0. jika fdp-nya diberikan:   1 e−x/β . dengan parameter β. f(x) 1.

Misalkan X adalah variabel random yang menyatakan panjang selang waktu dimana event pertama terjadi. Dalam aplikasi dapat merepresentasikan waktu ratarata antara kerusakan/kegagalan (mis. suatu komponen/mesin/peralatan). Misalkan distribusi Poisson dengan parameter λ. BEBERAPA DISTRIBUSI PELUANG KONTINU Teorema: Rataan dan variansi dari distribusi gamma adalah µ = αβ dan σ 2 = αβ 2 Akibat: Rataan dan variansi dari distribusi exponential adalah µ = β dan σ 2 = β 2 Hubungan dengan Poisson proses Hubungan distribusi eksponensial dengan Poisson cukup sederhana. dimana sama dengan 1/λ. peluang tidak ada event sampai selang waktu t adalah: e−λt (λt)0 = e−λt p(0. β adalah rataan antara dua event yang berturutan. P (X ≥ x) = e−λx Fungsi distribusi kumulatif dari X diberikan: P (0 ≤ X ≤ x) = 1 − e−λx Dengan mengambil turunan dari fungsi diatas diperoleh fungsi densitas: f (x) = λe−λx . dimana λ adalah rata-rata jumlah event dalam satu satuan waktu. Rataan dari distribusi exponential adalah β.4. λt) = 0! Peluang panjang selang waktu event pertama terjadi sampai melewati x sama dengan peluang tidak ada event Poisson sampai selang waktu x. yang mana merupakan fdp dari distribusi eksponensial dengan λ = 1/β 6. sehingga dituliskan e−λx .1 Aplikasi dari distribusi Exponential dan Gamma Yang perlu diperhatikan adalah parameter λ dan β.64 BAB 6. . Dengan distribusi Poisson.

dengan mengambil α = ν/2 dan β = 2.7373 = 0.96 6.2 Misalkan X adalah jumlah komponen yang masih berfungsi hingga akhir tahun ke 8.2) = 1 − 0. DISTRIBUSI GAMMA DAN EXPONENTIAL Contoh: 65 Suatu sistem terdiri tipe komponen tertentu yang mempunyai umur sampai rusak dalam tahun dinyatakan dalam T . 5. Misalkan X adalah selang waktu dimana sebelum 2 panggilan telpon datang. Jawab: Proses Poisson dapat diterapkan dengan menunggu sampai 2 event Poisson terjadi mempunyai distribusi Gamma dengan β = 1/5 dan α = 2. 0. 5. dimana ν bilangan bulat positif. Variabel random T dapat dimodelkan dengan distribusi eksponensial waktu sampai kerusakan β = 5. Peluang dapat dihitung sbb: x P (X ≤ x) = 0 1 1 −x/β xe dx β2 P (X ≤ 1) = 25 0 xe−5x dx = [1 − e−5(1) (1 + 5)] = 0. . jawab: Peluang komponen masih berfungsi hingga akhir tahun ke 8 adalah: P (T > 8) = 1 5 ∞ 8 e−t/5 dt = e−8/5 0.4.4.2627 Contoh: Suatu panggilan telepon datang pada papan switching mengikuti proses Poisson dengan rata-rata 5 panggilan datang tiap menit. 0.2 Distribusi Chi-Squared Kasus yang lain dari distribusi Gamma adalah Chi-Squared. Tentuka peluang hingga 1 menit terjadi 2 panggilan yang datang. tentukan peluang sekurang-kurangnya 2 komponen masih berfungsi sampai akhir tahun ke 8.6. maka dengan distribusi binomial: 5 1 P (X ≥ 2) = x=2 b(x.2) = 1 − x=0 b(x. Jika terdapat 5 buah komponen dipasang pada sistem.

dengan derajat kebebasan ν. jika variabel random Y = ln(X) mempunyai dsitribusi normal dengan rataan µ dan simpangan baku σ. BEBERAPA DISTRIBUSI PELUANG KONTINU Distribusi Chi-Squared Variabel random kontinu X mempunyai distribusi chi-squared. Akibat: Rataan dan variansi dari distribusi chi-squared adalah µ = ν dan σ 2 = 2ν 6. x>0 f (x) = 2ν/2 Γ(ν/2)  0 untuk x yang lain dimana ν bilangan bulat positif.66 BAB 6.5 Distribusi Lognormal Distribusi Lognormal Variabel random kontinu X mempunyai distribusi lognormal. jika fdp-nya diberikan:  1  xν/2−1 e−x/2 .(eσ − 1) 2 2 . Fdp diberikan:  1  2 2 √ e−[ln(x)−µ] /(2σ ) . x≥0 f (x) =  2πσx 0 x<0 Akibat: Rataan dan variansi dari distribusi lognormal adalah E(X) = eµ+σ 2 /2 dan V ar(X) = e2µ+σ .

0.6 Distribusi Weibull Distribusi Weibull Variabel random kontinu X mempunyai distribusi Weibull. β x>0 untuk x yang lain Akibat: Rataan dan variansi dari distribusi Weibull adalah 1 β 2 β 1 β 2 µ = α−1/β Γ 1 + dan σ 2 = α−2/β Γ 1+ − Γ 1+ .6. DISTRIBUSI WEIBULL 67 6. jika fdp-nya diberikan: f (x) = dimana α > 0 dan β > 0. dengan parameter α dan β.6. αβxβ−1 e−αx .

68 BAB 6. BEBERAPA DISTRIBUSI PELUANG KONTINU .

X2 .1 Sampling Random Definisi: Sebuah populasi terdiri dari keseluruhan pengamatan yang menjadi perhatian kita..Bab 7 Distribusi Sampling Dasar 7... . X2 .. Xn adalah n variabel random yang saling bebas.. xn ) = f (x1 )f (x2 ). Xn sebagai sample random berukuran n dari populasi f (x) dan dituliskan distribusi peluang gabungan-nya sebagai berikut: f (x1 .2 Beberapa Statistik yang Penting Definisi: Sebarang fungsi dari variabel random yang menunjukkan sample random disebut dengan statistik.. 69 . masingmasing mempunyai distribusi peluang f (x)...f (xn ) 7. . .. Definisi: Misalkan X1 .. Definisi: Sebuah sample adalah himpunan bagian dari populasi.. x2 . Kemudian kita definisikan X1 .

X2 . X2 . dimana X(n) dan X(1) adalah nilai maksimum dan minimum dari sample.. Xn didefinisikan dengan statistik X(n) − X(1) .3 Distribusi Sampling Definisi: Distribusi peluang dari statistik disebut dengan distribusi sampling. X2 . Definisi: Jika X1 ... DISTRIBUSI SAMPLING DASAR Definisi: Jika X1 . diurutkan sesuai besar nilainya... .. . Xn menunjukkan sample random berukuran n. .. jika n ganjil  X  (n+1)/2 ∼ X=  Xn/2 + X(n/2)+1  jika n genap 2 Definisi: Jangkauan dari sample random X1 . Xn menunjukkan sample random berukuran n. Xn menunjukkan sample random berukuran n.. maka nilai-tengah (median) dari sample didefinisikan dengan statistik:  ... X2 .. maka rataan dari sample didefinisikan dengan statistik: n X= i=1 Xi n Definisi: Jika X1 . .70 BAB 7. .. maka variansi sample didefinisikan dengan statistik: n S2 = i=1 (Xi − X)2 n−1 7.

. i = 1.5 10 Sehingga diperoleh: P (X < 775) = P (Z < −2. + Xn n mempunyai distribusi normal dengan rataan: X= µX = dan variansi: 2 σX = µ + µ + .4.5) = 0. n dari sample random akan mempunyai distribusi normal juga. 2... Hitunglah peluang dari sample random dari 16 bola lampu yang mempunyai umur kurang dari 775 jam. DISTRIBUSI SAMPLING DARI RATAAN 71 7. + µ =µ n σ 2 + σ 2 + . 1).7.. adalah distribusi normal standard n(z. Sehingga: X1 + X2 + . Jawab: Distribusi √ sampling X akan berbentuk normal juga dengan µX = 800 dan σX = 40/ 16 Dengan mengubah menjadi normal standard dari x = 775 diperoleh: 775 − 800 z= = −2..4 Distribusi sampling dari Rataan Distribusi sampling yang penting adalah distribusi sampling rataan X. Contoh: Pabrik bola lampu dimana lampu yang dihasilkan mempunyai umur yang berdistribusi normal dengan rataan 800 jam dengan simpangan baku 40 jam.... Misalkan sample random dari n pengamatan diambil dari distribusi normal dengan rataan µ dan variansi σ 2 . . Masing-masing pengamatan Xi . maka bentuk limit dari distribusi dari X −µ √ Z= σ/ n bila n → ∞. + σ 2 σ2 = n2 n Teorema: Teorema Limit Pusat Jika X adalah rataan dari sample random berukuran n yang diambil dari populasi dengan rataan µ dan variansi σ 2 . 0.0062 .

maka distribusi sampling dari beda dua rataan. Jawab: Dari distribusi sampling X A − X B . secara aproksimasi berdistribusi normal dengan rataan dan variansi diberikan: µX1 −X2 = µ1 − µ2 dan σX1 −X2 = sehingga Z= (X1 − X2 ) − (µ1 − µ2 ) 2 2 (σ1 /n1 ) + (σ2 /n2 ) 2 2 σ2 σ1 + 2 n1 n2 adalah variabel normal standard secara aproksimasi. Simpangan baku populasi antara dua type adalah sama. tentukan P (X A − X B > 1. X1 − X2 . Asumsi rata-rata waktu kering antara dua type cata adalah sama.0. DISTRIBUSI SAMPLING DASAR Distribusi Sampling dari beda antara dua Rata-rata Teorema: Jika sample yang saling bebas berukuran n1 dan n2 diambil secara random dari populasi (diskrit atau kontinu). Waktu kering antara dua type tersebut dicatat. A dan B. Contoh: Dua buah eksperimen dilakukan dimana dua pengecatan dibandingkan.72 BAB 7. diketahui bahwa distribusinya normal dengan rataan: µX A −X B = µA − µB = 0 dan variansi adalah: σX A −X B = 2 σA σ2 1 1 1 + B = + = nA nB 18 18 9 Variabel random Z yang bersesuaian dengan X A − X B = 1.9987 = 0. 0).0013 .0 1/3 P r(z > 3.0 adalah: Z= 1 − (µA − µB ) 1/9 = 1−0 = 3. yaitu 1. dengan rataan µ1 dan µ2 dan variansi σ1 dan σ2 .0) = 1 − 0.0) = 1 − P r(z < 3. 18 belas contoh akan di-cat dengan dua type cat. dimana X A dan X B adalah rata-rata waktu kering dari sample yang berukuran nA = nB = 18.

k. Teori ini sangat mendukung dalam penggunaan distribusi t.484 dan 11.0 3. 4terletak antara 0. Jika lima battery mempunyai umur 1. Asumsi umur battery mempunyai distribusi normal. 7.5 dan 4. Karena tingkat kepercayaan 95% dari distribusi ini dengan d. Apakah pabrik tersebut masih yakin bahwa klaimnya dapat dipercaya. dengan asumsi simpangan baku diketahui.6 Distribusi t Dalam seksi sebelumnya dibahas tentang kegunaan dari teorema limit pusat.2 tahun.5.26) − (15)2 = 0.143 maka dengan simpangan baku 1 tahun masih dapat diterima.5 Distribusi Sampling dari S 2 Teorema: Jika S 2 adalah variansi dari sample random yang berukuran n diambil dari populasi normal dengan variansi σ 2 . Jawab: Pertama dihitung variansi sample: s2 = Kemudian hitung: χ2 = (4)(0.9 2.4 3. Sehingga . Dalam realitas hal ini mungkin tidak layak. maka statistik: (n − 1)S 2 = χ = σ2 2 n i=1 (Xi − X)2 σ2 mempunyai distribusi chi-squared dengan derajat kebebasan ν = n − 1.26 1 (5)(48.815) = 3. Contoh: Suatu pabrik battery menjamin produknya mempunyai umur 3 tahun dengan simpangan baku 1 tahun.815 (4)(5) Adalah nilai distribusi chi-squared dengan derajat kebebasan 4. sehingga sebagai pengganti cukup simpangan baku dari sampel S. DISTRIBUSI SAMPLING DARI S 2 73 7.7.

. DISTRIBUSI SAMPLING DASAR statistik yang sesuai dan berkaitan dengan rataan populasi µ adalah: T = Atau dapat dituliskan: T = dimana: X −µ √ S/ n Z V /(n − 1) √ (X − µ)/(σ/ n) S 2 /σ 2 Z= = X −µ √ σ/ n mempunyai distribusi normal standard. Jika Z dan V saling bebas make distribusi T . X3 adalah variabel random saling bebas semua berdistribusi normal dengan rataan µ dan simpangan baku σ. Akibat: Jika X1 . X −µ √ berdistribusi t dengan ν = n − 1 derajat S/ n . Disebut dengan distribusi-t dengan ν derajat kebebasan. Dan n X= i=1 Xi dan s2 = n n i=1 (Xi − X)2 . dan V = (n − 1)S 2 σ2 mempunyai distribusi chi-squared dengan derajat kebebasan ν = n − 1 Teorema: Misalkan Z adalah distribusi normal standard dan V berdistribusi chi-squred dengan dk ν.74 BAB 7.. dimana didefinisikan T = dan fdpnya adalah h(t) = Γ[(ν + 1)/2)] √ Γ(ν/2) πν 1+ t2 ν −(ν+1)/2 Z V /ν .. X2 . n−1 Maka variabel random T = kebebasan. . −∞ < t < ∞.

05 dan sebelah kiri −t0.025. maka luas diantaranya adalah: 1 − 0.025 disebelah kiri.05 ) Jawab Karena luas sebelah kanan t0.975 = −t0. DISTRIBUSI T 75 Kurva dari distribusi t mempunyai sifat simetri seperti distribusi normal.925 .05 adalah 0.025 = 0.k.025 adalah 0.025 < T < t0. α t =−t 1−α α 0 t α α Figure 7.05 − 0.1: Sifat simetri dari distribusi t Contoh Nilai t dengan d.6.025 = −2.7.975 sebelah kanan nilai tersebut adalah: t0. atau 0. 14 yang mempunyai luas 0.145 Contoh Tentukan P (−t0.

k. n1 − 1 2 dan n2 − 1.76 BAB 7. 10) = = = 0.95 (6. ν2 ) untuk fα dengan d.k. 6) 4. 6 dan 10 yang mempunyai luas sebelah kanan nilai tsb 0. Maka distribusi dari variabel random F = V /ν2  f ν1 /2−1  Γ[(ν1 + ν2 )/2](ν1 /ν2 )ν1 /2 . Dari teorema sebelumnya dengan mengambil X1 = U dan 2 = V diperoleh teorema sbb: X2 . Bentuk kurva distribusi F tergantung dari derajat kebebasan ν1 dan ν2 . ν2 ) = 1 fα (ν2 . x > 100 h(f ) = Γ(ν1 /2)Γ(ν2 /2) (1 + ν1 f /ν2 )(ν1 +ν2 )/2  0 x yang lain Disebut dengan distribusi-F dengan dk ν1 dan ν2 .246 f0. diperoleh: f1−α (ν1 .05 (10. ν1 dan ν2 mempunyai hubungan sbb: Teorema: Dengan menuliskan fα (ν1 .7 Distribusi F Definisi: Misalkan U dan V adalah saling bebas berdistribusi chi-squred dengan dk ν1 dan U/ν1 diberikan : ν2 . ν1 ) Contoh: Nilai-f dengan d.k.06 Misalkan sampel random berukuran n1 dan n2 diambil dari dua populasi 2 2 normal dengan variansi σ1 dan σ2 . ν1 dan ν2 .k. Luas sebelah kanan nilai fα untuk d.95 adalah: 1 1 f0. Dari teorema sebelumnya ditunjukkan: 2 X1 = 2 2 (n1 − 1)S1 (n2 − 1)S2 2 dan X2 = 2 2 σ1 σ2 adalah variabel random dengan distribusi chi-squared dengan d. DISTRIBUSI SAMPLING DASAR 7.

n1 − 1 dan n2 − 1.7. DISTRIBUSI F 77 Teorema: 2 2 Jika S1 dan S2 adalah variansi dari variabel random yang saling bebas dan 2 2 berukuran n1 dan n2 diambil dari populasi normal dengan variansi σ1 dan σ2 . .7.k. maka S 2 /σ 2 σ2 S 2 F = 1 1 = 2 1 2 /σ 2 2 2 S2 2 σ1 S2 mempunyai distribusi F dengan d.

78 BAB 7. DISTRIBUSI SAMPLING DASAR .

Sebuah nilai penaksir tidak diharapkan dapat menaksir paremeter populasi tanpa kesalahan. Kita menginginkan distribusi sampling Θ mempunyai rataan sama dengan parameter yang ditaksir. 79 .1 Penaksiran dengan Metoda Klasik Sebuah nilai taksiran dari parameter populasi θ adalah sebuah nilai tunggal ˆ ˆ θ dari statistik Θ. Bagian statistik yang mempelajari tentang masalah ini disebut dengan Statistik inferensi. Contoh lain p = x/n adalah nilai taksiran dari proporsi sebenarnya ˆ p dari eksperimen binomial. 8. Statistik inferensi secara garis besar dibagi menjadi dua: estimasi/penaksiran dan uji hipotesis (dipelajari di Bab 9). tetapi diharapkan tidak terlalu jauh dari parameter yang ditaksir.Bab 8 Estimasi Parameter Populasi Bab sebelumnya menekankan tentang distribusi dari sampel yang mencakup rataan dan simpangannya. Dalam bab ini akan dibahas tentang bagaimana membangun dasar-dasar yang memungkinkan seorang statistik mengambil kesimpulan tentang parameter statistik dari data eksperimen. Suatu contoh. ˆ ˆ Misalkan Θ adalah penaksir dengan nilai taksiran θ dari parameter popˆ ulasi yang tidak diketahui µ. nilai x dari statistik X yang dihitung dari sebuah sampel yang berukuran n adalah nilai taksiran dari parameter populasi µ. misalkan tidak perlu X dapat menaksir µ secara tepat. Panaksir yang memiliki sifat seperti ini disebut dengan tak bias(unbiased ).

.. ESTIMASI PARAMETER POPULASI Definisi: ˆ Sebuah statistik Θ dikatakan penaksir tak bias dari parameter θ jika: ˆ µΘ = E(Θ) = θ ˆ Contoh: Tunjukkan bahwa S 2 adalah penaksir tak bias dari parameter σ 2 .. n dan σX = σ2 n Sehingga: E(S 2 ) = 1 n−1 nσ 2 − n σ2 n = σ2 .80 BAB 8. Jawab: Kita tuliskan: n n (Xi − X)2 = i=1 i=1 n [(Xi − µ) − (X − µ)]2 n = i=1 n (Xi − µ)2 − 2(X − µ) i=1 (Xi − µ) + n(X − µ)2 = i=1 (Xi − µ)2 − n(X − µ)2 Sekarang tentukan: E(S 2 ) = E n i=1 (Xi − X)2 1 = n−1 n−1 = 1 n−1 n E(Xi − µ)2 − nE(X − µ)2 i=1 n 2 2 σXi − nσX i=1 Tetapi: 2 2 σXi = σ 2 untuk i = 1. 2..

. penaksir yang tak bias adalah Θ1 dan Θ2 karena ˆ 1 dan Θ2 . Sehingga. ˆ ˆ Dari ketiga kurva tersebut. maka salah satu yang memiliki variansi terkecil dikatakan penaksir yang paling efisien dari θ.8. Gambar berikut menunjukkan distribusi sampling dari tiga penaksir θ. maka Θ1 ˆ ˆ mempunyai distribusi yang terpusat pada θ. pada situasi tertentu kita lebih suka untuk menentukan interval dimana nilai penaksir tersebut berada.1.1: Distribusi sampling dari penaksir θ yang berbeda Tetapi. Diantara Θ mempunyai variansi yang lebih keci. dimana θL dan θU bergantung pada nilai ˆ statistik Θ untuk sampel tertentu dan distribusi samplingnya. ˆ bahwa Θ Definisi: Jika kita mengumpulkan semua penaksir tak bias yang mungkin dari parameter θ. PENAKSIRAN DENGAN METODA KLASIK 81 Variansi Nilai Penaksir ˆ ˆ Jika Θ1 dan Θ2 adalah dua penaksir yang tak bias dari parameter populasi θ yang sama. dikatakan ˆ ˆ 1 2 ˆ 1 penaksir θ yang lebih efisien dari Θ2 . maka kita akan memilih penaksir dengan distribusi sampling yang memiliki variansi yang lebih kecil. Interval (selang) penaksiran Sebuah selang penaksiran dari parameter populasi θ adalah sebuah selang ˆ ˆ ˆ ˆ yang berbentuk θL < θ < θU . jika σΘ2 < σΘ2 . Interval ini disebut dengan interval penaksiran. Θ1 Θ3 Θ2 θ Figure 8.

Dari distribusi sampling Θ. Akan ditentukan selang taksiran dari µ. ESTIMASI PARAMETER POPULASI Karena sampel-sampel yang berbeda secara umum akan menghasilkan ˆ ˆ ˆ nilai yang berbeda dari Θ. Sesuai dengan teorema limit pusat. Sehingga rataan sampel x digunakan sebagai nilai taksiran dari rataan populasi µ. ˆ ˆ esuaian dengan variabel random Θ kita dapat menentukan suatu nilai α yang terletak antara 0 dan 1 demikian sehingga: ˆ ˆ P (ΘL < θ < ΘU ) = 1 − α ˆ ˆ Selang θL < θ < θU yang dihitung dari sampel yang diambil disebut dengan selang kepercayaan (1 − α)100% dan 1 − α disebut dengan tingkat kepercayaan.2: P (−zα/2 < Z < zα/2 ) = 1 − α Dari gambar tersebut dapat dilihat: P (−zα/2 < Z < zα/2 ) = 1 − α dimana: Z= X −µ √ σ/ n . diharapkan distribusi sampel X akan √ mendekati normal dengan rataan µX = µ dan simpangan baku σX = σ/ n. 8. atau jika tidak mempunyai ukuran sampel yang besar.2 Menaksir rataan dari Sampel tunggal Distribusi sampel dari X terpusat pada µ dan pada sebagian besar aplikasi mempunyai variansi yang lebih kecil dari penaksir-penaksir yang lain.82 BAB 8. atau θL dan θU . ditunjukkan pada kurva berikut: 1−α α/2 α/2 −Z α/2 0 Z α/2 Figure 8. maka nilai-nilai batas ini bersˆ L dan ΘU . Selanjutnya akan peluang Z yang terletak antara −zα/2 dan zα/2 . Misalkan sampel diambil dari populasi normal.

2. interval kepercayaan (1 − α)100% dari µ adalah: σ σ x − zα/2 √ < µ < x + zα/2 √ n n dimana zα/2 adalah nilai-z yang memberikan luas α/2 sebelah kanan nilai tersebut.3: Interval taksiran dari µ untuk sampel yang berbeda Contoh: Rataan konsentrasi zinc dari pengukuran di 36 lokasi diperoleh 2. seperti ditunjukkan pada gambar berikut: 8 7 6 sample 5 4 3 2 1 µ Figure 8. Sampel-sampel yang berbeda akan memberikan nilai x yang berbeda. σ diketahui Jika x adalah rataan dari sampel random dengan ukuran n dari sebuah populasi dan variansi σ 2 .6 gram per mililiter. . sehingga akan menghasilkan selang taksiran yang berbeda pula. MENAKSIR RATAAN DARI SAMPEL TUNGGAL Sehingga: P Atau dapat dituliskan: P σ σ X − zα/2 √ < µ < X + zα/2 √ n n =1−α −zα/2 < X −µ √ < zα/2 σ/ n =1−α 83 Interval kepercayaan dari µ.8. Hitunglah selang kepercayaan 95% dari rataan yang ditemukan.

96) Atau: 2.6.96) 0.3 √ 36 Teorema: Jika x digunakan untuk menaksir µ.6 − (1.025 sebelah kanan. atau 0.50 < µ < 2.975 sebelah kiri adalah z0.3.84 Jawab: BAB 8.96 (Table A.6 + (1.3 Jadi jumlah sample yang diperlukan adalah 139 . ESTIMASI PARAMETER POPULASI Nilai taksiran dari µ adalah x = 2.025 = 1.70 0.3). maka kita berada pada tingkat kepercayaan √ (1 − α)100% dengan kesalahan tidak lebih dari zα/2 σ/ n Teorema: Jika x digunakan untuk menaksir µ.3) 0.05 Jawab: Simpangan baku dari populasi adalah σ = 0.96)(0.3 √ 36 < µ < 2. Sehingga selang kepercayaan 95% adalah: 2. maka kita berada pada tingkat kepercayaan (1 − α)100% dengan kesalahan tidak lebih dari e bilamana ukuran sampel adalah n= zα/2 σ e 2 Contoh: Berapa jumlah sample yang diperlukan dari contoh sebelumnya agar kita punya tingkat kepercayaan 95% bahwa taksiran µ punya kesalahan kurang dari 0.05 2 = 138. dengan teorema diatas: n= (1. Nilai-z yang memberikan luas 0.

yang mempunyai luas disebelah kanan 1 − α/2 dan α/2. Untuk menentukan selang penaksiran dapat dituliskan (dapat dilihat pada gambar 8.3. maka kita memperoleh nilai statistik S 2 . Dengan mensubstitusikan X 2 . selang kepercayaan (1 − α)100% untuk µ adalah: s s x − tα/2 √ < µ < x + tα/2 √ n n dimana tα/2 adalah nilai-t dengan n − 1 derajat kebebasan yang memberikan luas α/2 sebelah kanan nilai tersebut. bila sampel diambil dari populasi normal. Interval penaksiran dapat ditentukan dengan statistik: X2 = (n − 1)S 2 σ2 Sesuai dengan teorema Bab sebelumnya. MENAKSIR VARIANSI DARI SAMPEL TUNGGAL 85 Interval kepercayaan dari µ.4: 2 2 P (χ2 1−α/2 < X < χα/2 ) = 1 − α 2 dimana χ2 1−α/2 dan χα/2 adalah nilai-nilai dari distribusi chi-squared dengan n-1 derajat kebebasan. Nilai yang dihitung ini akan digunakan sebagai nilai taksiran dari σ 2 . σ tidak diketahui Jika x dan s adalah rataan dan simpangan baku sampel random dari populasi normal dengan variansi σ 2 yang tidak diketahui. diperoleh: P χ2 1−α/2 < atau dapat dituliskan: P (n − 1)S 2 < χ2 α/2 = 1 − α σ2 (n − 1)S 2 (n − 1)S 2 < σ2 < χ2 χ2 α/2 1−α/2 =1−α . Dikatakan statistik S 2 adalah penaksir dari σ 2 .8.3 Menaksir Variansi dari Sampel tunggal Jika sebuah sampel berukuran n diambil dari populasi normal dengan variansi σ 2 . dan variansi sampel s2 dihitung. 8. statistik X 2 mempunyai distribusi chi-squared dengan derajat kebebasan n-1.

12) − (461.4: P (χ2 1−α/2 < X < χα/2 ) = 1 − α Interval kepercayaan untuk σ 2 Jika s2 adalah variansi dari sampel random berukuran n dari populasi normal.1.45.45.2. Hitunglah selang kepercayaan 95% dari variansinya. maka χ2 0.46.023 dan χ0.286 n(n − 1) (10)(9) Untuk memperoleh selang kepercayaan 95%.8.46.025 = 19.05. Contoh: Berat 10 paket biji rumput yang didistribusikan oleh perusahaan tertentu adalah: 46.46.4.47.45.9. .5 dengan ν = 9. 273.86 BAB 8. Jawab: Pertama dihitung: s2 = n n 2 i=1 xi − ( n xi )2 (10)(21. dengan meli2 hat tabel A. ESTIMASI PARAMETER POPULASI 1−α α/2 0 χ2 α/2 α/2 χ2 α/2 2 2 Figure 8. selang kepercayaan (1 − α)100% dari σ 2 adalah: (n − 1)S 2 (n − 1)S 2 < σ2 < 2 χα/2 χ2 1−α/2 dimana: dimana χ2 dan χ2 α/2 1−α/2 adalah nilai-nilai dari distribusi chi-squared dengan n-1 derajat kebebasan. yang mempunyai luas disebelah kanan α/2 dan 1 − α/2.46.8.975 = 2.700.2)2 i=1 = = 0.0.0. dipilih α = 0. asumsi distribusi normal.9.45.1.

v1 ) 2 s2 fα/2 (v1 .4. 3. dipilih α = 0.2 tahun.5. v2 ) adalah nilai-f dengan derajat kebebasan ν1 = n1 − 1 dan ν2 = n2 − 1 yang mempunyai luas sebelah kanan α/2. Asumsi distribusi umur battery adalah normal. maka interval kepercayaan (1−α)100% untuk σ1 /σ2 adalah σ2 s2 1 s2 1 < 1 < 1 fα/2 (v2 . 2.975 = 0.8.5 dengan ν = 4.4. Sehingga statistik S1 2 1 2 2 2 Interval kepercayaan untuk σ1 /σ2 Jika s2 dan s2 adalah variansi dari dua sampel saling bebas yang berukuran n1 1 2 2 2 dan n2 dari populasi normal. secara ratarata berumum 3 tahun dengan simpangan 1 tahun. v2 ) σ2 s2 2 2 dimana fα/2 (v1 . 3.025 = 11.286) < σ2 < 19.484.9.286) (9)(0. Jika lima battery mempunyai umur 1. MENAKSIR RASIO DUA VARIANSI DARI DUA SAMPEL Sehingga selang kepercayaan 95% adalah: (9)(0. Jawab: Hitung terlebih dahulu: s2 = n n 2 i=1 xi − ( n xi )2 (5)(48.135 < σ 2 < 0.700 atau: 0.0. 4. v1 ) yang mempunyai derajat kebebasan ν2 = n2 − 1 dan ν1 = n1 − 1. . tentukan selang kepercayaan 95% untuk σ 2 dan berilah pendapat apakah klaim perusahaan yang menyatakan σ 2 = 1 adalah valid.815 n(n − 1) (5)(4) Untuk mendapatkan selang kepercayaan 95%.143 dan χ0. serupa untuk fα/2 (v2 . Contoh: Sebuah perusahaan battery mobil mengklaim bahwa produknya.4 Menaksir rasio dua variansi dari dua sampel 2 2 Nilai taksiran rasio dari dua variansi populasi σ1 /σ2 adalah rasio s2 /s2 dari 1 2 2 /S 2 dikatakan penaksir dari σ 2 /σ 2 . variansi sampel. maka χ2 0.26) − (15)2 i=1 = = 0.953 87 8.05 dengan meli2 hat tabel A.023 2.

815) (4)(0.293 < σ 2 < 6. .88 BAB 8. ESTIMASI PARAMETER POPULASI Sehingga selang kepercayaan 95% adalah: (4)(0.815) < σ2 < 11. karena nilai 1 masih terletak pada selang tersebut.484 0.736 Kesimpulan klaim perusahaan bisa diterima.143 0.

maka vaksin baru dikatakan lebih baik. Dituliskan sebagai berikut: 1 H0 : p = . Jika x > 8 maka hipotesis H0 ditolak. dan sebaliknya jika x ≤ 8 hipotesis H0 diterima. maka diambil sampel 20 orang dipilih secara random. H1 : p > 89 . Hipotesis alternatif menyatakan vaksin yang baru lebih baik dari vaksin yang sekarang. yang lebih kecil dari 8 disebut daerah penerimaan. Ada dua macam kesalahan yang akan terjadi. Kasus ini ekivalen dengan menguji hipotesis bahwa parameter binomial dengan peluang sukses adalah p = 1/4 terhadap hipotesis alternatif p > 1/4. Akan diuji hipotesis nol yang menyatakan vaksin baru sama efektifnya dengan vaksin sekarang setelah melampaui 2 tahun. yang dibagi menjadi dua. menolak H0 yang ternyata benar dan menerima H0 yang ternyata salah. Nilai 8 disebut dengan nilai kritis. Kesalahan yang pertama disebut kesalahan tipe I dan kesalahan kedua disebut kesalahan tipe II.1 Ilustrasi Diketahui tipe vaksin tertentu efektif hanya 25% setelah 2 tahun digunakan. Semua nilai yang lebih besar dari 8 disebut dengan daerah kritis. Jika lebih dari 8 orang yang menerima vaksin baru melewati 2 tahun masa uji dan ternyata tidak tertulari virus. lebih kecil dari 8 dan lebih besar dari 8. 4 1 4 Dari uji di atas X mempunyai nilai dari 0 sampai 20.Bab 9 Testing Hipotesis Statistik 9. Untuk mengetahui vaksin baru lebih baik.

20. dinotasikan dengan α. bila β dapat diperkecil maka α bertambah besar. 1 4 =1 − x=0 b x. Dari contoh diatas dihitung: 1 4 20 α =P (error tipe I) = P 8 X > 8.1: Situasi yang mungkin dari uji hipotesis Peluang yang menyangkut kesalahan tipe I disebut tingkat signifikan.2517 Idealnya. Dengan menambah ukuran sample. p = 2 8 β = P (error tipe II) = P = x=0 b x. semua uji dapat menghasilkan kesalahan yang kecil. TESTING HIPOTESIS STATISTIK 9. Dari contoh diatas dihitung dengan mengambil nilai p tertentu misalkan p = 1/2: 1 X ≤ 8. α . 20. α dan β.0409 Dikatakan Hipotesis nol diuji untuk p = 1/4 dengan tingkat signifikan α = 0. 1 2 = 0.0409 Peluang yang menyangkut kesalahan tipe II.9591 = 0. 20. Jika nilai krtis diubah.90 BAB 9. Untuk memperoleh hasil yang optimal maka nilai kritis dapat diubahubah atau ukuran sample ditambah. dinotasikan dengan β.2 Kesalahan Uji Definisi: Menolak hipotesis nol ketika benar disebut kesalahan tipe I Definisi: Menerima hipotesis nol ketika salah disebut kesalahan tipe II Menerima H0 Menolak H0 H0 benar keputusan benar kesalahan tipe I H0 salah kesalahan tipe II keputusan benar Table 9. 1 4 = 1 − 0. p = = x=9 b x.

9.2. KESALAHAN UJI dan β dapat diperkecil.

91

Untuk menentukan peluang kesalahan tipe I digunakan aproksimasi kurva normal dengan ukuran sample ditambah menjadi 100, nilai kritis baru 36. Selanjutnya dihitung: 1 √ µ = np = (100)( ) = 25 dan σ = npq = 4 1 3 (100)( )( ) = 4.33 4 4

Seperti digambarkan pada kurva Gambar 9.1, luas α dengan x = 36.5, berkorespondensi dengan: z= Dari table A-3 diperoleh: α =p(error tipe I) = P 1 P (Z > 2.66) 4 =1 − P (Z < 2.66) = 1 − 0.9961 = 0.0039 x > 36; p = 36.5 − 25 = 2.66 4.33

σ=4.33

α µ=25 36.5

Figure 9.1: Peluang kesalahan tipe I Jika H0 salah maka nilai benar untuk H1 adalah p = 1/2, maka kesalahan tipe II dapat dihitung: 1 √ µ = np = (100)( ) = 50 dan σ = npq = 2 1 1 (100)( )( ) = 5 2 2

Daerah penerimaan bila H1 benar, digambarkan pada kurva Gambar 9.2. Nilai z yang bersesuaian adalah: z= 36.5 − 50 = −2.7 5

92

BAB 9. TESTING HIPOTESIS STATISTIK

Sehingga peluang kesalahan tipe II adalah: β = p(error tipe II) = P X ≤ 36; p = 1 2 P (Z < −2.7) = 0.0035

σ=4.33 H0

H1

σ=5

x µ=25 36.5 µ=50

Figure 9.2: Peluang kesalahan tipe II Dari contoh tersebut dapat disimpulkan: 1. Kesalahan tipe I dan II saling berhubungan. Jika salah satu membesar yang lain mengecil. 2. Kesalahan tipe I dapat direduksi dengan mengatur nilai kritis 3. Menambah ukuran sample akan mengurangi kesalahan tipe I dan II 4. Jika hipotesis nol salah, nilai β akan maksimum jika nilai benar dekat dengan nilai hipotesis, dan sebaliknya akan semakin kecil.

9.3

Kekuatan Uji

Definisi:
Power/kekuatan dari Uji adalah peluang menolak hipotesis nol diberikan nilai alternatif tertentu benar

9.3. KEKUATAN UJI Contoh 1:

93

Proporsi mahasiswa di kota suatu kota ditaksir mempunyai peluang p=0.6. Untuk menguji hipotesis diambil sample sebanyak 15 orang, jika sample menunjukkan jumlah orang antara 6 sampai 12, maka hipotesis nol diterima bahwa p=0.6 selain itu ditolak, atau p = 0.6 a). Hitunglah α, asumsi p=0.6, gunakan distr. binomial b). Hitunglah β utk alternativ p = 0.5 dan p = 0.7 c). Apakah ini test yang baik. Contoh 2: Ulangi contoh diatas dengan sample 200 orang, daerah penerimaan antara 110 ≤ x ≤ 130. Gunakan aproksimasi normal. Solusi: a). 0.1498 b). 0.0793 0.0618

Perhitungan: x = 71. dan z = .94 BAB 9. Gunakan tingkat kepercayaan α = 0.645. σ = 8. atau θ = θ0 • Tentukan tingkat signifikan α • Tentukan uji statistik yang sesuai dan tentukan daerah kritis.9/ 100 6. 2.05. dengan simpangan baku 8. 5. 3. maka Nilai-P kecil dari tingkat signifikan yang diinginkan (α). Jawab: 1. dimana z = σ/ n 71. H0 : µ = 70 tahun H1 : µ > 70 tahun α = 0.05 x − µ0 √ . TESTING HIPOTESIS STATISTIK Ringkasan prosedur Uji Hipotesis • Tentukan hipotesis nol H0 : θ = θ0 • Pilih hipotesis alternatif H1 salah satu dari θ < θ0 . θ > θ0 . Jika berdasarkan Nilai-P. Jika keputusan didasarkan dengan Nilai-P maka tidak perlu ditentukan daerah kritis. Apakah hal ini menunjukkan bahwa umur orang Amerika rata-rata lebih dari 70 tahun. Keputusan: Tolak H0 .9 tahun.8 − 70 √ = 2. • Hitunglah nilah uji dari data sample • Keputusan: TOLAK H0 jika uji jatuh di daerah kritis. 4. Daerah kritis: z > 1.9 tahun.8 tahun. umur orang US rata-rata memang lebih dari 70 tahun.02 8. Contoh: Diambil 100 sample random umur orang di Amerika menunjukkan rata-rata 71.8 tahun.

You're Reading a Free Preview

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