Catatan Kuliah

MA4081
PENGANTAR PROSES STOKASTIK
“Orang Pintar Belajar Stokastik”
disusun oleh
Khreshna I.A. Syuhada, MSc. PhD.
Kelompok Keilmuan STATISTIKA - FMIPA
Institut Teknologi Bandung
2011
Daftar Isi
1 Peubah Acak dan Distribusi 1
1.1 ILUSTRASI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 RUANG SAMPEL dan PELUANG . . . . . . . . . . . . . . . . 4
1.3 PEUBAH ACAK dan FUNGSI DISTRIBUSI . . . . . . . . . . 5
1.4 DISTRIBUSI DISKRIT . . . . . . . . . . . . . . . . . . . . . . 8
1.5 DISTRIBUSI KONTINU . . . . . . . . . . . . . . . . . . . . . . 11
2 Peluang dan Ekspektasi Bersyarat 1
2.1 EKSPEKTASI . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2 FUNGSI PELUANG BERSAMA . . . . . . . . . . . . . . . . . 7
2.3 EKSPEKTASI BERSYARAT . . . . . . . . . . . . . . . . . . . 14
3 Rantai Markov 1
3.1 ILUSTRASI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.2 DEFINISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.3 PELUANG N-LANGKAH . . . . . . . . . . . . . . . . . . . . . 6
3.4 Program MATLAB dan R . . . . . . . . . . . . . . . . . . . . . 9
3.5 JENIS KEADAAN . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.6 LIMIT PELUANG TRANSISI . . . . . . . . . . . . . . . . . . . 17
4 Distribusi Eksponensial dan Proses Poisson 1
4.1 ILUSTRASI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
4.2 PEUBAH ACAK EKSPONENSIAL . . . . . . . . . . . . . . . . 1
i
BAB 1
Peubah Acak dan Distribusi
1.1 ILUSTRASI
(Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Pelu-
ang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan
G (bebas dari tembakan B) mengenai sasaran adalah 0.4. Pertanyaan yang
mungkin adalah...
1. Jika sebuah tembakan mengenai sasaran, berapa peluang bahwa itu tem-
bakan G?
2. Berapa peluang bahwa, jika sasaran tertembak, kedua tembakan menge-
nai sasaran?
3. Berapa peluang bahwa, jika sasaran tertembak, tembakan G mengenai
sasaran?
Misalkan B kejadian B menembak sasaran
Misalkan G kejadian G menembak sasaran
Misalkan T kejadian sebuah tembakan mengenai sasaran
Misalkan S kejadian sasaran tertembak
P(G|T) =
P(G∩ T)
P(T)
=
P(G∩ B
c
)
P(G∩ B
c
) + P(B ∩ G
c
)
=
(0.4)(0.3)
(0.4)(0.3) + (0.7)(0.6)
1
P(G∩ B|S) =
P(G∩ S) P(B ∩ S)
P(S)
=
P(G)P(B)
1 −P(G
c
∩ B
c
)
=
(0.4)(0.7)
1 −(0.6)(0.3)
P(G|S) =
P(G∩ S)
P(S)
=
P(G∩ S)
1 −P(G
c
∩ B
c
)
=
0.4
1 −(0.6)(0.3)
(Ilustrasi 2) Sebagai seorang sekretaris, Ega tahu bahwa sebuah surat akan
berada di salah satu dari tiga buah kotak surat yang ada. Misalkan p
i
adalah
peluang bahwa Ega akan menemukan surat setelah mengecek kotak surat j
dengan cepat jika ternyata surat tersebut berada di kotak surat j, j = 1, 2, 3.
Pertanyaan yang mungkin adalah...
1. Misalkan Ega mengecek kotak surat 1 tidak menemukan surat. Berapa
peluang hal itu akan terjadi?
2. Jika diketahui Ega mengecek kotak surat 1 tidak menemukan surat, be-
rapa peluang bahwa surat itu ada di kotak surat 1?
Misalkan K
j
, j = 1, 2, 3 adalah kejadian surat berada di kotak surat j. Mis-
alkan T kejadian mengecek kotak surat 1 tidak mendapatkan surat. Peluang
hal itu akan terjadi adalah
P(T) = P(T|K
1
)P(K
1
) + P(T|K
2
)P(K
2
) + P(T|K
3
)P(K
3
)
= (1 −p
1
)(1/3) + 1/3 + 1/3
Jika diketahui Ega mengecek kotak surat 1 dan tidak menemukan surat, maka
peluang bahwa surat itu ada di kotak surat 1 adalah
P(K
1
|T) =
P(T|K
1
)P(K
1
)
P(T|K
1
)P(K
1
) + P(T|K
2
)P(K
2
) + P(T|K
3
)P(K
3
)
=
(1 −p
1
)(1/3)
(1 −p
1
)(1/3) + 1/3 + 1/3
MA4081 Pros.Stok. 2 K. Syuhada, PhD.
(Ilustrasi 3) Kuliah Analisis Multivariat, Statistika Matematika, dan Proses
Stokastik di MA ITB diikuti oleh 50, 75 dan 100 mahasiswa. Dari jumlah terse-
but diketahui bahwa 50, 60 dan 70 persen-nya adalah mahasiswa Angkatan
2008. Seperti biasa, mahasiswa akan mungkin mengundurkan diri dari perku-
liahan tersebut, dengan kemungkinan yang sama. Seorang mahasiswa men-
gundurkan diri dan dia adalah mahasiswa Angkatan 2008. Berapa peluang
bahwa mahasiswa tersebut mengambil kuliah Proses Stokastik?
(Ilustrasi 4) Maskapai penerbangan mengetahui bahwa lima persen pemesan
tiket tidak akan datang untuk membeli tiketnya. Dengan alasan ini, maskapai
tidak ragu untuk menjual 52 tiket penerbangan pada pesawat dengan kapasitas
duduk 50 orang. Berapa peluang akan ada kursi yang tersedia untuk setiap
pemesan tiket yang datang?
Misalkan X peubah acak yang menyatakan banyaknya orang yang tidak datang
dengan peluang ’sukses’ (tidak datang) 0.05.
X ∼ B(52, 0.05).
P(X ≥ 2) = 1 −[P(X = 0) + P(X = 1)]
= 1 −(0.05)
0
(0.95)
52
−52(0.05)
1
(0.95)
51
= 0.74
(Ilustrasi 5) Misalkan X peubah acak berdistribusi Poisson dengan mean
λ. Parameter λ berdistribusi eksponensial dengan mean 1. Tunjukkan bahwa
P(X = n) = (1/2)
n+1
P(X = n) =
_

0
P(X = n|λ) e
−λ

=
_

0
e
−λ
λ
n
n!
e
−λ

=
_

0
e
−2λ
λ
n

1
n!
= (1/2)
n+1
1
n!
_

0
e
−s
s
n
ds
MA4081 Pros.Stok. 3 K. Syuhada, PhD.
1.2 RUANG SAMPEL dan PELUANG
Ruang sampel dan Kejadian
• Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin
secara acak.
• Ruang sampel S adalah himpunan dari semua hasil yang mungkin dari
suatu percobaan. Anggota dari S disebut kejadian elementer.
• Kejadian adalah himpunan bagian dari ruang sampel atau koleksi dari
kejadian-kejadian elementer.
Peluang
• Peluang kejadian A adalah
P(A) = lim
n→∞
n(A)
n
• Misalkan S adalah ruang sampel, A adalah kejadian. Peluang kejadian
A adalah
P(A) =
n(A)
n(S)
• Peluang atau ukuran peluang P pada lap-σ A adalah suatu pemetaan
dari A terhadap selang [0, 1] yang memenuhi tiga aksioma berikut:
1. 0 ≤ P(A) ≤ 1, untuk setiap A ∈ A
2. P(S) = 1
3. Untuk himpunan terhitung kejadian-kejadian saling asing A
1
, A
2
, . . .,
P
_

_
i=1
A
i
_
=

i=1
P(A
i
)
Teorema
1. P(A
c
) = 1 −P(A)
2. Jika A ⊂ B maka P(A) ≤ P(B)
3. P(A ∪ B) = P(A) + P(B) −P(A ∩ B)
MA4081 Pros.Stok. 4 K. Syuhada, PhD.
1.3 PEUBAH ACAK dan FUNGSI DISTRIBUSI
Peubah Acak
• Peubah acak tidaklah “acak” dan bukanlah “peubah”
• Peubah acak adalah “fungsi” yang memetakan anggota S ke bilangan
real R
P.A. Diskrit
Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan
{a
i
, i = 1, 2, . . . } sedemikian hingga
P
_
_
i
{X = a
i
}
_
=

i
P(X = a
i
) = 1
Catatan:
Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit.
F
X
disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung
{a
i
, i = 1, 2, . . . } dari bilangan real dan barisan {p
i
, i = 1, 2, . . . } dari bilangan
positif yang bersesuaian sedemikian hingga

i
p
i
= 1
dan
F
X
(x) =

a
i
≤x
p
i
Jika diberikan himpunan terhitung {a
i
, i = 1, 2, . . . } dan bilangan positif
{p
i
, i = 1, 2, . . . } sdh

i
p
i
= 1, fungsi peluang p
X
(x) adalah
p
X
(x) = p
i
= P(X = a
i
),
dengan x = a
i
Fungsi distribusi (kumulatif):
F(x) = P(X ≤ x)
Sifat-sifat:
(a) F fungsi tidak turun
MA4081 Pros.Stok. 5 K. Syuhada, PhD.
(b) lim
x→∞
F(x) = 1
(c) lim
x→−∞
F(x) = 0
(d) F fungsi kontinu kanan Catatan:
• P(a < X ≤ b) = F(b) −F(a)
• P(X ≤ b) = P(X < b)

P(X < b) = P
_
lim
n→∞
_
X ≤ b −
1
n
__
= lim
n→∞
P
_
X ≤ b −
1
n
_
= lim
n→∞
F
_
b −
1
n
_
P.A. Kontinu
Misalkan X peubah acak dan fungsi distribusinya F
X
dapat diturunkan. Fungsi
peluang f
X
adalah turunan dari fungsi distribusi,
f
X
(x) =
d
dx
F
X
(x)
atau dengan kata lain
F
X
(x) =
_
x
−∞
f
X
(t) dt
Definisi: Jika X adalah peubah acak sedemikian hingga fungsi peluangnya
ada (turunan dari fungsi distribusi) maka X dikatakan sebagai peubah acak
kontinu. Catatan:
1 = F
X
(∞) =
_

−∞
f
X
(t) dt
P(a ≤ X ≤ b) = F
X
(b) −F
X
(a) =
_
b
a
f
X
(t) dt
P(X = a) =
_
a
a
f
X
(t) dt = 0
MA4081 Pros.Stok. 6 K. Syuhada, PhD.
Contoh/Latihan:
1. Tentukan fungsi peluang dari fungsi distribusi berikut:
F(x) =
_
¸
¸
¸
_
¸
¸
¸
_
0, x < −3.1
3/5, −3.1 ≤ x < 0
7/10, 0 ≤ x < 1
1, 1 ≤ x
2. Tentukan fungsi peluang dari fungsi distribusi berikut:
F(x) =
_
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
_
0, x < 0
1
3
+
x
5
, 0 ≤ x < 1
3
5
, 1 ≤ x < 2
9
10
, 2 ≤ x < 3
1, x ≥ 3
3. Diketahui fungsi peluang sebagai berikut:
f(x) =
_
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
_
p, x = −1.9
0.1, x = −0.1
0.3, x = 20p
p, x = 3
4p, x = 4
0, yang lain
Hitung P(−1.9 ≤ |X| ≤ 3), F(2), F(F(3.1))
MA4081 Pros.Stok. 7 K. Syuhada, PhD.
1.4 DISTRIBUSI DISKRIT
(Ilustrasi B-1) Pasien di IGD adalah orang-orang yang dianggap dekat den-
gan kematian. Kesembuhan dari penyakit yang dideritanya bagi mereka adalah
seperti mimpi. Untuk bisa bertahan hidup dari hari ke hari sudahlah meru-
pakan mukjizat. Asumsikan bahwa setiap orang memiliki peluang untuk dapat
bertahan hidup sampai hari esok sebesar α
i
, dengan i menyatakan orang ke-
i, i = 1, 2, . . .. Jika jumlah pasien IGD pada suatu hari adalah 5 orang, berapa
peluang besok hanya akan ada 2 orang saja yang masih hidup?
(Ilustrasi B-2) Misalkan sebuah mesin dari pesawat akan rusak (saat ter-
bang) dengan peluang 1-p, saling bebas antara mesin satu dan yang lain. Mis-
alkan sebuah pesawat akan melakukan penerbangang sukses jika setidaknya
50% mesin bekerja dengan baik (tidak rusak). Untuk p berapa, sebuah pe-
sawat dengan 4 mesin akan lebih disukai (terbang lebih baik) dibandingkan
dengan pesawat dengan 2 mesin?
Misalkan X menyatakan banyak mesin baik (tidak rusak). Untuk pesawat
bermesin 4:
P(X ≥ 2) = P(X = 2) + P(X = 3) + P(X = 4)
= 6p
2
(1 −p)
2
+ 4p
3
(1 −p) + p
4
· · · ∗
sedangkan untuk pesawat bermesin 2:
P(X ≥ 1) = 1 −P(X = 0) = 1 −(1 −p)
2
· · · ∗ ∗
Syarat: * lebih besar dari **. Diperoleh p > 2/3.
Distribusi Binomial
Misalkan S = {sukses, gagal} adalah ruang sampel yang menotasikan ’sukses’
atau ’gagal’ dari suatu percobaan.
Definisikan X(sukses) = 1 dan X(gagal) = 0 dan
p
X
(1) = P(X = 1) = p
p
X
(0) = P(X = 0) = 1 −p
dimana 0 ≤ p ≤ 1 adalah peluang diperoleh sukses. X dikatakan peubah
acak Bernoulli dengan parameter p. Jika dilakukan n percobaan independen
dan jika X menyatakan banyaknya sukses yang diperoleh maka X dikatakan
sebagai peubah acak Binomial dengan parameter (n, p), dimana
p
X
(k) = B(k; n, p) = C
n
k
p
k
(1 −p)
n−k
MA4081 Pros.Stok. 8 K. Syuhada, PhD.
(Ilustrasi P-1) Banyaknya kecelakaan yang terjadi di tol setiap hari berdis-
tribusi Poisson dengan parameter λ = 3. Berapa peluang tidak ada kecelakaan
pada hari ini?
Misalkan X menyatakan banyak kecelakaan.
P(X = 0) = exp(−3)
(Ilustrasi P-2) Misalkan X peubah acak Poisson dengan parameter λ. Tun-
jukkan bahwa P(X = i) naik secara monoton sebelum kemudian turun secara
monoton untuk i semakin besar.
Distribusi Poisson
Misalkan X peubah acak dengan fungsi peluang
p
X
(i) = e
−λ
λ
i
i!
untuk i = 0, 1, 2, . . . dan λ > 0. X disebut peubah acak Poisson dengan
parameter λ.
Ilustrasi G-1 Ini kisah masa lalu Nurul yang sempat diceritakan sesaat se-
belum Nurul menikah. Katanya “Ayahku meninggal waktu usiaku tiga tahun.
Lalu Ibu kawin lagi. Dengan ayah tiriku, Ibu mendapat dua orang anak tiri
dan melahirkan tiga orang anak. Ketika usiaku lima belas tahun, Ibu pun
meninggal. Ayah tiriku kawin lagi dengan seorang janda yang sudah beranak
dua. Ia melahirkan dua orang anak pula dengan ayah tiriku”. Pertanyaan
yang mungkin adalah...
• Berapa peluang bahwa orang yang dinikahi Nurul tidak memiliki hubun-
gan darah?
• Jika Nurul tidak ingin menikah dengan saudara sedarah, berapa peluang
bahwa Nurul akhirnya menikahi orang yang bukan saudara sedarah?
(Ilustrasi G-2) Tiga remaja makan disuatu restoran. Untuk menentukan
siapa yang akan membayar, mereka sepakat untuk mengundi dengan melan-
tunkan koin. Seseorang dengan hasil lantunan yang berbeda dengan yang lain
wajib membayar makanan yang telah dipesan. Jika X menyatakan banyaknya
lantunan koin yang harus dilakukan, tentukan (i) P(X = 3) (ii) b. P(X > 4)
Peluang ’sukses’ (ada yang lantunannya berbeda alias ada yang bayar) adalah
3/4. Dengan demikian X ∼ Geo(3/4).
P(X = 3) = (1/4)
2
(3/4) = 3/64
P(X > 4) = 1 −P(X ≤ 4) = 1/256
MA4081 Pros.Stok. 9 K. Syuhada, PhD.
Distribusi Geometrik
Misalkan percobaan-percobaan dilakukan hingga diperoleh sukses yang per-
tama. Percobaan-percobaan tersebut saling bebas dan memiliki peluang suk-
ses p. Misalkan X menyatakan banyaknya percobaan yang dilakukan untuk
mendapatkan sukses pertama tersebut, maka X dikatakan peubah acak Ge-
ometrik dengan parameter p. Fungsi peluangnya adalah
p(n) = P(X = n) = (1 −p)
n−1
p,
untuk n = 1, 2, . . . dan p > 0.
MA4081 Pros.Stok. 10 K. Syuhada, PhD.
1.5 DISTRIBUSI KONTINU
Ilustrasi
Riset bidang psikologi melibatkan pengukuran perilaku. Hasil-hasil penguku-
ran akan berbeda antara individu satu dengan yang lainnya. Namun demikian,
sesungguhnya hasil-hasil tersebut dapat diprediksi sebagai kelompok individu.
Salah satu pola umum pada hasil pengukuran (tentunya berupa angka) adalah
bahwa kebanyakan pengukuran-pengukuran tersebut terkonsentrasi di sekitar
mean dari distribusi tersebut. Ada sedikit hasil pengukuran yang jauh dari
mean. Apabila distribusi frekuensi digambarkan, akan tampak kurva berben-
tuk bel (bell-shaped curve) yang disebut DISTRIBUSI NORMAL.
Ketika hasil pengukuran membentuk suatu distribusi normal, ada beberapa
hal yang dapat diprediksi. Pertama, mean, median dan modus sama. Kedua,
seseorang dapat memperkirakan seberapa jauh (dari mean) hasil pengukuran
akan terjadi. Dengan demikian, akan dapat ditentukan skor/nilai mana yang
lebih mungkin terjadi dan peluang/proporsi nilai diatas atau dibawah nilai
tersebut.
Kebanyakan hasil pengukuran perilaku mengikuti distribusi normal. Mis-
alnya, nilai IQ. Meannya 100 dan umumnya IQ seseorang akan berada diantara
85-115 atau 15 nilai dari mean. Jika psikolog mengetahui mean dan deviasi
standar maka akan dapat ditentukan proporsi skor/nilai yang berada dise-
tiap daerah jangkauan (range). Tentu saja, terlepas dari keumuman distribusi
normal, terdapat beberapa kasus dengan nilai/hasil pengukuran yang tidak
berdistribusi normal. Kenormalan atau ketidaknormalan data sangat penting
dalam menentukan uji statistik yang bersesuaian.
Distribusi Normal
Definisi: Peubah acak kontinu X adalah peubah acak Normal atau GAUSS
dengan parameter µ dan σ
2
jika fungsi peluang f
X
nya sbb:
f
X
(x) =
1

2 π σ
exp(−(x −µ)
2
/ 2 σ
2
), −∞≤ x ≤ ∞
Diskusi:
Ukuran ideal jumlah mahasiswa di kelas TP adalah 60 orang. Namun demikian,
Departemen MA ITB mencatat bahwa biasanya hanya 30 persen mahasiswa
saja dari total yang terdaftar yang benar-benar hadir dalam perkuliahan. Jika
MA ITB memutuskan menerima 180 mahasiswa untuk kelas TP, berapa pelu-
ang bahwa lebih dari 60 orang hadir di kelas?
Teorema Limit DeMoivre-Laplace
Jika S
n
menyatakan ‘banyaknya sukses’ yang terjadi pada n percobaan inde-
MA4081 Pros.Stok. 11 K. Syuhada, PhD.
penden, dengan peluang sukses adalah p, maka untuk setiap a < b,
P
_
a ≤
S
n
−np
_
np(1 −p)
≤ b
_
→Φ(b) −Φ(a),
untuk n →∞. (pendekatan Normal untuk Binomial akan ‘baik’ jika np(1−p)
besar, np(1 −p) ≥ 10)
Distribusi Uniform
Definisi: Peubah acak kontinu X dikatakan berdistrbusi seragam pada selang
(a, b) jika fungsi peluang f
X
nya sbb:
f
X
(x) =
1
b −a
, a ≤ x ≤ b
Contoh/Latihan:
1. Jika X berdistribusi Uniform pada selang (-1,1), tentukan P(|X| > 1/2),
tentukan fungsi peluang dari |X|.
2. Misalkan lama (dalam menit) mahasiswa mengikuti kuliah TP adalah
peubah acak dengan fungsi peluang seperti gambar dibawah berikut.
Tentukan peluang seorang mahasiswa mengikuti kuliah lebih dari 15
menit? antara 20 dan 35 menit?
Inverse Transformation Method
Misalkan U peubah acak Uniform(0, 1). Untuk setiap fungsi distribusi kontinu
F, jika kita definisikan peubah acak X sbb:
X = F
−1
(U)
maka peubah acak X memiliki fungsi distribusi F.
Contoh.
Jika F(x) = 1 −e
−x
maka F
−1
(u) adalah nilai x sedemikian hingga
1 −e
−x
= u
atau
x = −log(1 −u)
MA4081 Pros.Stok. 12 K. Syuhada, PhD.
Jadi, jika U adalah peubah acah Uniform(0,1) maka
F
−1
(U) = −log(1 −U)
adalah peubah acak Eksponensial dengan mean 1 (parameter 1).
Distribusi Gamma
Peubah acak Gamma: Misalkan percobaan Bernoulli diulang-ulang se-
banyak n kali, maka banyaknya ‘sukses’ yang diperoleh adalah peubah acak
berdistribusi Binomial dengan parameter n dan p, dimana p adalah peluang
sukses. Jika kita memandang banyaknya percobaan Bernoulli yang dilakukan
sampai diperoleh (dan termasuk) sukses ke-r, maka kita dapatkan peubah acak
beristribusi Binomial negatif dengan parameter r dan p. Peubah acak Gamma
adalah analogi dalam bentuk kontinu untuk peubah acak Binomial negatif.
Dalam hal ini kita pandang peubah acak Binomial negatif ini sebagai waktu
yang diberikan untuk sukses ke-r.
Definisi: Peubah acak kontinu X adalah peubah acak Gamma jika memiliki
fungsi peluang
f(x) =
λ
α
Γ(α)
x
α−1
e
−λx
, x > 0
dimana α dan λ adalah bilang real positif. Kita katakan X berdistribusi
Gamma dengan parameter α dan λ; x ∼ Gamma(α, λ).
Definisi Fungsi Gamma:
Γ(t) =
_

0
x
t−1
e
−x
dx
Catatan: Γ(t + 1) = t Γ(t), t > 0
Diskusi.
1. Jelaskan/Buktikan:
Γ(n) = (n −1)! n = 1, 2, . . .
Γ
_
n +
1
2
_
=
(2n)!
n! 2
2n

π
2. Apa yang dapat kita katakan tentang distribusi Gamma jika α = 1, α <
1, α > 1?
3. Jika α membesar maka fungsi peluang Gamma nampak seperti fungsi
peluang Normal. Berikan ilustrasi pada λ = 2 dan α = 1/2, 1, 5/2, 5
MA4081 Pros.Stok. 13 K. Syuhada, PhD.
BAB 2
Peluang dan Ekspektasi
Bersyarat
2.1 EKSPEKTASI
Definisi: Nilai harapan/ekspektasi (expected value/expectation) atau ek-
spektasi dari peubah acak diskrit/kontinu X adalah
E(X) =

x
xp
X
(x)
dan
E(X) =
_

−∞
xf
X
(x) dx
dimana p
X
dan f
X
adalah fungsi peluang dari X.
Catatan:
1. Ekspektasi adalah rata-rata tertimbang (weighted average) dari nilai yang
mungkin dari X
2. Ekspektasi = mean = momen pertama
3. Ekspektasi suatu peubah acak adalah nilai rata-rata (long-run average
value) dari percobaan bebas yang berulang
3. Apakah ekspektasi harus berhingga? (Diskusi!)
Contoh/Latihan:
1. Pengurus dan Anggota HIMATIKA sebanyak 120 orang akan berangkat
ke Jakarta dengan menggunakan 3 bis. Ada 36 mahasiswa di bis 1,
40 mahasiswa di bis 2 dan 44 mahasiswa di bis 3. Ketika bis sampai
tujuan, seorang mahasiswa dipilih secara acak. Misalkan X menyatakan
1
banyaknya mahasiswa di bis dimana seseorang tersebut terpilih. Hitung
E(X). (Solusi: 40.2667)
2. Jika X ∼ Pois(λ), tentukan E(X). (Solusi: λ)
3. Misalkan X adalah peubah acak dengan nilai yang mungkin −1, 0, 1 dan
peluang:
p(−1) = 0.2, p(0) = 0.5, p(1) = 0.3
Hitung E(X
2
). (Solusi: 0.5)
SIFAT-SIFAT EKSPEKTASI
1. E(g(X)) =
_

−∞
g(x) f
X
(x) dx
2. E(a X + b Y ) = a E(X) + b E(Y )
3. E(XY ) = E(X) E(Y ), jika X dan Y saling bebas.
4. E(X) =
_

0
P(X > x) dx, untuk X > 0 (*)
5. E(X
r
) =
_

−∞
x
r
f
X
(x) dx (momen ke-r)
6. E((X −µ
X
)
r
) =
_

−∞
(x −µ
X
)
r
f
X
(x) dx (momen pusat ke-r)
7. E((X −µ
X
)
2
) = V ar(X) = E(X
2
) −(E(X))
2
Deviasi standar dari X adalah akar kuadrat Variansi dari X.
8. E(e
tX
) =
_

−∞
e
tx
f
X
(x) dx = M
X
(t) (fungsi pembangkit momen)
9. M

X
(0) = E(X), M

X
(0) = E(X
2
)
Contoh/Latihan:
1. Misalkan Y menunjukkan banyaknya gol yang diciptakan oleh seorang
pemain sepak bola di suatu pertandingan yang terpilih acak:
y 0 1 2 3 4 5 6
p(y) 0.1 0.2 0.3 0.2 0.1 0.05 0.05
Misalkan W adalah banyaknya pertandingan dimana seorang pemain
sepak bola menciptakan 3 atau lebih gol dalam 4 pertandingan terpilih
acak. Berapa nilai harapan banyak pertandingan dimana pemain men-
ciptakan 3 atau lebih gol?
MA4081 Pros.Stok. 2 K. Syuhada, PhD.
Solusi:
P(Y ≥ 3) = 0.4 = P(’sukses’) = p
E(W) = np = 4 (0.4) = 1.6
2. Misalkan X peubah acak dengan M
X
(t) sebagai fungsi pembangkit mo-
men. Didefinisikan f(t) = ln M
X
(t). Tunjukkan bahwa f

(0) = V ar(X)
Solusi:
f

(t) = M

X
(t)/M
X
(t)
f

(t) =
M

X
(t) M
X
(t) −(M

X
(t))
2
(M
X
(t))
2
saat t = 0,
f

(0) =
M

X
(0) M
X
(0) −(M

X
(0))
2
(M
X
(0))
2
= E(X
2
) −(E(X))
2
= V ar(X)
dimana M
X
(0) = 1, M

X
(0) = E(X), M

X
(0) = E(X
2
).
3. Diketahui fungsi peluang:
f(x) = c (4x −2x
2
), 0 < x < 2
Hitung E(X) dan P(1/2 < X < 3/2)
Solusi:
_
2
0
f(x) dx =
_
2
0
c(4x −2x
2
) dx = 1
Diperoleh c = 3/8.
E(X) =
_
x 3/8 (4x −2x
2
) dx = 1
P(1/2 < X < 3/2) =
_
3/2
1/2
3/8 (4x −2x
2
) dx = 11/16
4. Diketahui X ∼ B(n, p). Buktikan:
E
_
1
X + 1
_
=
p + q(1 −q
n
)
(n + 1)p
MA4081 Pros.Stok. 3 K. Syuhada, PhD.
Bukti:
E
_
1
X + 1
_
=
n

i=0
1
i + 1
n!(n −i)! i! p
i
q
n−i
=
n

i=0
n!(n −i)! (i + 1)! p
i
q
n−i
=
1
(n + 1)p
n

i=0
C
n+1
i+1
p
i+1
q
n−i
=
1
(n + 1)p
n+1

j=1
C
n+1
j
p
j
q
n+1−j
=
1
(n + 1)p
_
1 −C
n+1
0
p
0
q
n+1−0
¸
=
1
(n + 1)p
_
1 −q
n+1
_
=
p + q −q
n+1
(n + 1)p
=
p + q(1 −q
n
)
(n + 1)p
5. Diketahui:
f(x) =
1
Γ(r)
(λx)
r−1
λ exp(−λx)
Tentukan E(X
k
), k = 2, 3
Solusi:
X ∼ Gamma(r, λ)
dengan M
X
(t) = (1 −λt)
−r
.
M

X
(t) = · · · , M

X
(t) = · · ·
6. Misalkan X peubah acak berdistribusi Poisson dengan parameter θ. Tun-
jukkan bahwa:
E
_
X
n
_
= θ E
_
(X + 1)
n−1
_
MA4081 Pros.Stok. 4 K. Syuhada, PhD.
Bukti:
E
_
X
n
_
=

i=0
i
n
e
−λ
λ
i
/ i!
=

i=1
i
n
e
−λ
λ
i
/ i!
=

i=1
i
n−1
e
−λ
λ
i
/ (i −1)!
=

j=0
(j + 1)
n−1
e
−λ
λ
j+1
/ j!
= λ

j=0
(j + 1)
n−1
e
−λ
λ
j
/ j!
= λE
_
(X + 1)
n−1
_
7. Misalkan X menyatakan lama (jam) mhs belajar TP dan fungsi peluang
X adalah sbb:
f(x) =
_
x −2, 2 ≤ x < 3
1
4
, 4 < x < 6
(a) Berapa persen mhs menghabiskan waktu lebih dari 150 menit utk
belajar TP ?
(b) Berapa rata-rata lama waktu mhs belajar TP ?
(c) Jika seorang mhs menghabiskan waktu lebih dari 130 menit, berapa
peluang mhs itu selesai belajar kurang dari 4.5 jam ?
(d) Hitung P(X = 2), P(X = 3), P(X = E(X)), P(X < E(X))
Solusi:
(a) P(X > 2.5) =
_
3
2.5
(x −2) dx +
_
6
4
1/4 dx
(b) E(X) = 10/3
(c) P(X < 4.5|X > 13/6) = P(13/6 < X < 4.5)/P(X > 13/6)
(d) P(X = E(X)) = 0, P(X < E(X)) = P(X < 10/3) = 1/2
MA4081 Pros.Stok. 5 K. Syuhada, PhD.
8. Misalkan X peubah acak dengan fungsi distribusi
F(x) =
_
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
_
0, x < −2
0.2, −2 ≤ x < 0
0.5, 0 ≤ x < 2.2
0.6, 2.2. ≤ x < 3
0.6 + q, 3 ≤ x < 4
0.6 + 2q, 4 ≤ x < 5.5
1, x ≥ 5.5
dan diketahui P(X > 3.3) = 0.25.
a. Tentukan fungsi pembangkit momen dari X atau M
X
(t)
b. Gunakan M
X
(t) untuk menentukan Var(X).
Solusi:
p(−2) = 0.2, p(0) = 0.3, p(2.2) = 0.1, p(3) = q, p(4) = q, p(5.5) = 0.4−2q
P(X > 3.3) = p(4) + p(5.5) = q + 0.4 −2q = 0.25 ⇔q = 0.15
a.
M
X
(t) = E(e
tX
) =

e
tx
p(x)
= e
−2t
p(−2) + e
0t
p(0) + e
2.2t
p(2.2) + e
3t
p(3) + e
4t
p(4) + e
5.5t
p(5.5)
= 0.2 e
−2t
+ 0.3 + 0.1 e
2.2t
+ 0.15 e
3t
+ 0.15 e
4t
+ 0.1 e
5.5t
b.
M

X
(t) = 0.2 e
−2t
+ 0.3 + 0.1 e
2.2t
+ 0.15 e
3t
+ 0.15 e
4t
+ 0.1 e
5.5t
= −0.4 e
−2t
+ 0.22 e
2.2t
+ 0.45 e
3t
+ 0.6 e
4t
+ 0.55 e
5.5t
M

X
(0) = −0.4 + 0.22 + 0.45 + 0.6 + 0.55 = 1.42
MA4081 Pros.Stok. 6 K. Syuhada, PhD.
2.2 FUNGSI PELUANG BERSAMA
Ilustrasi. Sebuah perusahaan asuransi menduga bahwa setiap orang akan
mengalami dan memiliki parameter kecelakaan. Banyaknya kecelakaan pada
seseorang setiap tahun berdistribusi Poisson dengan parameter λ. Perusahaan
juga menduga bahwa pemegang polis baru akan memiliki parameter kecelakaan
yang nilainya adalah peubah acak gamma dengan parameter s dan α. Jika
seorang pemegang polis baru mengalami n kecelakan di tahun pertama, kita
dapat menentukan peluang bersyarat dari parameter kecelakaannya. Selain
itu, kita juga dapat menentukan banyak kecelakaan (yang diharapkan) pada
tahun berikutnya.
Misalkan X dan Y ada peubah acak-peubah acak diskrit yang terdefinisi di
ruang sampel yang sama. Fungsi peluang bersama (joint pmf) dari X dan Y
adalah
p
X,Y
(x, y) = P(X = x, Y = y)
Catatan:
1. Kondisi bahwa X dan Y terdefinisi pada ruang sampel yang sama berarti 2
peubah acak tsb memberikan informasi secara bersamaan terhadap keluaran
(outcome) dari percobaan yang sama
2. {X = x, Y = y} adalah irisan kejadian {X = x} dan {Y = y}; kejadian
dimana X bernilai x dan Y bernilai y
Proposisi
Fungsi peluang bersama p
X,Y
memenuhi sifat-sifat berikut:
1. p
X,Y
(x, y) ≥ 0, ∀ (x, y)
2. (x, y) ∈ R
2
: p
X,Y
(x, y) = 0 terhitung
3.

x,y
p
X,Y
(x, y) = 1
Proposisi
Misalkan X dan Y peubah acak-peubah acak diskrit yang didefinisikan pada
ruang sampel yang sama. Maka,
p
X
(x) =

y
p
X,Y
(x, y), x ∈ R
MA4081 Pros.Stok. 7 K. Syuhada, PhD.
dan
p
Y
(y) =

x
p
X,Y
(x, y), y ∈ R
adalah fungsi peluang marginal dari X dan fungsi peluang marginal dari Y .
Contoh/Latihan:
1. Diberikan data ttg jumlah kamar tidur dan kamar mandi dari 50 rumah
yang akan dijual sbb (X kamar tidur, Y kamar mandi):
X\Y 2 3 4 5 Total
2 3 0 0 0
3 14 12 2 0 28
4 2 11 5 1
Total 23 50
a. Hitung p
X,Y
(3, 2)
b. Tentukan fungsi peluang bersama dari X dan Y
Solusi:
X\Y 2 3 4 5 Total
2 0.06 0.00 0.00 0.00 0.06
3 0.28 0.24 0.04 0.00 0.56
4 0.04 0.22 0.10 0.02 0.38
Total 0.38 0.46 0.14 0.02 1.00
2. Misalkan kita punyai 2 komponen elektronik yang identik. Misalkan juga
X dan Y adalah waktu hidup (jam, diskrit). Asumsikan fungsi peluang
bersama dari X dan Y adalah
p
X,Y
(x, y) = p
2
(1 −p)
x+y−2
, x, y ∈ N
dimana 0 < p < 1. Tentukan dan identifikasikan fungsi peluang marginal
dari X dan Y .
Solusi:
p
X
(x) =

y
p
X,Y
(x, y) =

y=1
p
2
(1 −p)
x+y−2
= p
2
(1 −p)
x−2

y=1
(1 −p)
y
= p (1 −p)
x−1
MA4081 Pros.Stok. 8 K. Syuhada, PhD.
3. Diantara 8 orang politisi: 2 Golkar, 2 Demokrat, 4 PDIP. Tiga dari 8
politisi ini dipilih secara acak dengan pengembalian. Misalkan X adalah
banyaknya Golkar, Y banyaknya Demokrat. Tentukan fungsi peluang
bersama X dan Y . Hitung P(X = Y )
Solusi:
p
X,Y
(x, y) = C
3
x,y,3−x−y
(1/4)
x
(1/4)
y
(1/2)
3−x−y
, x, y = 0, 1, 2, 3
X\Y 0 1 2 3 Total
0 1/8 3/16 3/32 1/64 27/64
1 3/16 3/16 3/64 0 27/64
2 3/32 3/64 0 0 9/64
3 1/64 0 0 0 1/64
Total 27/64 27/64 9/64 1/64 1
4. Pandang keadaan pada soal 2. Tentukan peluang bahwa (a) kedua kom-
ponen elektronik tsb bertahan lebih dari 4 jam? (b) salah satu komponen
bertahan setidaknya 2 kali dari komponen yang lain?
Solusi:

x>4

y>4
p
X,Y
(x, y) =

x=5

y=5
p
2
(1 −p)
x+y−2
= · · · = (1 −p)
8
P(X ≥ 2Y ) + P(Y ≥ 2X) = 2 P(X ≥ 2Y )
= 2

y=1

x=2y
p
2
(1 −p)
x+y−2
= · · · =
2(1 −p)
3 −3p + p
2
Definisi: Misalkan X dan Y adalah peubah acak-peubah acak yang terdefinisi
di ruang sampel yang sama. Fungsi distribusi bersama dari X dan Y , F
X,Y
adalah
F
X,Y
(x, y) = P(X ≤ x, Y ≤ y), x, y ∈ R
Contoh:
MA4081 Pros.Stok. 9 K. Syuhada, PhD.
Misalkan sebuah titik diambil secara acak dari
{(x, y) ∈ R
2
: 0 < x < 1, 0 < y < 1}
Misalkan X dan Y menyatakan koordinat x dan y dari titik yang terpilih.
Tentukan fungsi distribusi bersama dari X dan Y .
Jawab:
Kasus 1: x < 0, y < 0
Kasus 2: 0 ≤ x < 1, 0 ≤ y < 1
Kasus 3: 0 ≤ x < 1, y ≥ 1
Kasus 4: x ≥ 1, 0 ≤ y < 1
Kasus 5: x ≥ 1, y ≥ 1
Proposisi.
Misalkan X dan Y peubah acak-peubah acak terdefinisi di ruang sampel yang
sama. Untuk semua bilangan riil a, b, c, d dimana a < b dan c < d,
P(a < X ≤ b, c < Y ≤ d) = F
X,Y
(b, d) −F
X,Y
(b, c) −F
X,Y
(a, d) +F
X,Y
(a, c)
Definisi.
Misalkan X dan Y adalah peubah acak-peubah acak yang didefinisikan pada
ruang sampel yang sama. Fungsi non-negatif f
X,Y
adalah fungsi peluang
bersama dari X dan Y untuk semua bilangan riil a, b, c, d dimana a < b dan
c < d,
P(a ≤ X ≤ b, c ≤ Y ≤ d) =
_
b
a
_
d
c
f
X,Y
(x, y) dxdy
Catatan:
f
X,Y
(x, y) =

2
∂x∂y
F
X,Y
(x, y) =

2
∂y ∂x
F
X,Y
(x, y)
Proposisi.
Suatu fungsi peluang bersama f
X,Y
(x, y) dari peubah acak X dan Y memenuhi
2 sifat berikut
1. f
X,Y
(x, y) ≥ 0 untuk semua (x, y) ∈ R
2
2.
_

−∞
_

−∞
f
X,Y
(x, y) dxdy = 1
Proposisi
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi
MA4081 Pros.Stok. 10 K. Syuhada, PhD.
peluang bersama f
X,Y
(x, y). Maka
f
X
(x) =
_


f
X,Y
(x, y)dy, x ∈ R
dan
f
Y
(y) =
_


f
X,Y
(x, y)dx, y ∈ R
adalah fungsi peluang marginal dari X dan Y .
Contoh/Latihan:
1. Misalkan X dan Y memiliki fungsi peluang bersama
(i) f(x, y) = c (y
2
−x
2
) e
−y
, −y ≤ x ≤ y, 0 < y < ∞
(ii) f(x, y) = c xy
2
, 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
a. Tentukan c
b. Tentukan fungsi peluang marginal X dan Y
c. Hitung P(Y > 2X)
d. Apakah X dan Y saling bebas?
Solusi:
a. Untuk menentukan c:
1 =
_

0
_
y
−y
c (y
2
−x
2
) e
−y
dxdy = 8c
Jadi c = 1/8.
b. Fungsi peluang marginal:
f
X
(x) = 1/4 e
−|x|
(1 +|x|)
f
Y
(y) = 1/6 y
3
e
−y
, y ≥ 0
c.
P(Y > 2X) =
_

0
_
y/2
−y
c (y
2
−x
2
) e
−y
dxdy = · · ·
d. X dan Y tidak saling bebas.
MA4081 Pros.Stok. 11 K. Syuhada, PhD.
Catatan: X dan Y saling bebas jika
f(x, y) = f
X
(x) f
Y
(y)
2. Pandang 2 komponen elektronik A dan B dengan masa hidup X dan Y .
Fungsi peluang bersama dari X dan Y adalah
f
X,Y
(x, y) = λµ exp(−λx + µy), x, y > 0
dimana λ > 0, µ > 0
a. Tentukan peluang bahwa kedua komponen berfungsi pada saat t
b. Tentukan peluang bahwa komponen A adalah komponen yang per-
tama kali rusak
c. Tentukan peluang bahwa komponen B adalah komponen yang per-
tama kali rusak
Solusi:
a. P(X > t, Y > t) =
_

t
_

t
λµe
−(λx+µy)
dy dx
= · · · = e
−(λ+µ)t
b. P(X < Y ) =
_

0
_

x
λµe
−(λx+µy)
dy dx
= · · · =
λ
λ +µ
3. Ketika kebakaran terjadi dan dilaporkan ke perusahaan asuransi, perusa-
haan asuransi tersebut segera membuat perkiraan awal X yaitu besar
nilai klaim yang akan diberikan. Setelah klaim dihitung secara lengkap,
perusahaan harus melunasi pembayaran klaim sebesar Y . Perusahaan
menentukan bahwa X dan Y memiliki fungsi peluang bersama
f
X,Y
(x, y) =
2
x
2
(x −1)
y
−(2x−1)/(x−1)
, x > 1, y > 1
a. Tentukan f
X
(x)
b. Jika besar klaim awal yang diberikan adalah 2, tentukan peluang
bahwa klaim yang diterima berikutnya adalah antara 1 dan 3.
MA4081 Pros.Stok. 12 K. Syuhada, PhD.
Solusi:
a. f
X
(x) =
_

1
2
x
2
(x −1)
y
−(2x−1)/(x−1)
dy
= · · ·
b. P(1 < Y < 3|X = 2) =
_
3
1
_
f
X,Y
(x, y)
f
X
(x)
¸
¸
¸
X=2
_
dy
= · · · = 8/9
MA4081 Pros.Stok. 13 K. Syuhada, PhD.
2.3 EKSPEKTASI BERSYARAT
Ilustrasi 1. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di
suatu pabrik adalah empat. Misalkan banyaknya buruh yang terluka/cedera
setiap kecelakaan adalah peubah acak yang saling bebas dengan mean dua.
Asumsikan bahwa banyaknya buruh yang terluka di setiap kecelakaan saling
bebas dengan banyaknya kecelakaan yang terjadi. Berapa banyak orang ter-
luka rata-rata per minggu?
Ilustrasi 2. Seorang narapidana terjebak dalam suatu sel penjara yang
memiliki tiga pintu. Pintu pertama akan membawanya ke sebuah terowon-
gan dan kembali ke sel dalam waktu dua hari. Pintu kedua dan ketiga akan
membawanya ke terowongan yang kembali ke sel dalam tempo masing-masing
empat dan satu hari. Asumsikan bahwa sang napi selalu memilih pintu 1, 2,
dan 3 dengan peluang 0.5, 0.3 dan 0.2, berapa lama waktu rata-rata (expected
number of days) yang dibutuhkan untuk dia agar selamat?
Definisi: Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Jika
p
X
(x) > 0 maka fungsi peluang bersyarat dari Y diberikan X = x (notasi:
p
Y |X
(y|x)), adalah
p
Y |X
(y|x) =
p
X,Y
(x, y)
p
X
(x)
, ∀y ∈ R
Jika p
X
(x) = 0, kita definiskan p
Y |X
(y|x) = 0 namun tidak dikatakan sebagai
fungsi peluang bersyarat.
Catatan: Fungsi peluang bersyarat adalah fungsi peluang!
Proposisi.
Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Kedua peubah
acak ini dikatakan saling bebas (independen) jika dan hanya jika
p
X,Y
(x, y) = p
X
(x) p
Y
(y) ∀x, y ∈ R
Contoh/Latihan:
1. Sebuah perusahaan asuransi menduga bahwa setiap orang akan men-
galami dan memiliki parameter kecelakaan. Banyaknya kecelakaan pada
seseorang setiap tahun berdistribusi Poisson dengan parameter λ. Pe-
rusahaan juga menduga bahwa pemegang polis baru akan memiliki pa-
rameter kecelakaan yang nilainya adalah peubah acak gamma dengan
parameter s dan α. Jika seorang pemegang polis baru mengalami n
kecelakan di tahun pertama, tentukan peluang bersyarat dari parame-
ter kecelakaannya. Tentukan banyak kecelakaan (yang diharapkan) pada
MA4081 Pros.Stok. 14 K. Syuhada, PhD.
tahun berikutnya.
Solusi:
Misalkan N menyatakan banyak kecelakaan per tahun yang berdistribusi
Poisson dengan mean λ, dimana Λ berdistribusi Gamma dengan param-
eter s dan α (Catatan: Λ adalah huruf besar dari λ).
f
Λ|N
(λ|n) =
P(Λ = λ, N = n)
P(N = n)
=
1
P(N = n)
P(N = n|Λ = λ) f
Λ
(λ)
=
1
P(N = n)
e
−λ
λ
n
n!
s
α
Γ(α)
λ
α−1
e
−s λ
= C λ
n+α−1
e
−(s+1)λ
,
dengan C konstanta. Fungsi peluang f
Λ|N
haruslah berdistribusi Gamma
dengan parameter s + 1 dan n + α. Jadi,
f
Λ|N
(λ|n) =
(s + 1)
n+α
Γ(n + α)
λ
n+α−1
e
−(s+1)λ
Banyak kecelakaan yang diharapkan (expected number of accidents),
E(Λ|N = n), adalah nilai harapapan (expected value) dari distribusi
Gamma dengan parameter s + 1 dan n + α yaitu (n + α)/(s + 1).
2. Banyaknya orang Z yang datang ke ruang UGD selama sejam memi-
liki distribusi Poisson dengan parameter λ. Peluang orang yang datang
adalah laki-laki adalah p dan peluang perempuan datang adalah q. Mis-
alkan X dan Y berturut-turut adalah banyaknya laki-laki dan perem-
puan yang datang ke UGD selama sejam.
a. Tunjukan bahwa X ∼ POI(pλ) dan Y ∼ POI(qλ)
b. Apakah X dan Y saling bebas?
Solusi:
Peubah acak Z berdistribusi Poisson:
f
Z
(z) =
e
−λ
λ
z
z!
, z = 0, 1, 2, . . .
Untuk Z = z, maka kedatangan pasien laki-laki adalah peubah acak
Binomial dengan parameter (z, p):
f
X|Z
(x|z) = C
z
x
p
x
(1 −p)
z−x
, x = 0, 1, . . . , z
MA4081 Pros.Stok. 15 K. Syuhada, PhD.
dan untuk pasien perempuan:
f
Y |Z
(y|z) = C
z
y
q
x
(1 −q)
z−y
, y = 0, 1, . . . , z
Sehingga fungsi peluang bersama X dan Y diberikan Z = z:
f
X,Y |Z
(x, y|z) = C
z
x,y
p
x
q
y
, x + y = z
Untuk mendapatkan fungsi peluang marginal dari X, kita hitung
f
X
(x) =

z
f
X,Z
(x, z) =

z
f
X|Z
(x|z) f
Z
(z)
= · · · =
e
−pλ
(pλ)
x
x!
Jadi, X ∼ POI(pλ). Dengan cara sama, kita peroleh Y ∼ POI(qλ).
Selanjutnya, untuk menentukan apakah X dan Y saling bebas kita tun-
jukkan bahwa
f
X,Y
(x, y) =

z
f
X,Y,Z
(x, y, z) =

z
f
X,Y |Z
(x, y|z) f
Z
(z) = f
X
(x) f
Y
(y)
Misalkan X berdistribusi Uniform pada selang (0, 1). Misalkan Y = X
n
. Maka
F
Y
(y) = P(Y ≤ y)
= P(X
n
≤ y)
= P(X ≤ y
1/n
)
= F
X
(y
1/n
) = y
1/n
dan fungsi peluang dari Y adalah
f
Y
(y) = (1/n) y
1/n−1
, 0 ≤ y ≤ 1
Misalkan X peubah acak kontinu dengan fungsi peluang f
X
. Misalkan Y = X
2
,
F
Y
(y) = P(Y ≤ y) = P(X
2
≤ y)
= P(−

y ≤ X ≤

y)
= F
X
(

y) −F
X
(−

y)
dan fungsi peluangnya adalah
f
Y
(y) =
1
2

y
_
f
X
(

y) −f
X
(−

y)
_
MA4081 Pros.Stok. 16 K. Syuhada, PhD.
Misalkan X dan Y peubah acak-peubah acak positif saling bebas. Misalkan
(i) Z = X/Y (ii) Z = XY , maka
F
Z
(z) = P(Z ≤ z) = P(X/Y ≤ z)
= P(X ≤ zY )
=
_

0
_
zy
0
f
X
(x) f
Y
(y) dx dy
=
_

0
f
Y
(y)
_
zy
0
f
X
(x) dxdy
=
_

0
f
Y
(y) F
X
(zy) dy
dan fungsi peluangnya:
f
X/Y
(z) = · · · =
_

0
y f
Y
(y) f
X
(zy) dy
Misalkan X dan Y saling bebas dan kita ingin menentukan fungsi distribusi
dan fungsi peluang X + Y ,
F
Z
(z) = P(Z ≤ z) = P(X + Y ≤ z)
= P(X ≤ zY )
=
_

−∞
_
z−y
−∞
f
X
(x) f
Y
(y) dxdy
=
_

−∞
_
z−y
−∞
f
X
(x) dxf
Y
(y) dy
=
_

−∞
F
X
(z −y) f
Y
(y) dy,
dimana fungsi distribusi F
X+Y
ini disebut “konvolusi” dari distribusi F
X
dan
F
Y
. Fungsi peluangnya adalah
f
X+Y
(z) =
d
dz
_

−∞
F
X
(z −y) f
Y
(y) dy
=
_

−∞
d
dz
F
X
(z −y) f
Y
(y) dy
=
_

−∞
f
X
(z −y) f
Y
(y) dy
Tentukan distribusi dari X+Y jika X dan Y peubah acak-peubah acak saling
bebas berdistribusi (i) Uniform(0, 1) (ii) Poisson dengan parameter λ
i
.
MA4081 Pros.Stok. 17 K. Syuhada, PhD.
Definisi: Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan
fungsi peluang bersama f
X,Y
(x, y). Jika f
X
(x) > 0 maka ekspektasi bersyarat
dari Y diberikan X = x adalah ekspektasi dari Y relatif terhadap distribusi
bersyarat Y diberikan X = x,
E(Y |X = x) =
_

−∞
y
f
X,Y
(x, y)
f
X
(x)
dy =
_

−∞
y f
Y |X
(y|x) dy
Proposisi.
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi
peluang bersama f
X,Y
(x, y). Misalkan ekspektasi dari Y hingga. Maka
E(Y ) =
_

−∞
E(Y |X = x) f
X
(x) dx
atau
E(Y ) = E(E(Y |X = x))
Definisi: Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan
fungsi peluang bersama f
X,Y
(x, y). Jika f
X
(x) > 0 maka variansi bersyarat
dari Y diberikan X = x adalah variansi dari Y relatif terhadap distribusi
bersyarat Y diberikan X = x,
V ar(Y |X = x) = E
_
_
Y −E(Y |X = x)
_
2
¸
¸
¸X = x
_
Proposisi.
Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi
peluang bersama f
X,Y
(x, y). Misalkan variansi dari Y hingga. Maka
V ar(Y ) = E(V ar(Y |X = x)) + V ar(E(Y |X))
Latihan:
1. Misalkan X dan Y peubah acak kontinu dengan fungsi eluang bersama
f(x, y) = e
−x(y+1)
, 0 ≤ x, 0 ≤ y ≤ e −1
a. Tentukan f
Y
(y)
b. Hitung P(X > 1|Y =
1
2
)
c. Hitung E(X|Y =
1
2
)
MA4081 Pros.Stok. 18 K. Syuhada, PhD.
Solusi:
P(X > 1|Y =
1
2
) =
_

1
e
−x(y+1)
1/(y + 1)
dx
=
_

1
3
2
e

3
2
x
dx
= e
−3/2
2. K meninggalkan kantor setiap hari kerja antara pukul 6-7 malam. Jika
dia pergi t menit setelah pukul 6 maka waktu untuk mencapai rumah
adalah peubah acak berdistribusi Seragam pada selang (20, 20 +(2t)/3).
Misalkan Y adalah banyak menit setelah pukul 6 dan X banya menit
untuk mencapai rumah, berapa lama waktu mencapai rumah?
Solusi:
Y ∼ U(0, 60), X|Y = y ∼ U(20, 20 + (2y)/3).
E(X) =
_
60
0
E(X|Y = y) f
Y
(y) dy = 30
3. Jika X
i
∼ Bin(n
i
, p), tentukan E(X
1
+ X
2
|X
1
)
4. Jika X dan Y peubah acak-peubah acak Poisson saling bebas dengan
parameter λ
x
dan λ
y
, tentukan E(X|X + Y = n). Bagaimana jika X
dan Y berdistribusi Geometrik identik dengan parameter p?
Kita ketahui bahwa jika X dan Y saling bebas maka
f
X,Y
(x, y) = f
X
(x) g
Y
(y),
Akibatnya,
E(XY ) = E(X) E(Y )
Konsekuensi ini juga berlaku untuk setiap fungsi g dan h,
E
_
g(X)h(Y )
_
= E
_
g(X)
_
E
_
h(Y )
_
Definisi:
Kovariansi antara peubah acak X dan Y , dinotasikan Cov(X, Y ), adalah
Cov(X, Y ) = E
_
_
X −E(X)
_ _
Y −E(Y )
_
_
MA4081 Pros.Stok. 19 K. Syuhada, PhD.
Catatan: Jika X dan Y saling bebas maka Cov(X, Y ) = 0 (implikasi).
Sifat-sifat kovariansi
• Cov(X, Y ) = Cov(Y, X)
• Cov(X, X) = V ar(X)
• Cov(a X, Y ) = a Cov(X, Y )
• Cov
_

n
i=1
X
i
,

m
j=1
Y
j
_
=

n
i=1

m
j=1
Cov(X
i
, Y
j
)
Perhatikan bahwa:
V ar
_
n

i=1
X
i
_
= Cov
_
n

i=1
X
i
,
n

j=1
X
j
_
=
n

i=1
n

j=1
Cov(X
i
, X
j
)
=
n

i=1
V ar(X
i
) +

i=j
Cov(X
i
, X
j
)
Korelasi antara peubah acak X dan Y , dinotasikan ρ(X, Y ), didefinisikan se-
bagai
ρ(X, Y ) =
Cov(X, Y
_
V ar(X) V ar(Y )
,
asalkan V ar(X) dan V ar(Y ) bernilai positif. Dapat ditunjukkan pula bahwa
−1 ≤ ρ(X, Y ) ≤ 1
Koefisien korelasi adalah ukuran dari derajat kelinieran antara X dan Y . Nilai
ρ(X, Y ) yang dekat dengan +1 atau −1 menunjukkan derajat kelinieran yang
tinggi. Nilai positif korelasi mengindikasikan nilai Y yang cenderung membe-
sar apabila X membesar. Jika ρ(X, Y ) = 0 maka dikatakan X dan Y tidak
berkorelasi.
Latihan:
1. Tunjukkan bahwa
Cov(X, E(Y |X)) = Cov(X, Y )
MA4081 Pros.Stok. 20 K. Syuhada, PhD.
2. Misalkan X peubah acak normal standar dan I (bebas dari X) sdh
P(I = 1) = P(I = 0) = 1/2.
Didefinisikan
Y = X, jika I = 1; Y = −X, jika I = 0
Tunjukkan bahwa
Cov(X, Y ) = 0
MA4081 Pros.Stok. 21 K. Syuhada, PhD.
BAB 3
Rantai Markov
3.1 ILUSTRASI
(Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang
silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hu-
jan mungkin juga panas. Tentu saja peluang besok hujan akan lebih besar
dibanding peluang besok akan panas. Begitu pula jika hari ini panas. Besok
akan lebih mungkin panas dibandingkan hujan. Jika hari Senin hujan, berapa
peluang bahwa hari Selasa akan hujan? Berapa peluang bahwa hari Kamis
akan hujan?
(Ilustrasi 2) Pada 23 Juni lalu sekitar pukul 21.30 mobil yang dikemudikan
suami saya terperosok masuk lubang di jalan tol lingkar luar Jakarta, kira-kira
2 kilometer dari Pintu Tol Pondok Ranji arah Jakarta. Ban dan gadi-gading
roda rusak. Esoknya saya mengajukan klaim asuransi Sinar Mas kepada SiMas
Bekasi. Pada 1 Juli saya mendapat jawaban bahwa klaim asuransi ditolak den-
gan alasan: bagian yang rusak hanya ban dan gading-gading roda. Tak menge-
nai badan mobil. Padahal, tercantum jelas di dalam pasal-pasal polis asuransi
maupun surat penolakan bahwa ban dan gading-gading roda tidak dijamin, ke-
cuali disebabkan oleh Pasal 1 angka 1.1. Isi pasal itu, pertanggungan ini men-
jamin kerusakan yang secara langsung disebabkan oleh tabrakan, benturan,
terbalik, tergelincir atau terperosok. Asuransi Sinar Mas berusaha menghin-
dar dari kewajiban dengan alasan mengada-ada, bahkan mengingkari aturan
yang dibuatnya sendiri (Surat Pembaca KOMPAS; 3/08/2010). Andaikan su-
atu hari saya mengajukan klaim lagi ke Asuransi Sinar Mas, berapa peluang
bahwa klaim saya akan diterima?
(Ilustrasi 3) Sebagai calon atlet, setiap pagi Swari meninggalkan rumahnya
untuk berlari pagi. Swari akan pergi lewat pintu depan atau belakang dengan
peluang sama. Ketika meninggalkan rumah, Swari memakai sepatu olah raga
atau sandal jenis crocs jika sepatu tidak tersedia di depan pintu yang dia
1
lewati (Dalam praktiknya, Swari harus bertelanjang kaki jika ternyata sandal
crocs yang harus dipakai. Tak lain alasannya karena sang ayah tidak suka
apabila Swari memakai sandal crocs). Ketika pulang, Swari akan masuk lewat
pintu depan atau belakang dan meletakkan sepatunya dengan peluang sama.
Diketahui bahwa Swari memiliki 4 pasang sepatu olah raga. Berapa peluang
bahwa Swari akan sering berolah raga dengan bertelanjang kaki?
MA4081 Pros.Stok. 2 K. Syuhada, PhD.
3.2 DEFINISI
Proses stokastik {X
n
} adalah Rantai Markov:
• n = 0, 1, 2, . . .
• nilai yang mungkin adalah hingga atau terhitung

P
_
X
n+1
= j|X
n
= i, X
n−1
= i
n−1
, . . . , X
1
= i
1
, X
0
= i
0
_
= P
ij
• distribusi bersyarat X
n+1
, diberikan keadaan lampau (past states) X
0
, X
1
, . . . , X
n−1
dan keadaan sekarang (present state) X
n
, hanya bergantung pada keadaan
sekarang
• keadaan (state): i
0
, i
1
, . . . , i
n−1
, i, j
P
ij
peluang bahwa proses akan berada di keadaan j dari keadaan i;
P
ij
≥ 0, i, j ≥ 0;

j=0
P
ij
= 1, i = 0, 1, . . .
Matriks peluang transisi P
ij
adalah sbb:
P =
_
_
_
_
_
_
_
P
00
P
01
P
02
· · ·
P
10
P
11
P
12
· · ·
.
.
.
.
.
.
.
.
.
P
i0
P
i0
P
i0
· · ·
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
Contoh/Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang α; jika hari ini
tidak hujan maka besok akan hujan dengan peluang β. Matriks peluang
transisinya adalah...
P =
_
α 1 −α
β 1 −β
_
dengan keadaan-keadaan:
’0’ hujan
’1’ tidak hujan
MA4081 Pros.Stok. 3 K. Syuhada, PhD.
2. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam
dua hari terakhir. Jika dalam dua hari terakhir hujan maka besok akan
hujan dengan peluang 0.7; Jika hari ini hujan dan kemarin tidak hujan
maka besok akan hujan dengan peluang 0.5; jika hari ini tidak hujan dan
kemarin hujan maka besok akan hujan dengan peluang 0.4; jika dalam
dua hari terakhir tidak hujan maka besok hujan dengan peluang 0.2.
Matriks peluang transisinya adalah...
P =
_
_
_
_
0.7 0 0.3 0
0.5 0 0.5 0
0 0.4 0 0.6
0 0.2 0 0.8
_
_
_
_
dengan keadaan-keadaan:
’0’ (00) = hari ini dan kemarin hujan
’1’ (10) = hari ini hujan, kemarin tidak hujan
’2’ (01) = hari ini tidak hujan, kemarin hujan
’3’ (11) = hari ini dan kemarin tidak hujan
3. Tiga item produk A dan tiga item produk B didistribusikan dalam dua
buah paket/kotak sedemikian hinga setiap paket terdiri atas tiga item
produk. Dikatakan bahwa sistem berada dalam keadaan i, i = 0, 1, 2, 3
jika dalam paket pertama terdapat i produk A. Setiap saat (langkah),
kita pindahkan satu item produk dari setiap paket dan meletakkan item
produk tersebut dari paket 1 ke paket 2 dan sebaliknya. Misalkan X
n
menggambarkan keadaan dari sistem setelah langkah ke-n. Matriks pelu-
ang transisinya adalah...
P =
_
_
_
_
0 1 0 0
1/9 4/9 4/9 0
0 4/9 4/9 1/9
0 0 1 0
_
_
_
_
dengan keadaan-keadaan:
’0’ terdapat 0 produk A di paket pertama
’1’ terdapat 1 produk A di paket pertama
’2’ terdapat 2 produk A di paket pertama
’3’ terdapat 3 produk A di paket pertama
4. Menurut Kemeny, Snell dan Thompson, Tanah Australia diberkahi den-
gan banyak hal kecuali cuaca yang baik. Mereka tidak pernah memiliki
dua hari bercuaca baik secara berturut-turut. Jika mereka mendapatkan
MA4081 Pros.Stok. 4 K. Syuhada, PhD.
hari bercuaca baik maka esok hari akan bersalju atau hujan dengan pelu-
ang sama. Jika hari ini mereka mengalami salju atau hujan maka be-
sok akan bercuaca sama dengan peluang separuhnya. Jika terdapat pe-
rubahan cuaca dari salju atau hujan, hanya separuh dari waktu besok
akan menjadi hari bercuaca baik. Tentukan matriks peluang transisi dari
Rantai Markov yang dibentuk dari keadaan-keadaan diatas.
P =
_
_
1/2 1/4 1/4
1/2 0 1/2
1/4 1/4 1/2
_
_
dengan keadaan-keadaan:
’0’ cuaca hujan
’1’ cuaca baik
’2’ cuaca salju
5. Sebagai calon atlet, setiap pagi Swari meninggalkan rumahnya untuk
berlari pagi. Swari akan pergi lewat pintu depan atau belakang dengan
peluang sama. Ketika meninggalkan rumah, Swari memakai sepatu olah
raga atau sandal jenis crocs jika sepatu tidak tersedia di depan pintu
yang dia lewati (Dalam praktiknya, Swari harus bertelanjang kaki jika
ternyata sandal crocs yang harus dipakai. Tak lain alasannya karena sang
ayah tidak suka apabila Swari memakai sandal crocs). Ketika pulang,
Swari akan masuk lewat pintu depan atau belakang dan meletakkan sep-
atunya dengan peluang sama. Diketahui bahwa Swari memiliki 4 pasang
sepatu olah raga. Bentuklah suatu Rantai Markov dari proses diatas.
P =
_
_
_
_
_
_
3/4 1/4 0 0 0
1/4 1/2 1/4 0 0
0 1/4 1/2 1/4 0
0 0 1/4 1/2 1/4
0 0 0 1/4 3/4
_
_
_
_
_
_
dengan keadaan-keadaan:
’0’ (4,0) = 4 sepatu didepan, 0 dibelakang
’1’ (3,1) = 3 sepatu didepan, 1 dibelakang
’2’ (2,2) = 2 sepatu didepan, 2 dibelakang
’3’ (1,3) = 1 sepatu didepan, 3 dibelakang
’4’ (0,4) = 0 sepatu didepan, 4 dibelakang
MA4081 Pros.Stok. 5 K. Syuhada, PhD.
3.3 PELUANG N-LANGKAH
Persamaan Chapman-Kolmogorov
Misalkan P
n
ij
menyatakan peluang transisi n-langkah suatu proses di keadaan
i akan berada di keadaan j,
P
n
ij
= P(Y
k+n
= j|Y
k
= i), n ≥ 0, i, j ≥ 0.
Persamaan Chapman-Kolmogorov adalah alat untuk menghitung peluang tran-
sisi n + m-langkah:
P
n+m
ij
=

k=0
P
n
ik
P
m
kj
,
untuk semua n, m ≥ 0 dan semua i, j. P
n
ik
P
m
kj
menyatakan peluang suatu
proses dalam keadaan i akan berada di keadaan j dalam n+m transisi, melalui
keadaan k dalam n transisi/langkah.
Contoh/Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang α = 0.7; jika
hari ini tidak hujan maka besok akan hujan dengan peluang β = 0.4.
Matriks peluang transisi 4 langkah adalah...
P
4
=
_
0.5749 0.4251
0.5668 0.4332
_
2. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam
dua hari terakhir. Jika dalam dua hari terakhir hujan maka besok akan
hujan dengan peluang 0.7; Jika hari ini hujan dan kemarin tidak hujan
maka besok akan hujan dengan peluang 0.5; jika hari ini tidak hujan dan
kemarin hujan maka besok akan hujan dengan peluang 0.4; jika dalam
dua hari terakhir tidak hujan maka besok hujan dengan peluang 0.2.
Matriks peluang transisinya adalah sbb:
P =
_
_
_
_
0.7 0 0.3 0
0.5 0 0.5 0
0 0.4 0 0.6
0 0.2 0 0.8
_
_
_
_
Jika hari Senin dan Selasa hujan, berapa peluang bahwa hari Kamis akan
hujan?
MA4081 Pros.Stok. 6 K. Syuhada, PhD.
P
2
=
_
_
_
_
0.49 0.12 0.21 0.18
0.35 0.2 0.15 0.3
0.2 0.12 0.2 0.4
0.1 0.16 0.1 0.64
_
_
_
_
Peluang hujan pada hari Kamis adalah P
2
00
+ P
2
01
= 0.49 + 0.12 = 0.61
Peluang Transisi Tak Bersyarat
Misalkan
α
i
= P(X
0
= i), i ≥ 0,
dimana


i=0
α
i
= 1. Peluang tak bersyarat dapat dihitung dengan men-
syaratkan pada keadaan awal,
P(X
n
= j) =

i=0
P(X
n
= j|X
0
= i) P(X
0
= i) =

i=0
P
n
ij
α
i
Contoh/Latihan:
1. Pandang soal yang lalu dengan matriks peluang transisi:
P =
_
0.7 0.3
0.4 0.6
_
Jika diketahui α
0
= P(X
0
= 0) = 0.4 dan α
1
= P(X
0
= 1) = 0.6, maka
peluang (tak bersyarat) bahwa hari akan hujan 4 hari lagi adalah...
P(X
4
= 0) = 0.4 P
4
00
+ 0.6 P
4
10
= (0.4)(0.5749) + (0.6)(0.5668) = 0.57
2. Seorang pensiunan H menerima 2 (juta rupiah) setiap awal bulan. Banyaknya
uang yang diperlukan H untuk dibelanjakan selama sebulan saling bebas
dengan banyaknya uang yang dia punya dan sama dengan i dengan pelu-
ang P
i
, i = 1, 2, 3, 4,

4
i=1
P
i
= 1. Jika H memiliki uang lebih dari 3 di
akhir bulan, dia akan memberikan sejumlah uang lebih dari 3 itu kepada
orang lain. Jika setelah dia menerima uang diawal bulan H memiliki
uang 5, berapa peluang uangnya akan 1 atau kurang setiap saat selama
4 bulan berikut?
Keadaan:
‘1’ jumlah uang sebanyak 1 yang H punya di akhir bulan
MA4081 Pros.Stok. 7 K. Syuhada, PhD.
‘2’ jumlah uang sebanyak 2 yang H punya di akhir bulan
‘3’ jumlah uang sebanyak 3 yang H punya di akhir bulan
Matriks peluang transisi
P =
_
_
P
2
+P
3
+ P
4
P
1
0
P
3
+ P
4
P
2
P
1
P
4
P
3
P
1
+ P
2
_
_
Misalkan P
i
= 1/4, i = 1, 2, 3, 4. Maka matriks peluang transisinya
adalah
P =
_
_
3/4 1/4 0
1/2 1/4 1/4
1/4 1/4 1/2
_
_
Peluang uangnya akan 1 atau kurang setiap saat selama 4 bulan berikut
adalah P
4
31
= 201/256.
MA4081 Pros.Stok. 8 K. Syuhada, PhD.
3.4 Program MATLAB dan R
Contoh: Model penyebaran suatu penyakit adalah sbb: Jumlah populasi adalah
N = 5, sebagian sakit dan sisanya sehat. Dalam setiap waktu, 2 orang
akan dipilih secara acak dari populasi tersebut dan keduanya berinteraksi.
Pemilihan orang-orang tersebut dilakukan sdh interaksi antara setiap pasan-
gan adalah sama. Jika satu orang dari suatu pasangan sakit, yang lain se-
hat, maka penyakit akan disebarkan ke orang yang sehat dengan peluang 0.1.
Diluar kondisi tersebut, tidak ada penyakit yang disebarkan. Misalkan X
n
menyatakan jumlah orang yang sakit dalam populasi diakhir periode ke-n.
Bentuklah suatu matriks peluang transisi yang mungkin.
Solusi:
Keadaan: 0, 1, 2, 3, 4, 5, yang menyatakan jumlah orang yang sakit.
P
00
= 1, P
55
= 1. Cukup jelas. Jika tidak ada/semua orang sakit maka PASTI
keadaan berubah ke tidak ada/semua orang sakit.
P
i,i+1
= 0.1
C
i
1
C
5−i
1
C
5
2
= 0.01(i)(5 −i),
P
ii
= 1 −0.01(i)(5 −i),
untuk i = 1, 2, 3, 4.
P =
_
_
_
_
_
_
_
_
1 0 0 0 0 0
0 0.96 0.04 0 0 0
0 0 0.94 0.06 0 0
0 0 0 0.94 0.06 0
0 0 0 0 0.96 0.04
0 0 0 0 0 1
_
_
_
_
_
_
_
_
Kode MATLAB
function transprob;
% the function calculate transition probability for a Markov chain
% (Question 2 of Quiz 2)
%
% created by K Syuhada, 12/03/2011
clear
clc
MA4081 Pros.Stok. 9 K. Syuhada, PhD.
m = input(’m = ’); % number of states
P = zeros(m,m);
for i = 1:m
for j = 1:m
if i == j
P(i,j) = 1 - 0.01*(i-1)*(5-(i-1));
elseif i+1 == j
P(i,j) = 0.01*(i-1)*(5-(i-1));
else
P(i,j) = 0;
end
end
end
display(’matriks peluang transisi:’)
display(P)
% n-step probability
% Chapman-Kolmogorov Equation
n = input(’n = ’); % number of steps
Pn = P^n;
display(’matriks peluang transisi n-langkah:’)
display(Pn)
---------------------------------------------------------------
m = 6
matriks peluang transisi:
P =
1.0000 0 0 0 0 0
0 0.9600 0.0400 0 0 0
0 0 0.9400 0.0600 0 0
0 0 0 0.9400 0.0600 0
0 0 0 0 0.9600 0.0400
0 0 0 0 0 1.0000
MA4081 Pros.Stok. 10 K. Syuhada, PhD.
n = 2
matriks peluang transisi n-langkah:
Pn =
1.0000 0 0 0 0 0
0 0.9216 0.0760 0.0024 0 0
0 0 0.8836 0.1128 0.0036 0
0 0 0 0.8836 0.1140 0.0024
0 0 0 0 0.9216 0.0784
0 0 0 0 0 1.0000
Kode R
MA4081 Pros.Stok. 11 K. Syuhada, PhD.
3.5 JENIS KEADAAN
Keadaan j dikatakan dapat diakses (accessible) dari keadaan i jika P
n
ij
> 0
untuk suatu n ≥ 0. Akibatnya, keadaan j dapat diakses dari keadaan i jika
dan hanya jika dimulai dari keadaan i proses akan masuk ke keadaan j. Jika
keadaan j tidak dapat diakses dari keadaan i maka peluang masuk ke keadaan
j dari keadaan i adalah nol.
Catatan:
Dua keadaan i dan j yang saling akses satu sama lain dikatakan berkomunikasi
(communicate). Notasi: i ↔j.
Sifat-sifat:
1. Keadaan i berkomunikasi dengan keadaan i untuk semua i ≥ 0
2. Jika keadaan i berkomunikasi dengan keadaan j maka keadaan j berko-
munikasi dengan keadaan i
3. Jika keadaan i berkomunikasi dengan keadaan j dan keadaan j berkomu-
nikasi dengan keadaan k maka keadaan i berkomunikasi dengan keadaan
k
Dua keadaan yang berkomunikasi dikatakan berada dalam kelas (class) yang
sama. Setiap dua kelas dari keadaan-keadaan dapat ‘identik’ (identical) atau
‘saling asing’ (disjoint). Rantai Markov dikatakan tidak dapat direduksi (irre-
ducible) jika hanya terdapat sebuah kelas dan semua keadaan berkomunikasi
satu sama lain.
Contoh/Latihan:
1. Tentukan kelas keadaan dari rantai Markov dengan peluang transisi
berikut:
(i)
P =
_
_
_
_
0.7 0 0.3 0
0.5 0 0.5 0
0 0.4 0 0.6
0 0.2 0 0.8
_
_
_
_
(ii)
P =
_
_
_
_
0 1 0 0
1/9 4/9 4/9 0
0 4/9 4/9 1/9
0 0 1 0
_
_
_
_
MA4081 Pros.Stok. 12 K. Syuhada, PhD.
(iii)
P =
_
_
1 0 0
1/2 1/4 1/4
1/4 1/4 1/2
_
_
2. Diketahui matrik peluang transisi:
P =
_
_
0.5 0.5 0
0.5 0.25 0.25
0 0.33 0.67
_
_
Apakah rantai Markov dengan peluang transisi diatas tidak dapat dire-
duksi (irreducible)?
3. Apakah yang dapat anda katakan tentang rantai Markov dengan matriks
peluang transisi berikut:
P =
_
_
_
_
0.5 0.5 0 0
0.5 0.5 0 0
0.25 0.25 0.25 0.25
0 0 0 1
_
_
_
_
MA4081 Pros.Stok. 13 K. Syuhada, PhD.
Sifat-sifat KEADAAN - Recurrent dan Transient
Untuk setiap keadaan i, misalkan f
i
peluang bahwa dimulai dari keadaan i
proses akan pernah kembali ke keadaan i. Keadaan i dikatakan recurrent jika
f
i
= 1. Dikatakan transient jika f
i
< 1.
• Jika keadaan i recurrent maka proses akan terus kembali ke keadaan i
dengan peluang satu. Dengan definisi rantai Markov, proses akan dimulai
lagi ketika kembali ke keadaan i, dan seterusnya, sehingga keadaan i akan
dikunjungi lagi. Jika keadaan i recurrent maka dimulai dari keadaan i
maka proses akan kembali ke keadaan i terus dan terus sebanyak tak
hingga kali.
• Misalkan keadaan i transient. Setiap kali proses kembali ke keadaan
i, terdapat kemungkinan (peluang yang positif) sebesar 1 − f
i
bahwa
proses tidak pernah kembali ke keadaan i. Dengan demikian, dimulai
dari keadaan i, peluang bahwa proses berada di i sebanyak tepat n pe-
riode/kali adalah f
n−1
i
(1 − f
i
), n ≥ 1. Jika keadaan i transient maka,
dimulai dari keadaan i, banyak periode/kali bahwa proses akan berada
di keadaan i adalah peubah acak geometrik dengan parameter 1 −f
i
.
“Keadaan i recurrent jika dan hanya jika, dimulai dari keadaan i, maka banyak
periode/kali yang diharapkan (expected number of time periods) bahwa proses
akan berada di keadaan i adalah tak hingga”
Misalkan
I
n
=
_
1, Y
n
= i;
0, Y
n
= i.
Misalkan


n=0
I
n
menyatkan banyak periode/kali bahwa proses berada dalam
keadaan i, dan
E
_

n=0
I
n
|Y
0
= i
_
=

n=0
E(I
n
|Y
0
= i)
=

n=0
P(Y
n
= i|Y
0
= i)
=

n=0
P
n
ii
Proposisi
Keadaan i adalah
recurrent jika

n=0
P
n
ii
= ∞; transient jika

n=0
P
n
ii
< ∞
MA4081 Pros.Stok. 14 K. Syuhada, PhD.
Catatan:
• Pada rantai Markov dengan keadaan hingga, tidak semua keadaan bersi-
fat transient (Mengapa?)
• “Jika keadaan i recurrent dan keadaan i berkomunikasi (communicate)
dengan keadaan j maka keadaan j recurrent” (Bagaimana jika keadaan
i transient?)
• Semua keadaan pada rantai Markov (hingga) yang tidak dapat direduksi
adalah recurrent (PENTING!)
Contoh/Latihan:
1. Misalkan rantai Markov dengan keadaan 0,1,2,3 memiliki matriks pelu-
ang transisi:
P =
_
_
_
_
0 0 0.5 0.5
1 0 0 0
0 1 0 0
0 1 0 0
_
_
_
_
Tentukan keadaan mana yang recurrent dan keadaan mana yang tran-
sient!
2. Bagaimana dengan rantai Markov dengan matriks peluang transisi:
P =
_
_
_
_
_
_
0.5 0.5 0 0 0
0.5 0.5 0 0 0
0 0 0.5 0.5 0
0 0 0.5 0.5 0
0.25 0.25 0 0 0.5
_
_
_
_
_
_
?
3. Misalkan rantai Markov dengan keadaan 0,1,2,3 memiliki matriks pelu-
ang transisi:
P =
_
_
_
_
0.5 0.5 0 0
0.5 0.5 0 0
0.25 0.25 0.25 0.25
0 0 0 1
_
_
_
_
Tentukan keadaan mana yang recurrent dan keadaan mana yang tran-
sient!
MA4081 Pros.Stok. 15 K. Syuhada, PhD.
4. Model penyebaran penyakit memiliki matriks peluang transisi sebagai
berikut:
P =
_
_
_
_
_
_
_
_
1 0 0 0 0 0
0 0.96 0.04 0 0 0
0 0 0.94 0.06 0 0
0 0 0 0.94 0.06 0
0 0 0 0 0.96 0.04
0 0 0 0 0 1
_
_
_
_
_
_
_
_
Tentukan sifat keadaan dari rantai Markov diatas.
MA4081 Pros.Stok. 16 K. Syuhada, PhD.
3.6 LIMIT PELUANG TRANSISI
Misalkan matriks peluang transisi pada rantai Markov dengan dua keadaan
adalah
P =
_
0.5 0.5
0.7 0.3
_
,
dan matriks peluang transisi 4 dan 8 langkahnya:
P
4
=
_
0.5840 0.4160
0.5824 0.4176
_
,
P
8
=
_
0.5833 0.4167
0.5833 0.4167
_
,
...dst. Matriks P
8
hampir identik dengan P
4
(benar-benar identik dengan P
10
).
Selain itu, setiap baris dari P
8
memiliki unsur yang identik. Nampaknya, P
n
ij
konvergen ke suatu nilai, untuk n → ∞, yang sama untuk semua i. Dengan
kata lain, terdapat limit peluang (limiting probability) bahwa proses akan
berada di keadaan j setelah sekian/banyak langkah/transisi. Nilai limit ini
saling bebas dengan nilai pada keadaan awal.
Perhatikan 2 sifat keadaan berikut:
Keadaan i dikatakan memiliki periode d jika P
n
ii
= 0 untuk n yang tidak dapat
dibagi oleh d (d suatu integer). Contoh, suatu proses dimulai dari keadaan i
akan kembali ke i pada waktu 2, 4, 6, 8, . . . , maka keadaan i memiliki periode
2. Suatu keadaan yang memiliki periode 1 disebut aperiodik. Jika keadaan
i memiliki periode d dan keadaan i berkomunikasi dengan keadaan j maka
keadaan j juga memiliki periode d.
Jika keadaan i recurrent, maka keadaan tersebut akan dikatakan positive re-
current jika, dimulai dari keadaan i, waktu harapan hingga proses kembali
ke i adalah hingga. Pada rantai Markove yang memiliki keadaan hingga, se-
mua keadaan yang recurrent adalah positive recurrent. Suatu keadaan yang
positive recurrent dan aperiodik disebut ergodik.
Teorema
Untuk rantai Markov yang ergodik dan tidak dapat direduksi,
lim
n→∞
P
n
ij
ada dan saling bebas dari i. Misalkan
π
j
= lim
n→∞
P
n
ij
, j ≥ 0,
MA4081 Pros.Stok. 17 K. Syuhada, PhD.
maka π
j
adalah solusi nonnegatif tunggal dari
π
j
=

i=0
π
i
P
n
ij
, j ≥ 0,
dengan


j=0
π
j
= 1.
Catatan:
• Perhatikan bahwa
P(X
n+1
= j) =

i=0
P(X
n+1
= j|X
n
= i) P(X
n
= i) =

i=0
P
ij
P(X
n
= i)
• Limit peluang π
j
adalah peluang jangka panjang (long-run proportion of
time) bahwa suatu proses akan berada di keadaan j
• Jika rantai Markov tidak dapat direduksi, maka terdapat solusi untuk
π
j
=

i
π
i
P
ij
, j ≥ 0,
dengan

j
π
j
= 1, JIKA dan HANYA JIKA rantai Markov bersifat
positive recurrent. Jika solusinya ada maka solusi tersebut tunggal dan
π
j
adalah proporsi jangka panjang bahwa rantai Markov berada dalam
keadaan j. Jika rantai Markov aperiodik maka π
j
adalah limit peluang
bahwa rantai akan berada di keadaan j.
Contoh/Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang α; jika hari
ini tidak hujan maka besok akan hujan dengan peluang β. Jika

0

adalah
keadaan hujan dan

1

adalah keadaan tidak hujan maka peluang hujan
dan tidak hujan untuk jangka adalah...
Matriks peluang transisi:
P =
_
α 1 −α
β 1 −β
_
,
MA4081 Pros.Stok. 18 K. Syuhada, PhD.
dan kita punyai persamaan-persamaan:
π
0
= απ
0
+ β π
1
π
1
= (1 −α) π
0
+ (1 −β) π
1
π
0
+ π
1
= 1
Kita peroleh peluang hujan dan tidak hujan pada jangka panjang:
π
0
=
β
1 + β −α
dan
π
1
=
1 −α
1 + β −α
2. Percobaan-percobaan dilakukan secara berurutan. Jika dalam dua per-
cobaan terakhir SUKSES maka peluang SUKSES pada percobaan berikut
adalah 0.8. Dalam keadaan YANG LAIN, peluang SUKSES adalah 0.5.
Hitung peluang percobaan sukses untuk jangka panjang.
3. Pandang pelantunan-pelantunan sebuah koin (dengan peluang muncul
MUKA adalah θ) yang saling bebas. Berapa banyak lantunan dibu-
tuhkan yang diharapkan (expected number of tosses needed) agar pola
HTHT muncul? (Perhatikan catatan dibawah)
Catatan:
• Peluang jangka panjang π
j
, j ≥ 0, disebut juga peluang stasioner (sta-
tionary probability). Jika keadaan awal dipilih berdasarkan peluang
π
j
, j ≥ 0, maka peluang akan menjadi keadaan j pada setiap waktu
n adalah sama dengan π
j
.
• Untuk keadaan j, definisikan m
jj
yaitu banyak transisi yang diharapkan
(expected number of transitions) hingga suatu rantai Markov, dimulai
dari keadaan j akan kembali ke keadaan tersebut:
π
j
=
1
m
jj
MA4081 Pros.Stok. 19 K. Syuhada, PhD.
BAB 4
Distribusi Eksponensial dan
Proses Poisson
4.1 ILUSTRASI
Distribusi eksponensial dapat dipandang sebagai analog (kontinu) dari dis-
tribusi geometrik. Kita ketahui bahwa distribusi geometrik memodelkan banyaknya
percobaan yang dibutuhkan oleh suatu proses diskrit untuk mengubah keadaan.
Sedangkan distribusi eksponensial menjelaskan waktu untuk proses kontinu
untuk mengubah keadaan.
Asumsi laju konstan dalam praktiknya jarang dipenuhi. Misalnya, laju adanya
telepon masuk akan berbeda setiap waktu dalam suatu hari. Namun, jika kita
perhatikan selang waktu pada saat laju konstan, maka distribusi eksponensial
dapat dikatakan model yang cukup baik untuk melihat waktu saat telepon
masuk akan terjadi lagi.
Ilustrasi gambar/video.
Misalkan disebuah Bank terdapat 2 orang teller yang sibuk melayani nasabah.
Tidak ada orang lain yang antri. Seseorang K yang datang akan dilayani
salah satu teller yang telah selesai dengan nasabah sebelumnya. Jika waktu
melayani dari teler ke-i adalah peubah acak ekspoensial dengan parameter θ
i
,
hitung E(T), dimana T adalah waktu yang dihabiskan K di Bank.
4.2 PEUBAH ACAK EKSPONENSIAL
Misalkan X peubah acak kontinu dengan fungsi peluang
f(x) = θ e
−θx
, x ≥ 0.
1
Peubah acak tersebut disebut peubah acak eksponensial dan distribusinya dise-
but distribusi eksponensial. Sifat distribusi dan momennya antara lain:
1. Fungsi distribusi: F(x) =
2. Ekspektasi: E(X) =
3. Fungsi pembangkit momen atau f.p.m: M(t) =
Contoh/Latihan:
1. Model bonus.
Sifat Tanpa Memori
Misalkan X peubah acak. Sifat tanpa memori (memoryless property) pada X
adalah sifat dimana “peluang X lebih dari s + t dengan syarat/diberikan X
lebih dari t sama dengan peluang X lebih dari s”, atau
P
_
X > s + t
¸
¸
X > t
_
= P
_
X > s
_
Contoh:
Misalkan X meyatatakan waktu tunggu seseorang mendapatkan kebahagiaan.
Peluang orang tsb menunggu lebih dari 7 tahun setelah dia menunggu lebih
dari 5 tahun sama dengan peluang dia menunggu lebih dari 2 tahun. Orang itu
tidak lagi mengingat bahwa dia telah menunggu selama 5 tahun. Itu sebabnya
dikatakan “sifat tanpa memori”.
Perhatikan:
P
_
X > s + t
¸
¸
X > t
_
=
P
_
X > s + t, X > t
_
P
_
X > t
_
=
P
_
X > s + t
_
P
_
X > t
_
= P
_
X > s
_
Akibatnya:
P
_
X > s + t
_
= P
_
X > s
_
P
_
X > t
_
MA4081 Pros.Stok. 2 K. Syuhada, PhD.
yang dipenuhi HANYA oleh X berdistribusi Eksponensial dengan parameter
θ. Buktinya sbb: Misalkan X ∼ Exp(θ), maka
P
_
X > s + t
_
= 1 −P
_
X < s + t
_
= 1 −F
X
(s + t)
= 1 −
_
1 −exp(−θ s −θ t)
_
= exp(−θ s −θ t)
= exp(−θ s) exp(−θ t)
= P
_
X > s
_
P
_
X > t
_
Sifat tanpa memori ini tidak dipenuhi oleh distribusi lain. Sebagai contoh,
misalkan X ∼ U(0, 1), maka
P
_
X > s + t
_
= 1 −P
_
X < s + t
_
= 1 −F
X
(s + t) = 1 −(s +t)
= (1 −s)(1 −t)
= (1 −F
X
(s)) (1 −F
X
(t))
= P
_
X > s
_
P
_
X > t
_
Contoh/Latihan:
1. Misalkan waktu tunggu (dalam menit) antrian di Bank berdistribusi ek-
sponensial dengan mean 10. Peluang bahwa seorang nasabah menunggu
lebih dari 15 menit untuk dilayani adalah
P(X > 15) = exp(−15(1/10)) = exp(−3/2)
Sedangkan peluang seseorang menunggu lebih dari 15 menit setelah dia
menunggu lebih dari 10 menit adalah
P(X > 15|X > 10) = P(X > 5) = exp(−5(1/10)) = exp(−1/2)
2. Banyaknya uang yang terlibat dalam kecelakaan adalah peubah acak
eksponensial dengan mean 1000. Banyaknya uang yang dibayar oleh pe-
rusahaan asuransi tergantung apakah klaim pemegang pollis lebih dari
400. Tentukan nilai harapan dan variansi banyak uang yang dibayar
perusahaan asuransi pada setiap kecelakaan. Misalkan X banyak uang
yang dibayar pemegang polis (maksudnya uang yang terlibat dalam su-
atu kecelakaan, termasuk yang dibayarkan oleh perusahaan asuransi ke
pemegang polis sesuai syarat lebih dari 400). Misalkan Y = (X − 400)
MA4081 Pros.Stok. 3 K. Syuhada, PhD.
banyak uang yang dibayar oleh perusahaan asuransi. Maka,
Solusi 1:
E(Y ) = E(X −400) = E(X) −400 = 1000 −400 ???
Solusi 2:
E(Y ) = E(X −400) =
_

400
(x −400) f(x) dx
=
_

400
(x −400) θ exp(−θ x) dx
=
_

400
xθ exp(−θ x) dx −
_

400
400 θ exp(−θ x) dx
= 1000 exp(−(1/1000)400)
Solusi 3: Misalkan I = 1 untuk X ≥ 400 dan I = 0 untuk X yang lain.
Maka
E
_
X −400|I = 1
_
= E
_
X −400 | X ≥ 400
_
= 1000.
Dengan sifat ekspektasi bersyarat
E(X −400) = E
_
E
_
X −400 | I
_
_
= E
_
1000 I
_
= 1000 E(I)
= · · · = 1000 exp(−(1/1000)400)
[PR: E(I) ???]
Sifat tanpa memori dapat juga diilustrasikan dengan fungsi LG atau laju kega-
galan (failure/hazard rate function) dari distribusi eksponensial. Misalkan
peubah acak X memiliki fungsi peluang f dan fungsi distribusi F. Fungsi LG
didefinisikan
r(t) =
f(t)
1 −F(t)
,
dimana jika “sesuatu” memiliki waktu hidup X dan telah bertahan selama
waktu t maka laju r(t) akan mengukur peluang sesuatu itu tidak dapat berta-
han pada waktu tambahan dt. Dengan kata lain
P
_
X ∈ (t, t + dt) | X > t
_

f(t) dt
1 −F(t)
atau peluang bersyarat bahwa sesuatu (dengan umur t) akan gagal.
MA4081 Pros.Stok. 4 K. Syuhada, PhD.
Contoh/Latihan:
1. Jika X
1
dan X
2
berturut-turut adalah peubah acak eksponensial saling
bebas dengan parameter θ
1
dan θ
2
, hitung P(X
1
< X
2
).
2. Misalkan X
1
, . . . , X
n
sampel acak berukuran n dari distribusi eksponen-
sial dengan parameter λ. Tentukan distribusi dari Y
(k)
, statistik terurut
ke-k. Ambil kasus untuk k = 1 dan/atau k = n.
3. Misalkan disebuah Bank terdapat 2 orang teller yang sibuk melayani
nasabah. Tidak ada orang lain yang antri. Seseorang K yang datang
akan dilayani salah satu teller yang telah selesai dengan nasabah se-
belumnya. Jika waktu melayani dari teler ke-i adalah peubah acak ek-
spoensial dengan parameter θ
i
, hitung E(T), dimana T adalah waktu
yang dihabiskan K di Bank.
4. Pandang soal sebelumnya. Berapa peluang orang ketiga (orang yang
baru masuk ke bank) bukanlah orang yang terakhir keluar dari bank?
5. Misalkan Ita memasuki sebuah bank yang memiliki seorang teller. Ita
melihat ada 5 nasabah di bank, 1 orang sedang dilayani dan 4 orang
yang lain antre. Ita pun antre. Jika waktu layanan berdistribusi den-
gan parameter µ, berapa lama waktu (expected amount of time) yang
dihabiskan Ita di bank?
6. Manakah pernyataan yang BENAR?
E(X
2
|X > 1) = E((X + 1)
2
)
E(X
2
|X > 1) = E(X
2
) + 1
E(X
2
|X > 1) = (E(X) + 1)
2
)
7. Disebuah toko ada 2 petugas jaga. Tiga orang: Fer, Fir dan Fur datang
ke toko bersamaan. Fer dan Fir langsung mendatangi petugas toko,
sedangkan Fur menunggu (baca: antre). Berapa peluang bahwa Fer
masih berada di toko setelah Fir dan Fur pergi apabila waktu layanan:
(a) untuk setiap pertugas adalah tepat (tidak acak) 10 menit?
(b) adalah i dengan peluang 1/3, i = 1, 2, 3?
(c) berdistribusi eksponensial dengan mean 1/µ?
8. Jika X
1
dan X
2
peubah acak-peubah acak kontinu non negatif yang saling
bebas, tunjukkan
P(X
1
< X
2
| min(X
1
, X
2
) = t) =
r
1
(t)
r
1
(t) + r
2
(t)
,
dimana r
i
(t) fungsi LG untuk X
i
.
MA4081 Pros.Stok. 5 K. Syuhada, PhD.

Daftar Isi
1 Peubah Acak dan Distribusi 1.1 ILUSTRASI . . . . . . . . . . . . . . . . . . . 1.2 RUANG SAMPEL dan PELUANG . . . . . . 1.3 PEUBAH ACAK dan FUNGSI DISTRIBUSI 1.4 DISTRIBUSI DISKRIT . . . . . . . . . . . . 1.5 DISTRIBUSI KONTINU . . . . . . . . . . . . 1 1 4 5 8 11

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

2 Peluang dan Ekspektasi Bersyarat 1 2.1 EKSPEKTASI . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2.2 FUNGSI PELUANG BERSAMA . . . . . . . . . . . . . . . . . 7 2.3 EKSPEKTASI BERSYARAT . . . . . . . . . . . . . . . . . . . 14 3 Rantai Markov 3.1 ILUSTRASI . . . . . . . . . . 3.2 DEFINISI . . . . . . . . . . . 3.3 PELUANG N -LANGKAH . . 3.4 Program MATLAB dan R . . 3.5 JENIS KEADAAN . . . . . . 3.6 LIMIT PELUANG TRANSISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 3 6 9 12 17 1 1 1

4 Distribusi Eksponensial dan Proses Poisson 4.1 ILUSTRASI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 PEUBAH ACAK EKSPONENSIAL . . . . . . . . . . . . . . . .

i

BAB 1 Peubah Acak dan Distribusi
1.1 ILUSTRASI

(Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari tembakan B) mengenai sasaran adalah 0.4. Pertanyaan yang mungkin adalah... 1. Jika sebuah tembakan mengenai sasaran, berapa peluang bahwa itu tembakan G? 2. Berapa peluang bahwa, jika sasaran tertembak, kedua tembakan mengenai sasaran? 3. Berapa peluang bahwa, jika sasaran tertembak, tembakan G mengenai sasaran? Misalkan Misalkan Misalkan Misalkan B kejadian B menembak sasaran G kejadian G menembak sasaran T kejadian sebuah tembakan mengenai sasaran S kejadian sasaran tertembak P (G ∩ T ) P (T ) P (G ∩ B c ) = P (G ∩ B c ) + P (B ∩ Gc ) (0.4)(0.3) = (0.4)(0.3) + (0.7)(0.6)

P (G|T ) =

1

7) = 1 − (0. Berapa peluang hal itu akan terjadi? 2. Jika diketahui Ega mengecek kotak surat 1 tidak menemukan surat. .4 = 1 − (0. Syuhada. PhD.6)(0. Misalkan T kejadian mengecek kotak surat 1 tidak mendapatkan surat. 1. 3 adalah kejadian surat berada di kotak surat j.. berapa peluang bahwa surat itu ada di kotak surat 1? Misalkan Kj . 2. Misalkan pi adalah peluang bahwa Ega akan menemukan surat setelah mengecek kotak surat j dengan cepat jika ternyata surat tersebut berada di kotak surat j. 3. j = 1. j = 1. Pertanyaan yang mungkin adalah. Ega tahu bahwa sebuah surat akan berada di salah satu dari tiga buah kotak surat yang ada.P (G ∩ B|S) = P (G ∩ S) P (B ∩ S) P (S) P (G)P (B) = 1 − P (Gc ∩ B c ) (0.3) (Ilustrasi 2) Sebagai seorang sekretaris.Stok..3) P (G|S) = P (G ∩ S) P (S) P (G ∩ S) = 1 − P (Gc ∩ B c ) 0.4)(0. Misalkan Ega mengecek kotak surat 1 tidak menemukan surat. Peluang hal itu akan terjadi adalah P (T ) = P (T |K1 )P (K1 ) + P (T |K2 )P (K2 ) + P (T |K3 )P (K3 ) = (1 − p1 )(1/3) + 1/3 + 1/3 Jika diketahui Ega mengecek kotak surat 1 dan tidak menemukan surat. 2 K. maka peluang bahwa surat itu ada di kotak surat 1 adalah P (K1 |T ) = P (T |K1 )P (K1 ) P (T |K1 )P (K1 ) + P (T |K2 )P (K2 ) + P (T |K3 )P (K3 ) (1 − p1 )(1/3) = (1 − p1 )(1/3) + 1/3 + 1/3 MA4081 Pros. 2.6)(0.

95)52 − 52(0.74 (Ilustrasi 5) Misalkan X peubah acak berdistribusi Poisson dengan mean λ. 60 dan 70 persen-nya adalah mahasiswa Angkatan 2008.(Ilustrasi 3) Kuliah Analisis Multivariat. 0.05). mahasiswa akan mungkin mengundurkan diri dari perkuliahan tersebut. Parameter λ berdistribusi eksponensial dengan mean 1. Berapa peluang akan ada kursi yang tersedia untuk setiap pemesan tiket yang datang? Misalkan X peubah acak yang menyatakan banyaknya orang yang tidak datang dengan peluang ’sukses’ (tidak datang) 0. dan Proses Stokastik di MA ITB diikuti oleh 50. 75 dan 100 mahasiswa. PhD.05)0 (0. 3 K. Dari jumlah tersebut diketahui bahwa 50. X ∼ B(52.Stok. Berapa peluang bahwa mahasiswa tersebut mengambil kuliah Proses Stokastik? (Ilustrasi 4) Maskapai penerbangan mengetahui bahwa lima persen pemesan tiket tidak akan datang untuk membeli tiketnya.05. Seperti biasa. Dengan alasan ini. . Seorang mahasiswa mengundurkan diri dan dia adalah mahasiswa Angkatan 2008. maskapai tidak ragu untuk menjual 52 tiket penerbangan pada pesawat dengan kapasitas duduk 50 orang.05)1 (0. Tunjukkan bahwa P (X = n) = (1/2)n+1 ∞ P (X = n) = 0 ∞ P (X = n|λ) e−λ dλ = e−λ λn −λ e dλ n! 0 ∞ 1 = e−2λ λn dλ n! 0 ∞ 1 = (1/2)n+1 e−s sn ds n! 0 MA4081 Pros. Statistika Matematika. Syuhada. dengan kemungkinan yang sama.95)51 = 0. P (X ≥ 2) = 1 − [P (X = 0) + P (X = 1)] = 1 − (0.

• Ruang sampel S adalah himpunan dari semua hasil yang mungkin dari suatu percobaan. 1] yang memenuhi tiga aksioma berikut: 1.1. . Peluang kejadian A adalah P (A) = n(A) n(S) • Peluang atau ukuran peluang P pada lap-σ A adalah suatu pemetaan dari A terhadap selang [0. untuk setiap A ∈ A 2. Anggota dari S disebut kejadian elementer. P (S) = 1 3. . . Untuk himpunan terhitung kejadian-kejadian saling asing A1 . . • Kejadian adalah himpunan bagian dari ruang sampel atau koleksi dari kejadian-kejadian elementer. ∞ ∞ P i=1 Ai = i=1 P (Ai ) Teorema 1. P (A ∪ B) = P (A) + P (B) − P (A ∩ B) MA4081 Pros.Stok. A2 . A adalah kejadian. 0 ≤ P (A) ≤ 1. P (Ac ) = 1 − P (A) 2. Peluang • Peluang kejadian A adalah P (A) = lim n(A) n n→∞ • Misalkan S adalah ruang sampel.2 RUANG SAMPEL dan PELUANG Ruang sampel dan Kejadian • Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Jika A ⊂ B maka P (A) ≤ P (B) 3. 4 K. Syuhada. PhD..

A. . } dari bilangan real dan barisan {pi . FX disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung {ai . i = 1. Diskrit Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan {ai . . 2. . } dari bilangan positif yang bersesuaian sedemikian hingga pi = 1 i dan FX (x) = ai ≤x pi Jika diberikan himpunan terhitung {ai . } sdh i pi = 1. . 2. . . dengan x = ai Fungsi distribusi (kumulatif): F (x) = P (X ≤ x) Sifat-sifat: (a) F fungsi tidak turun MA4081 Pros.Stok. i = 1. 5 K. i = 1. 2. } dan bilangan positif {pi . 2. . . } sedemikian hingga P i {X = ai } = i P (X = ai ) = 1 Catatan: Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit. fungsi peluang pX (x) adalah pX (x) = pi = P (X = ai ). 2. . . .3 PEUBAH ACAK dan FUNGSI DISTRIBUSI Peubah Acak • Peubah acak tidaklah “acak” dan bukanlah “peubah” • Peubah acak adalah “fungsi” yang memetakan anggota S ke bilangan real R P. Syuhada.1. . . i = 1. i = 1. . PhD. . .

Syuhada. Kontinu Misalkan X peubah acak dan fungsi distribusinya FX dapat diturunkan. fX (x) = d FX (x) dx atau dengan kata lain x FX (x) = −∞ fX (t) dt Definisi: Jika X adalah peubah acak sedemikian hingga fungsi peluangnya ada (turunan dari fungsi distribusi) maka X dikatakan sebagai peubah acak kontinu. PhD.A. . 6 K.Stok. Fungsi peluang fX adalah turunan dari fungsi distribusi.(b) limx→∞ F (x) = 1 (c) limx→−∞ F (x) = 0 (d) F fungsi kontinu kanan Catatan: • P (a < X ≤ b) = F (b) − F (a) • P (X ≤ b) = P (X < b) • P (X < b) = P n→∞ lim X ≤b− 1 n 1 n = lim P X ≤ b − n→∞ n→∞ = lim F b − 1 n P. Catatan: ∞ 1 = FX (∞) = −∞ fX (t) dt b P (a ≤ X ≤ b) = FX (b) − FX (a) = a a fX (t) dt P (X = a) = a fX (t) dt = 0 MA4081 Pros.

7 K. x = 4     0.   3/5.3. x = −0. F (F (3. x = 20p f (x) = p. PhD. x=3    4p. F (x) = 7/10.1 −3. 1≤x<2 9   2≤x<3  10 . Tentukan fungsi  0. peluang dari fungsi distribusi berikut: x < −3.    1.Stok.1)) MA4081 Pros. yang lain Hitung P (−1.    0.9 p.Contoh/Latihan: 1. Diketahui fungsi peluang sebagai berikut:  x = −1. .   1. x<0   1 x  + . Syuhada. 0≤x<1 3 5  3 F (x) = 5 . Tentukan fungsi peluang dari fungsi distribusi berikut:  0.1. x≥3 3.9 ≤ |X| ≤ 3).1    0.1 ≤ x < 0 0≤x<1 1≤x 2. F (2).

dimana n pX (k) = B(k. gagal} adalah ruang sampel yang menotasikan ’sukses’ atau ’gagal’ dari suatu percobaan. X dikatakan peubah acak Bernoulli dengan parameter p. Untuk pesawat bermesin 4: P (X ≥ 2) = P (X = 2) + P (X = 3) + P (X = 4) = 6p2 (1 − p)2 + 4p3 (1 − p) + p4 · · · ∗ sedangkan untuk pesawat bermesin 2: P (X ≥ 1) = 1 − P (X = 0) = 1 − (1 − p)2 · · · ∗ ∗ Syarat: * lebih besar dari **. .. p). PhD.1. saling bebas antara mesin satu dan yang lain. Misalkan sebuah pesawat akan melakukan penerbangang sukses jika setidaknya 50% mesin bekerja dengan baik (tidak rusak). Diperoleh p > 2/3. Untuk bisa bertahan hidup dari hari ke hari sudahlah merupakan mukjizat. Syuhada. Jika dilakukan n percobaan independen dan jika X menyatakan banyaknya sukses yang diperoleh maka X dikatakan sebagai peubah acak Binomial dengan parameter (n. dengan i menyatakan orang kei. 2. 8 K. Distribusi Binomial Misalkan S = {sukses.4 DISTRIBUSI DISKRIT (Ilustrasi B-1) Pasien di IGD adalah orang-orang yang dianggap dekat dengan kematian. . p) = Ck pk (1 − p)n−k MA4081 Pros. sebuah pesawat dengan 4 mesin akan lebih disukai (terbang lebih baik) dibandingkan dengan pesawat dengan 2 mesin? Misalkan X menyatakan banyak mesin baik (tidak rusak). i = 1. Asumsikan bahwa setiap orang memiliki peluang untuk dapat bertahan hidup sampai hari esok sebesar αi . Kesembuhan dari penyakit yang dideritanya bagi mereka adalah seperti mimpi.Stok. berapa peluang besok hanya akan ada 2 orang saja yang masih hidup? (Ilustrasi B-2) Misalkan sebuah mesin dari pesawat akan rusak (saat terbang) dengan peluang 1-p. . Jika jumlah pasien IGD pada suatu hari adalah 5 orang. n. . Definisikan X(sukses) = 1 dan X(gagal) = 0 dan pX (1) = P (X = 1) = p pX (0) = P (X = 0) = 1 − p dimana 0 ≤ p ≤ 1 adalah peluang diperoleh sukses. Untuk p berapa.

Pertanyaan yang mungkin adalah. Ilustrasi G-1 Ini kisah masa lalu Nurul yang sempat diceritakan sesaat sebelum Nurul menikah. berapa peluang bahwa Nurul akhirnya menikahi orang yang bukan saudara sedarah? (Ilustrasi G-2) Tiga remaja makan disuatu restoran. P (X > 4) Peluang ’sukses’ (ada yang lantunannya berbeda alias ada yang bayar) adalah 3/4. . Berapa peluang tidak ada kecelakaan pada hari ini? Misalkan X menyatakan banyak kecelakaan. Ibu mendapat dua orang anak tiri dan melahirkan tiga orang anak.. mereka sepakat untuk mengundi dengan melantunkan koin. Dengan demikian X ∼ Geo(3/4). P (X = 3) = (1/4)2 (3/4) = 3/64 P (X > 4) = 1 − P (X ≤ 4) = 1/256 MA4081 Pros. Syuhada. Distribusi Poisson Misalkan X peubah acak dengan fungsi peluang pX (i) = e−λ λi i! untuk i = 0. . X disebut peubah acak Poisson dengan parameter λ. Lalu Ibu kawin lagi. • Berapa peluang bahwa orang yang dinikahi Nurul tidak memiliki hubungan darah? • Jika Nurul tidak ingin menikah dengan saudara sedarah. . dan λ > 0. Untuk menentukan siapa yang akan membayar. Ayah tiriku kawin lagi dengan seorang janda yang sudah beranak dua. P (X = 0) = exp(−3) (Ilustrasi P-2) Misalkan X peubah acak Poisson dengan parameter λ. . tentukan (i) P (X = 3) (ii) b.. Ibu pun meninggal. Seseorang dengan hasil lantunan yang berbeda dengan yang lain wajib membayar makanan yang telah dipesan. Katanya “Ayahku meninggal waktu usiaku tiga tahun. 2. Jika X menyatakan banyaknya lantunan koin yang harus dilakukan.Stok. PhD. 9 K. Ia melahirkan dua orang anak pula dengan ayah tiriku”. 1. Ketika usiaku lima belas tahun.(Ilustrasi P-1) Banyaknya kecelakaan yang terjadi di tol setiap hari berdistribusi Poisson dengan parameter λ = 3. Tunjukkan bahwa P (X = i) naik secara monoton sebelum kemudian turun secara monoton untuk i semakin besar. Dengan ayah tiriku.

untuk n = 1. Syuhada. MA4081 Pros. . Percobaan-percobaan tersebut saling bebas dan memiliki peluang sukses p. Misalkan X menyatakan banyaknya percobaan yang dilakukan untuk mendapatkan sukses pertama tersebut. Fungsi peluangnya adalah p(n) = P (X = n) = (1 − p)n−1 p. maka X dikatakan peubah acak Geometrik dengan parameter p. . 10 K. .Distribusi Geometrik Misalkan percobaan-percobaan dilakukan hingga diperoleh sukses yang pertama. PhD. 2.Stok. . dan p > 0.

berapa peluang bahwa lebih dari 60 orang hadir di kelas? Teorema Limit DeMoivre-Laplace Jika Sn menyatakan ‘banyaknya sukses’ yang terjadi pada n percobaan indeMA4081 Pros. Kenormalan atau ketidaknormalan data sangat penting dalam menentukan uji statistik yang bersesuaian. sesungguhnya hasil-hasil tersebut dapat diprediksi sebagai kelompok individu. ada beberapa hal yang dapat diprediksi. Meannya 100 dan umumnya IQ seseorang akan berada diantara 85-115 atau 15 nilai dari mean. Departemen MA ITB mencatat bahwa biasanya hanya 30 persen mahasiswa saja dari total yang terdaftar yang benar-benar hadir dalam perkuliahan. Ketika hasil pengukuran membentuk suatu distribusi normal. 11 K. Salah satu pola umum pada hasil pengukuran (tentunya berupa angka) adalah bahwa kebanyakan pengukuran-pengukuran tersebut terkonsentrasi di sekitar mean dari distribusi tersebut. Tentu saja. Dengan demikian. Misalnya. mean. Namun demikian. Apabila distribusi frekuensi digambarkan.5 DISTRIBUSI KONTINU Ilustrasi Riset bidang psikologi melibatkan pengukuran perilaku. Jika MA ITB memutuskan menerima 180 mahasiswa untuk kelas TP. Jika psikolog mengetahui mean dan deviasi standar maka akan dapat ditentukan proporsi skor/nilai yang berada disetiap daerah jangkauan (range). terdapat beberapa kasus dengan nilai/hasil pengukuran yang tidak berdistribusi normal. terlepas dari keumuman distribusi normal. Kedua. Namun demikian. . PhD. Ada sedikit hasil pengukuran yang jauh dari mean. Hasil-hasil pengukuran akan berbeda antara individu satu dengan yang lainnya.1. median dan modus sama. Distribusi Normal Definisi: Peubah acak kontinu X adalah peubah acak Normal atau GAUSS dengan parameter µ dan σ 2 jika fungsi peluang fX nya sbb: fX (x) = √ 1 exp(−(x − µ)2 / 2 σ 2 ). seseorang dapat memperkirakan seberapa jauh (dari mean) hasil pengukuran akan terjadi. −∞ ≤ x ≤ ∞ 2πσ Diskusi: Ukuran ideal jumlah mahasiswa di kelas TP adalah 60 orang.Stok. nilai IQ. Kebanyakan hasil pengukuran perilaku mengikuti distribusi normal. akan dapat ditentukan skor/nilai mana yang lebih mungkin terjadi dan peluang/proporsi nilai diatas atau dibawah nilai tersebut. akan tampak kurva berbentuk bel (bell-shaped curve) yang disebut DISTRIBUSI NORMAL. Pertama. Syuhada.

maka untuk setiap a < b. Jika X berdistribusi Uniform pada selang (-1. untuk n → ∞. (pendekatan Normal untuk Binomial akan ‘baik’ jika np(1 − p) besar.Stok. np(1 − p) ≥ 10) Distribusi Uniform Definisi: Peubah acak kontinu X dikatakan berdistrbusi seragam pada selang (a.penden. . PhD. jika kita definisikan peubah acak X sbb: X = F −1 (U ) maka peubah acak X memiliki fungsi distribusi F . 12 K. tentukan fungsi peluang dari |X|. tentukan P (|X| > 1/2). Jika F (x) = 1 − e−x maka F −1 (u) adalah nilai x sedemikian hingga 1 − e−x = u atau x = − log(1 − u) MA4081 Pros. b) jika fungsi peluang fX nya sbb: fX (x) = 1 . P a≤ Sn − np np(1 − p) ≤b → Φ(b) − Φ(a). Misalkan lama (dalam menit) mahasiswa mengikuti kuliah TP adalah peubah acak dengan fungsi peluang seperti gambar dibawah berikut. Untuk setiap fungsi distribusi kontinu F . 2.1). a≤x≤b b−a Contoh/Latihan: 1. dengan peluang sukses adalah p. Contoh. Tentukan peluang seorang mahasiswa mengikuti kuliah lebih dari 15 menit? antara 20 dan 35 menit? Inverse Transformation Method Misalkan U peubah acak Uniform(0. Syuhada. 1).

x ∼ Gamma(α. Γ n+ 1 2 = (2n)! √ π n! 22n 2. t > 0 Diskusi. Dalam hal ini kita pandang peubah acak Binomial negatif ini sebagai waktu yang diberikan untuk sukses ke-r. . Jika kita memandang banyaknya percobaan Bernoulli yang dilakukan sampai diperoleh (dan termasuk) sukses ke-r. α < 1. . 5/2. x>0 Γ(α) dimana α dan λ adalah bilang real positif. jika U adalah peubah acah Uniform(0. 5 MA4081 Pros. 1. Jelaskan/Buktikan: Γ(n) = (n − 1)! n = 1. α > 1? 3. λ). . Peubah acak Gamma adalah analogi dalam bentuk kontinu untuk peubah acak Binomial negatif. 13 K. . Distribusi Gamma Peubah acak Gamma: Misalkan percobaan Bernoulli diulang-ulang sebanyak n kali. maka banyaknya ‘sukses’ yang diperoleh adalah peubah acak berdistribusi Binomial dengan parameter n dan p. Definisi Fungsi Gamma: ∞ Γ(t) = 0 xt−1 e−x dx Catatan: Γ(t + 1) = t Γ(t). 2. Kita katakan X berdistribusi Gamma dengan parameter α dan λ. PhD. maka kita dapatkan peubah acak beristribusi Binomial negatif dengan parameter r dan p.Jadi. Syuhada. Berikan ilustrasi pada λ = 2 dan α = 1/2. Definisi: Peubah acak kontinu X adalah peubah acak Gamma jika memiliki fungsi peluang f (x) = λα α−1 −λx x e . 1. Jika α membesar maka fungsi peluang Gamma nampak seperti fungsi peluang Normal. dimana p adalah peluang sukses. Apa yang dapat kita katakan tentang distribusi Gamma jika α = 1.1) maka F −1 (U ) = − log(1 − U ) adalah peubah acak Eksponensial dengan mean 1 (parameter 1).Stok.

Pengurus dan Anggota HIMATIKA sebanyak 120 orang akan berangkat ke Jakarta dengan menggunakan 3 bis. seorang mahasiswa dipilih secara acak.BAB 2 Peluang dan Ekspektasi Bersyarat 2. Ekspektasi adalah rata-rata tertimbang (weighted average) dari nilai yang mungkin dari X 2. 40 mahasiswa di bis 2 dan 44 mahasiswa di bis 3. Ekspektasi = mean = momen pertama 3. Misalkan X menyatakan 1 . Ketika bis sampai tujuan. Catatan: 1. Apakah ekspektasi harus berhingga? (Diskusi!) Contoh/Latihan: 1. Ada 36 mahasiswa di bis 1. Ekspektasi suatu peubah acak adalah nilai rata-rata (long-run average value) dari percobaan bebas yang berulang 3.1 EKSPEKTASI Definisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah E(X) = x x pX (x) dan ∞ E(X) = −∞ x fX (x) dx dimana pX dan fX adalah fungsi peluang dari X.

banyaknya mahasiswa di bis dimana seseorang tersebut terpilih. Hitung E(X). (Solusi: 40.2667) 2. Jika X ∼ P ois(λ), tentukan E(X). (Solusi: λ) 3. Misalkan X adalah peubah acak dengan nilai yang mungkin −1, 0, 1 dan peluang: p(−1) = 0.2, p(0) = 0.5, p(1) = 0.3 Hitung E(X 2 ). (Solusi: 0.5) SIFAT-SIFAT EKSPEKTASI 1. E(g(X)) =
∞ −∞

g(x) fX (x) dx

2. E(a X + b Y ) = a E(X) + b E(Y ) 3. E(XY ) = E(X) E(Y ), jika X dan Y saling bebas. 4. E(X) = 5. E(X r ) =
∞ 0

P (X > x) dx, untuk X > 0 (*) xr fX (x) dx (momen ke-r)
∞ −∞

∞ −∞

6. E((X − µX )r ) =

(x − µX )r fX (x) dx (momen pusat ke-r)

7. E((X − µX )2 ) = V ar(X) = E(X 2 ) − (E(X))2 Deviasi standar dari X adalah akar kuadrat Variansi dari X. 8. E(etX ) =
∞ −∞

etx fX (x) dx = MX (t) (fungsi pembangkit momen)

9. MX (0) = E(X), MX (0) = E(X 2 ) Contoh/Latihan: 1. Misalkan Y menunjukkan banyaknya gol yang diciptakan oleh seorang pemain sepak bola di suatu pertandingan yang terpilih acak: y 0 1 p(y) 0.1 0.2 2 0.3 3 4 5 0.2 0.1 0.05 6 0.05

Misalkan W adalah banyaknya pertandingan dimana seorang pemain sepak bola menciptakan 3 atau lebih gol dalam 4 pertandingan terpilih acak. Berapa nilai harapan banyak pertandingan dimana pemain menciptakan 3 atau lebih gol?

MA4081 Pros.Stok.

2

K. Syuhada, PhD.

Solusi: P (Y ≥ 3) = 0.4 = P (’sukses’) = p E(W ) = n p = 4 (0.4) = 1.6 2. Misalkan X peubah acak dengan MX (t) sebagai fungsi pembangkit momen. Didefinisikan f (t) = ln MX (t). Tunjukkan bahwa f (0) = V ar(X) Solusi: f (t) = MX (t)/MX (t) f (t) = saat t = 0, f (0) = MX (0) MX (0) − (MX (0))2 = E(X 2 ) − (E(X))2 = V ar(X) (MX (0))2 MX (t) MX (t) − (MX (t))2 (MX (t))2

dimana MX (0) = 1, MX (0) = E(X), MX (0) = E(X 2 ). 3. Diketahui fungsi peluang: f (x) = c (4x − 2x2 ), 0 < x < 2 Hitung E(X) dan P (1/2 < X < 3/2) Solusi:
2 2

f (x) dx =
0 0

c(4x − 2x2 ) dx = 1

Diperoleh c = 3/8. E(X) = x 3/8 (4x − 2x2 ) dx = 1
3/2

P (1/2 < X < 3/2) =
1/2

3/8 (4x − 2x2 ) dx = 11/16

4. Diketahui X ∼ B(n, p). Buktikan: E 1 X +1 = p + q(1 − q n ) (n + 1)p 3 K. Syuhada, PhD.

MA4081 Pros.Stok.

Bukti: E 1 X +1
n

=
i=0 n

1 n!(n − i)! i! pi q n−i i+1 n!(n − i)! (i + 1)! pi q n−i

=
i=0

1 = (n + 1)p = = = = = 5. Diketahui: f (x) = 1 (n + 1)p

n n+1 Ci+1 pi+1 q n−i i=0 n+1 n+1 Cj pj q n+1−j j=1

1 n+1 1 − C0 p0 q n+1−0 (n + 1)p 1 1 − q n+1 (n + 1)p p + q − q n+1 (n + 1)p p + q(1 − q n ) (n + 1)p

1 (λ x)r−1 λ exp(−λ x) Γ(r)

Tentukan E(X k ), k = 2, 3 Solusi: X ∼ Gamma(r, λ) dengan MX (t) = (1 − λ t)−r . MX (t) = · · · , MX (t) = · · · 6. Misalkan X peubah acak berdistribusi Poisson dengan parameter θ. Tunjukkan bahwa: E X n = θ E (X + 1)n−1

MA4081 Pros.Stok.

4

K. Syuhada, PhD.

2 ≤ x < 3 1 . PhD. 5 K. berapa peluang mhs itu selesai belajar kurang dari 4. Syuhada.5 jam ? (d) Hitung P (X = 2).Stok. 4<x<6 4 (a) Berapa persen mhs menghabiskan waktu lebih dari 150 menit utk belajar TP ? (b) Berapa rata-rata lama waktu mhs belajar TP ? (c) Jika seorang mhs menghabiskan waktu lebih dari 130 menit.5 (x − 2) dx + 6 4 1/4 dx MA4081 Pros.Bukti: ∞ E X n = i=0 ∞ in e−λ λi / i! in e−λ λi / i! i=1 ∞ = = i=1 ∞ in−1 e−λ λi / (i − 1)! (j + 1)n−1 e−λ λj+1 / j! j=0 ∞ = =λ (j + 1)n−1 e−λ λj / j! j=0 = λ E (X + 1)n−1 7.5) = (b) E(X) = 10/3 (c) P (X < 4. Misalkan X menyatakan lama (jam) mhs belajar TP dan fungsi peluang X adalah sbb: f (x) = x − 2.5)/P (X > 13/6) (d) P (X = E(X)) = 0. . P (X < E(X)) Solusi: (a) P (X > 2. P (X = 3). P (X < E(X)) = P (X < 10/3) = 1/2 3 2.5|X > 13/6) = P (13/6 < X < 4. P (X = E(X)).

3) = p(4) + p(5.    1. a.15 e4t + 0.2 e−2t + 0. . F (x) =   0. p(3) = q.2. PhD.55 e5.25 ⇔ q = 0.    0. Gunakan MX (t) untuk menentukan Var(X).2t + 0. p(5.45 e3t + 0.6 + 2q. MX (t) = 0.1 e2.4 e−2t + 0.     0. p(2.2.2 2. MX (t) = E(etX ) = etx p(x) = e−2t p(−2) + e0t p(0) + e2.5.2t + 0.4 + 0. ≤ x < 3 3≤x<4 4 ≤ x < 5.Stok.1.6 e4t + 0.1 e5.5) = 0. 6 K.15 e3t + 0.6 + q.6 + 0.5t b.25.3) = 0.15 e3t + 0.5) = 0.15 a.3 + 0.4−2q P (X > 3.5 x ≥ 5.  0.55 = 1.     0.15 e4t + 0. Solusi: p(−2) = 0.5t MX (0) = −0.22 e2.42 MA4081 Pros.5t p(5.2. p(4) = q.4 − 2q = 0.2t p(2.3.3 + 0.8.45 + 0.5t = −0. Misalkan X peubah acak dengan fungsi distribusi   0.2) = 0.22 + 0. Syuhada.5 dan diketahui P (X > 3. p(0) = 0. x < −2 −2 ≤ x < 0 0 ≤ x < 2.5) = q + 0.2t + 0.6.1 e5.2) + e3t p(3) + e4t p(4) + e5.2 e−2t + 0. Tentukan fungsi pembangkit momen dari X atau MX (t) b.1 e2.

Y (x.Y (x. Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter kecelakaan. Banyaknya kecelakaan pada seseorang setiap tahun berdistribusi Poisson dengan parameter λ. kejadian dimana X bernilai x dan Y bernilai y Proposisi Fungsi peluang bersama pX. 7 K. kita juga dapat menentukan banyak kecelakaan (yang diharapkan) pada tahun berikutnya. y) = P (X = x. Y = y} adalah irisan kejadian {X = x} dan {Y = y}. y) = 1 Proposisi Misalkan X dan Y peubah acak-peubah acak diskrit yang didefinisikan pada ruang sampel yang sama. x.Stok. y) = 0 terhitung 3. y). {X = x. kita dapat menentukan peluang bersyarat dari parameter kecelakaannya. Fungsi peluang bersama (joint pmf) dari X dan Y adalah pX. Perusahaan juga menduga bahwa pemegang polis baru akan memiliki parameter kecelakaan yang nilainya adalah peubah acak gamma dengan parameter s dan α. Jika seorang pemegang polis baru mengalami n kecelakan di tahun pertama.2.Y memenuhi sifat-sifat berikut: 1. Y = y) Catatan: 1. pX.2 FUNGSI PELUANG BERSAMA Ilustrasi. Kondisi bahwa X dan Y terdefinisi pada ruang sampel yang sama berarti 2 peubah acak tsb memberikan informasi secara bersamaan terhadap keluaran (outcome) dari percobaan yang sama 2.y pX. pX (x) = y pX. Maka. y) 2. . PhD. Misalkan X dan Y ada peubah acak-peubah acak diskrit yang terdefinisi di ruang sampel yang sama. y) ≥ 0. ∀ (x. x ∈ R MA4081 Pros.Y (x. Syuhada. y) ∈ R2 : pX. Selain itu.Y (x. (x.Y (x.

8 K.dan pY (y) = x pX.46 4 0. Y kamar mandi): X\Y 2 3 2 3 0 3 14 12 4 2 11 Total 23 4 0 2 5 5 0 0 1 Total 28 50 a. . Asumsikan fungsi peluang bersama dari X dan Y adalah pX. y ∈ N dimana 0 < p < 1. y) = y=1 ∞ p2 (1 − p)x+y−2 (1 − p)y = p (1 − p)x−1 = p2 (1 − p)x−2 y=1 MA4081 Pros. y) = p2 (1 − p)x+y−2 .06 0.28 0. PhD. diskrit).Y (x. 2) b.10 0. Misalkan kita punyai 2 komponen elektronik yang identik.04 0.14 5 0.02 0. y). Hitung pX. Diberikan data ttg jumlah kamar tidur dan kamar mandi dari 50 rumah yang akan dijual sbb (X kamar tidur.00 2.00 0.00 0.24 0.38 3 0.Stok.Y (x. Solusi: ∞ pX (x) = y pX. Syuhada. Contoh/Latihan: 1. Tentukan dan identifikasikan fungsi peluang marginal dari X dan Y .38 1.04 0.00 0.02 Total 0.Y (x.Y (3. Misalkan juga X dan Y adalah waktu hidup (jam.56 0. y ∈ R adalah fungsi peluang marginal dari X dan fungsi peluang marginal dari Y . x. Tentukan fungsi peluang bersama dari X dan Y Solusi: X\Y 2 3 4 Total 2 0.06 0.22 0.00 0.

. FX. Tiga dari 8 politisi ini dipilih secara acak dengan pengembalian.Stok. y) = Cx. 2 Demokrat. Pandang keadaan pada soal 2. 4 PDIP. y) = x>4 y>4 x=5 y=5 p2 (1 − p)x+y−2 = · · · = (1 − p)8 P (X ≥ 2Y ) + P (Y ≥ 2X) = 2 P (X ≥ 2Y ) ∞ ∞ =2 y=1 x=2y p2 (1 − p)x+y−2 2(1 − p) 3 − 3p + p2 = ··· = Definisi: Misalkan X dan Y adalah peubah acak-peubah acak yang terdefinisi di ruang sampel yang sama. Y ≤ y).Y adalah FX. Fungsi distribusi bersama dari X dan Y . 9 K. Tentukan peluang bahwa (a) kedua komponen elektronik tsb bertahan lebih dari 4 jam? (b) salah satu komponen bertahan setidaknya 2 kali dari komponen yang lain? Solusi: ∞ ∞ pX.3−x−y (1/4)x (1/4)y (1/2)3−x−y .3. Diantara 8 orang politisi: 2 Golkar. Y banyaknya Demokrat.Y (x.Y (x.Y (x.y. 1. Syuhada. x. y) = P (X ≤ x. y ∈ R Contoh: MA4081 Pros. 3 X\Y 0 0 1/8 1 3/16 2 3/32 3 1/64 Total 27/64 1 3/16 3/16 3/64 0 27/64 2 3 3/32 1/64 3/64 0 0 0 0 0 9/64 1/64 Total 27/64 27/64 9/64 1/64 1 4. Misalkan X adalah banyaknya Golkar. PhD. x. Tentukan fungsi peluang bersama X dan Y . y = 0. 2. Hitung P (X = Y ) Solusi: 3 pX.

Y (x. d) + FX. 0 < y < 1} Misalkan X dan Y menyatakan koordinat x dan y dari titik yang terpilih. c < Y ≤ d) = FX. c ≤ Y ≤ d) = a c fX. d dimana a < b dan c < d. y) dxdy Catatan: fX. d) − FX. y ≥ 1 Proposisi. . y) ∈ R2 ∞ ∞ 2.Y (x. y) dari peubah acak X dan Y memenuhi 2 sifat berikut 1. 0 ≤ y < 1 Kasus 3: 0 ≤ x < 1. Syuhada.Y (x.Y (a. c) − FX. 10 K. y) dxdy = 1 Proposisi Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi MA4081 Pros. Suatu fungsi peluang bersama fX. Jawab: Kasus 1: x < 0. y) ≥ 0 untuk semua (x. Tentukan fungsi distribusi bersama dari X dan Y . d dimana a < b dan c < d. y) = ∂2 ∂2 FX. −∞ −∞ fX.Misalkan sebuah titik diambil secara acak dari {(x. c.Stok.Y (x. 0 ≤ y < 1 Kasus 5: x ≥ 1. PhD.Y (x. Misalkan X dan Y adalah peubah acak-peubah acak yang didefinisikan pada ruang sampel yang sama. y) = FX. b.Y (x. Fungsi non-negatif fX. y ≥ 1 Kasus 4: x ≥ 1. b d P (a ≤ X ≤ b.Y (x.Y adalah fungsi peluang bersama dari X dan Y untuk semua bilangan riil a. b.Y (b. P (a < X ≤ b. Misalkan X dan Y peubah acak-peubah acak terdefinisi di ruang sampel yang sama. y) ∈ R2 : 0 < x < 1. y) ∂x ∂y ∂y ∂x Proposisi. c.Y (b.Y (a. y < 0 Kasus 2: 0 ≤ x < 1. Untuk semua bilangan riil a. c) Definisi. fX.

Stok. d. x ∈ R dan ∞ fY (y) = ∞ fX. 0 ≤ x ≤ 1. b. Contoh/Latihan: 1. Syuhada. y) = c x y 2 .peluang bersama fX. y ≥ 0 c. Tentukan c Tentukan fungsi peluang marginal X dan Y Hitung P (Y > 2X) Apakah X dan Y saling bebas? Solusi: a. MA4081 Pros. c. PhD. Untuk menentukan c: ∞ y −y 1= 0 c (y 2 − x2 ) e−y dx dy = 8c Jadi c = 1/8. Misalkan X dan Y memiliki fungsi peluang bersama (i) f (x.Y (x. y)dx. 0 ≤ y ≤ 1 a.Y (x. y) = c (y 2 − x2 ) e−y . 11 K. ∞ y/2 −y P (Y > 2X) = 0 c (y 2 − x2 ) e−y dx dy = · · · d. −y ≤ x ≤ y. y). b. X dan Y tidak saling bebas. y)dy. Maka ∞ fX (x) = ∞ fX.Y (x. Fungsi peluang marginal: fX (x) = 1/4 e−|x| (1 + |x|) fY (y) = 1/6 y 3 e−y . . y ∈ R adalah fungsi peluang marginal dari X dan Y . 0 < y < ∞ (ii) f (x.

Catatan: X dan Y saling bebas jika f (x. x. . Perusahaan menentukan bahwa X dan Y memiliki fungsi peluang bersama fX.Y (x. Tentukan fX (x) b. y) = fX (x) fY (y) 2. x > 1. Tentukan peluang bahwa komponen B adalah komponen yang pertama kali rusak Solusi: ∞ ∞ t a. y) = x2 (x 2 y −(2x−1)/(x−1) .Y (x. y > 0 dimana λ > 0. 12 K.Stok. µ > 0 a. Ketika kebakaran terjadi dan dilaporkan ke perusahaan asuransi. Y > t) = t λ µ e−(λ x+µ y) dy dx = · · · = e−(λ+µ)t ∞ ∞ x b. MA4081 Pros. Syuhada. Fungsi peluang bersama dari X dan Y adalah fX. tentukan peluang bahwa klaim yang diterima berikutnya adalah antara 1 dan 3. Jika besar klaim awal yang diberikan adalah 2. PhD. perusahaan harus melunasi pembayaran klaim sebesar Y . Pandang 2 komponen elektronik A dan B dengan masa hidup X dan Y . y > 1 − 1) a. Tentukan peluang bahwa kedua komponen berfungsi pada saat t b. y) = λ µ exp(−λx + µy). Tentukan peluang bahwa komponen A adalah komponen yang pertama kali rusak c. Setelah klaim dihitung secara lengkap. perusahaan asuransi tersebut segera membuat perkiraan awal X yaitu besar nilai klaim yang akan diberikan. P (X > t. P (X < Y ) = 0 λ µ e−(λ x+µ y) dy dx = ··· = λ λ+µ 3.

13 K. .Y (x. Syuhada. y) fX (x) 1 = · · · = 8/9 3 b. P (1 < Y < 3|X = 2) = X=2 dy MA4081 Pros. fX (x) = 1 x2 (x 2 y −(2x−1)/(x−1) dy − 1) = ··· fX.Stok. PhD.Solusi: ∞ a.

. Berapa banyak orang terluka rata-rata per minggu? Ilustrasi 2.3 dan 0. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di suatu pabrik adalah empat.3 EKSPEKTASI BERSYARAT Ilustrasi 1. Kedua peubah acak ini dikatakan saling bebas (independen) jika dan hanya jika pX. y ∈ R Contoh/Latihan: 1. 14 K. Seorang narapidana terjebak dalam suatu sel penjara yang memiliki tiga pintu. 0.Y (x. adalah pY |X (y|x) = pX. y) = pX (x) pY (y) ∀x.Stok. berapa lama waktu rata-rata (expected number of days) yang dibutuhkan untuk dia agar selamat? Definisi: Misalkan X dan Y adalah peubah acak-peubah acak diskrit. Misalkan banyaknya buruh yang terluka/cedera setiap kecelakaan adalah peubah acak yang saling bebas dengan mean dua. dan 3 dengan peluang 0. Pintu kedua dan ketiga akan membawanya ke terowongan yang kembali ke sel dalam tempo masing-masing empat dan satu hari. Misalkan X dan Y adalah peubah acak-peubah acak diskrit.Y (x. Syuhada. Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter kecelakaan. 2.5.2. tentukan peluang bersyarat dari parameter kecelakaannya.2. Tentukan banyak kecelakaan (yang diharapkan) pada MA4081 Pros. Jika pX (x) > 0 maka fungsi peluang bersyarat dari Y diberikan X = x (notasi: pY |X (y|x)). Asumsikan bahwa banyaknya buruh yang terluka di setiap kecelakaan saling bebas dengan banyaknya kecelakaan yang terjadi. kita definiskan pY |X (y|x) = 0 namun tidak dikatakan sebagai fungsi peluang bersyarat. y) . Banyaknya kecelakaan pada seseorang setiap tahun berdistribusi Poisson dengan parameter λ. Asumsikan bahwa sang napi selalu memilih pintu 1. Perusahaan juga menduga bahwa pemegang polis baru akan memiliki parameter kecelakaan yang nilainya adalah peubah acak gamma dengan parameter s dan α. ∀y ∈ R pX (x) Jika pX (x) = 0. Pintu pertama akan membawanya ke sebuah terowongan dan kembali ke sel dalam waktu dua hari. Catatan: Fungsi peluang bersyarat adalah fungsi peluang! Proposisi. PhD. Jika seorang pemegang polis baru mengalami n kecelakan di tahun pertama.

fΛ|N (λ|n) = P (Λ = λ. 1. dimana Λ berdistribusi Gamma dengan parameter s dan α (Catatan: Λ adalah huruf besar dari λ). Syuhada. 2. 15 K. Tunjukan bahwa X ∼ P OI(pλ) dan Y ∼ P OI(qλ) b. . . . Fungsi peluang fΛ|N haruslah berdistribusi Gamma dengan parameter s + 1 dan n + α. 2. .Stok. Jadi.tahun berikutnya. adalah nilai harapapan (expected value) dari distribusi Gamma dengan parameter s + 1 dan n + α yaitu (n + α)/(s + 1). z MA4081 Pros. maka kedatangan pasien laki-laki adalah peubah acak Binomial dengan parameter (z. . PhD. fΛ|N (λ|n) = (s + 1)n+α n+α−1 −(s+1)λ λ e Γ(n + α) Banyak kecelakaan yang diharapkan (expected number of accidents). z! Untuk Z = z. N = n) P (N = n) 1 = P (N = n|Λ = λ) fΛ (λ) P (N = n) 1 e−λ λn sα α−1 −s λ λ e = P (N = n) n! Γ(α) = C λn+α−1 e−(s+1)λ . Peluang orang yang datang adalah laki-laki adalah p dan peluang perempuan datang adalah q. dengan C konstanta. . Banyaknya orang Z yang datang ke ruang UGD selama sejam memiliki distribusi Poisson dengan parameter λ. Apakah X dan Y saling bebas? Solusi: Peubah acak Z berdistribusi Poisson: fZ (z) = e−λ λz . 1. p): z fX|Z (x|z) = Cx px (1 − p)z−x . Misalkan X dan Y berturut-turut adalah banyaknya laki-laki dan perempuan yang datang ke UGD selama sejam. . . a. E(Λ|N = n). z = 0. Solusi: Misalkan N menyatakan banyak kecelakaan per tahun yang berdistribusi Poisson dengan mean λ. x = 0.

kita peroleh Y ∼ P OI(qλ). z) = z fX. X ∼ P OI(pλ). z) = z fX|Z (x|z) fZ (z) e−pλ (pλ)x = ··· = x! Jadi. . . Dengan cara sama. 1. . 1).Y |Z (x. x + y = z Untuk mendapatkan fungsi peluang marginal dari X. z Sehingga fungsi peluang bersama X dan Y diberikan Z = z: z fX. y = 0.Y |Z (x. MA4081 Pros. 0 ≤ y ≤ 1 Misalkan X peubah acak kontinu dengan fungsi peluang fX . PhD.Z (x.Y. FY (y) = P (Y ≤ y) = P (X 2 ≤ y) √ √ = P (− y ≤ X ≤ y) √ √ = FX ( y) − FX (− y) dan fungsi peluangnya adalah fY (y) = 2 y 1 √ √ √ fX ( y) − fX (− y) 16 K. y. Selanjutnya. Syuhada.y px q y . Misalkan Y = X n . y) = z fX. untuk menentukan apakah X dan Y saling bebas kita tunjukkan bahwa fX. Misalkan Y = X 2 . y|z) fZ (z) = fX (x) fY (y) Misalkan X berdistribusi Uniform pada selang (0. .Stok.Z (x.Y (x. Maka FY (y) = P (Y ≤ y) = P (X n ≤ y) = P (X ≤ y 1/n ) = FX (y 1/n ) = y 1/n dan fungsi peluang dari Y adalah fY (y) = (1/n) y 1/n−1 . . kita hitung fX (x) = z fX. y|z) = Cx.dan untuk pasien perempuan: z fY |Z (y|z) = Cy q x (1 − q)z−y .

Syuhada. MA4081 Pros. FZ (z) = P (Z ≤ z) = P (X + Y ≤ z) = P (X ≤ zY ) ∞ z−y = −∞ ∞ −∞ z−y fX (x) fY (y) dx dy fX (x) dx fY (y) dy −∞ ∞ −∞ = = −∞ FX (z − y) fY (y) dy.Stok. 1) (ii) Poisson dengan parameter λi . 17 K. dimana fungsi distribusi FX+Y ini disebut “konvolusi” dari distribusi FX dan FY . . Misalkan (i) Z = X/Y (ii) Z = XY .Misalkan X dan Y peubah acak-peubah acak positif saling bebas. PhD. Fungsi peluangnya adalah d fX+Y (z) = dz ∞ ∞ FX (z − y) fY (y) dy −∞ = −∞ ∞ d FX (z − y) fY (y) dy dz fX (z − y) fY (y) dy = −∞ Tentukan distribusi dari X + Y jika X dan Y peubah acak-peubah acak saling bebas berdistribusi (i) Uniform(0. maka FZ (z) = P (Z ≤ z) = P (X/Y ≤ z) = P (X ≤ zY ) ∞ zy = 0 ∞ 0 fX (x) fY (y) dx dy zy = 0 ∞ fY (y) 0 fX (x) dx dy = 0 fY (y) FX (zy) dy dan fungsi peluangnya: ∞ fX/Y (z) = · · · = 0 y fY (y) fX (zy) dy Misalkan X dan Y saling bebas dan kita ingin menentukan fungsi distribusi dan fungsi peluang X + Y .

y).Y (x. Jika fX (x) > 0 maka ekspektasi bersyarat dari Y diberikan X = x adalah ekspektasi dari Y relatif terhadap distribusi bersyarat Y diberikan X = x. Hitung E(X|Y = 1 ) 2 MA4081 Pros. 0 ≤ x.Y (x.Y (x. Tentukan fY (y) b. y) dy = y fX (x) ∞ y fY |X (y|x) dy −∞ Proposisi. Syuhada. 18 K.Y (x. Jika fX (x) > 0 maka variansi bersyarat dari Y diberikan X = x adalah variansi dari Y relatif terhadap distribusi bersyarat Y diberikan X = x.Definisi: Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama fX. Misalkan variansi dari Y hingga. Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama fX. . Misalkan X dan Y peubah acak kontinu dengan fungsi eluang bersama f (x.Y (x. Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama fX. V ar(Y |X = x) = E Y − E(Y |X = x) 2 X=x Proposisi. Maka V ar(Y ) = E(V ar(Y |X = x)) + V ar(E(Y |X)) Latihan: 1. PhD. Hitung P (X > 1|Y = 1 ) 2 c. Misalkan ekspektasi dari Y hingga.Stok. Maka ∞ E(Y ) = −∞ E(Y |X = x) fX (x) dx atau E(Y ) = E(E(Y |X = x)) Definisi: Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama fX. 0 ≤ y ≤ e − 1 a. y). y). y). ∞ E(Y |X = x) = −∞ fX. y) = e−x(y+1) .

dinotasikan Cov(X. Jika X dan Y peubah acak-peubah acak Poisson saling bebas dengan parameter λx dan λy . E g(X)h(Y ) = E g(X) E h(Y ) Definisi: Kovariansi antara peubah acak X dan Y . 20 + (2y)/3). 60 E(X) = 0 E(X|Y = y) fY (y) dy = 30 3. tentukan E(X|X + Y = n). 20 + (2t)/3). X|Y = y ∼ U (20. 60). PhD. adalah Cov(X. Jika Xi ∼ Bin(ni . K meninggalkan kantor setiap hari kerja antara pukul 6-7 malam.Stok. Bagaimana jika X dan Y berdistribusi Geometrik identik dengan parameter p? Kita ketahui bahwa jika X dan Y saling bebas maka fX. X − E(X) Y − E(Y ) 19 K. y) = fX (x) gY (y). Misalkan Y adalah banyak menit setelah pukul 6 dan X banya menit untuk mencapai rumah. Y ) = E MA4081 Pros. . Akibatnya. Y ). Syuhada. berapa lama waktu mencapai rumah? Solusi: Y ∼ U (0. Jika dia pergi t menit setelah pukul 6 maka waktu untuk mencapai rumah adalah peubah acak berdistribusi Seragam pada selang (20.Y (x. tentukan E(X1 + X2 |X1 ) 4. p). E(XY ) = E(X) E(Y ) Konsekuensi ini juga berlaku untuk setiap fungsi g dan h.Solusi: 1 P (X > 1|Y = ) = 2 = =e 1 −3/2 ∞ 1 ∞ e−x(y+1) dx 1/(y + 1) 3 −3 x e 2 dx 2 2.

asalkan V ar(X) dan V ar(Y ) bernilai positif. E(Y |X)) = Cov(X. Y ) ≤ 1 Koefisien korelasi adalah ukuran dari derajat kelinieran antara X dan Y . Y ) yang dekat dengan +1 atau −1 menunjukkan derajat kelinieran yang tinggi. Jika ρ(X. 20 K. Yj ) Perhatikan bahwa: n n n V ar i=1 Xi = Cov i=1 n n Xi . Latihan: 1. m j=1 Yj = n i=1 m j=1 Cov(Xi . Y ) = Cov(Y. Y ) = 0 (implikasi). Xj ) Korelasi antara peubah acak X dan Y . Y ) MA4081 Pros. dinotasikan ρ(X. Xj ) V ar(Xi ) + i=1 i=j = Cov(Xi . Sifat-sifat kovariansi • Cov(X.Catatan: Jika X dan Y saling bebas maka Cov(X. j=1 Xj = i=1 j=1 n Cov(Xi . Y ) = a Cov(X. didefinisikan sebagai ρ(X. Y ) = 0 maka dikatakan X dan Y tidak berkorelasi. X) = V ar(X) • Cov(a X. .Stok. Y ). Nilai positif korelasi mengindikasikan nilai Y yang cenderung membesar apabila X membesar. Syuhada. Y ) • Cov n i=1 Xi . PhD. Dapat ditunjukkan pula bahwa −1 ≤ ρ(X. Tunjukkan bahwa Cov(X. X) • Cov(X. Nilai ρ(X. Y ) = Cov(X. Y V ar(X) V ar(Y ) .

Y ) = 0 MA4081 Pros.Stok. Didefinisikan Y = X. jika I = 0 Tunjukkan bahwa Cov(X. PhD. 21 K.2. Y = −X. . Misalkan X peubah acak normal standar dan I (bebas dari X) sdh P (I = 1) = P (I = 0) = 1/2. Syuhada. jika I = 1.

Pada 1 Juli saya mendapat jawaban bahwa klaim asuransi ditolak dengan alasan: bagian yang rusak hanya ban dan gading-gading roda.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini. Tentu saja peluang besok hujan akan lebih besar dibanding peluang besok akan panas. tergelincir atau terperosok.30 mobil yang dikemudikan suami saya terperosok masuk lubang di jalan tol lingkar luar Jakarta. Ban dan gadi-gading roda rusak. kira-kira 2 kilometer dari Pintu Tol Pondok Ranji arah Jakarta. berapa peluang bahwa hari Selasa akan hujan? Berapa peluang bahwa hari Kamis akan hujan? (Ilustrasi 2) Pada 23 Juni lalu sekitar pukul 21. hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Asuransi Sinar Mas berusaha menghindar dari kewajiban dengan alasan mengada-ada. Padahal. Ketika meninggalkan rumah. Swari akan pergi lewat pintu depan atau belakang dengan peluang sama. Isi pasal itu. Tak mengenai badan mobil. pertanggungan ini menjamin kerusakan yang secara langsung disebabkan oleh tabrakan. terbalik. tercantum jelas di dalam pasal-pasal polis asuransi maupun surat penolakan bahwa ban dan gading-gading roda tidak dijamin. Esoknya saya mengajukan klaim asuransi Sinar Mas kepada SiMas Bekasi. kecuali disebabkan oleh Pasal 1 angka 1. berapa peluang bahwa klaim saya akan diterima? (Ilustrasi 3) Sebagai calon atlet. 3/08/2010). setiap pagi Swari meninggalkan rumahnya untuk berlari pagi. Jika hari Senin hujan. Kalau hari ini hujan. Besok akan lebih mungkin panas dibandingkan hujan. Swari memakai sepatu olah raga atau sandal jenis crocs jika sepatu tidak tersedia di depan pintu yang dia 1 .1. Andaikan suatu hari saya mengajukan klaim lagi ke Asuransi Sinar Mas. benturan. bahkan mengingkari aturan yang dibuatnya sendiri (Surat Pembaca KOMPAS. Begitu pula jika hari ini panas.BAB 3 Rantai Markov 3. besok mungkin hujan mungkin juga panas.

Tak lain alasannya karena sang ayah tidak suka apabila Swari memakai sandal crocs). PhD.lewati (Dalam praktiknya. Swari harus bertelanjang kaki jika ternyata sandal crocs yang harus dipakai.Stok. 2 K. . Ketika pulang. Swari akan masuk lewat pintu depan atau belakang dan meletakkan sepatunya dengan peluang sama. Diketahui bahwa Swari memiliki 4 pasang sepatu olah raga. Berapa peluang bahwa Swari akan sering berolah raga dengan bertelanjang kaki? MA4081 Pros. Syuhada.

..Stok. .  . . . i. . P= α 1−α β 1−β dengan keadaan-keadaan: ’0’ hujan ’1’ tidak hujan MA4081 Pros. . Xn−1 dan keadaan sekarang (present state) Xn . j ≥ 0. . . . . . . P= . . .  . 1. • nilai yang mungkin adalah hingga atau terhitung • P Xn+1 = j|Xn = i.2 DEFINISI Proses stokastik {Xn } adalah Rantai Markov: • n = 0. Matriks peluang transisi Pij adalah sbb:   P00 P01 P02 · · ·  P10 P11 P12 · · ·   . 1. . X0 = i0 = Pij • distribusi bersyarat Xn+1 . X1 = i1 . Jika hari ini hujan maka besok akan hujan dengan peluang α. in−1 . diberikan keadaan lampau (past states) X0 . . . j Pij peluang bahwa proses akan berada di keadaan j dari keadaan i. . PhD.3. Xn−1 = in−1 . . . j=0 Pij = 1. i = 0. ∞ Pij ≥ 0. . . . X1 . 2. . . . .. .    Pi0 Pi0 Pi0 · · ·   . 3 K. . Syuhada. hanya bergantung pada keadaan sekarang • keadaan (state): i0 . Matriks peluang transisinya adalah. i1 .  . . i. jika hari ini tidak hujan maka besok akan hujan dengan peluang β. Contoh/Latihan: 1. .

2. Snell dan Thompson.5. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam dua hari terakhir.8 dengan keadaan-keadaan: ’0’ (00) = hari ini dan kemarin hujan ’1’ (10) = hari ini hujan. Dikatakan bahwa sistem berada dalam keadaan i. Misalkan Xn menggambarkan keadaan dari sistem setelah langkah ke-n.2 0 0. Tanah Australia diberkahi dengan banyak hal kecuali cuaca yang baik..7. 4 K.2.2.Stok. i = 0. kita pindahkan satu item produk dari setiap paket dan meletakkan item produk tersebut dari paket 1 ke paket 2 dan sebaliknya. kemarin hujan ’3’ (11) = hari ini dan kemarin tidak hujan 3. Jika mereka mendapatkan MA4081 Pros.4 0 0. Menurut Kemeny. .  0 1 0 0  1/9 4/9 4/9 0   P=  0 4/9 4/9 1/9  0 0 1 0 dengan keadaan-keadaan: ’0’ terdapat 0 produk A di ’1’ terdapat 1 produk A di ’2’ terdapat 2 produk A di ’3’ terdapat 3 produk A di paket paket paket paket pertama pertama pertama pertama   4... Matriks peluang transisinya adalah. PhD.7 0 0.5 0   P=  0 0.3 0  0.6  0 0. jika dalam dua hari terakhir tidak hujan maka besok hujan dengan peluang 0. 1. Syuhada. Mereka tidak pernah memiliki dua hari bercuaca baik secara berturut-turut. Jika dalam dua hari terakhir hujan maka besok akan hujan dengan peluang 0. 3 jika dalam paket pertama terdapat i produk A. Matriks peluang transisinya adalah. Jika hari ini hujan dan kemarin tidak hujan maka besok akan hujan dengan peluang 0.4. Tiga item produk A dan tiga item produk B didistribusikan dalam dua buah paket/kotak sedemikian hinga setiap paket terdiri atas tiga item produk. Setiap saat (langkah).  0. kemarin tidak hujan ’2’ (01) = hari ini tidak hujan. jika hari ini tidak hujan dan kemarin hujan maka besok akan hujan dengan peluang 0.5 0 0..

Stok. Bentuklah suatu Rantai Markov dari proses diatas. Swari akan pergi lewat pintu depan atau belakang dengan peluang sama. Sebagai calon atlet. ’3’ (1. dibelakang dibelakang dibelakang dibelakang dibelakang MA4081 Pros. Tak lain alasannya karena sang ayah tidak suka apabila Swari memakai sandal crocs). Swari harus bertelanjang kaki jika ternyata sandal crocs yang harus dipakai. Syuhada. ’1’ (3. ’4’ (0. setiap pagi Swari meninggalkan rumahnya untuk berlari pagi.0) = 4 sepatu didepan. hanya separuh dari waktu besok akan menjadi hari bercuaca baik. PhD.1) = 3 sepatu didepan. ’2’ (2.    P=   3/4 1/4 0 0 0 1/4 1/2 1/4 0 0 0 1/4 1/2 1/4 0 0 0 1/4 1/2 1/4 0 0 0 1/4 3/4 0 1 2 3 4        dengan keadaan-keadaan: ’0’ (4. Swari memakai sepatu olah raga atau sandal jenis crocs jika sepatu tidak tersedia di depan pintu yang dia lewati (Dalam praktiknya.hari bercuaca baik maka esok hari akan bersalju atau hujan dengan peluang sama. Jika terdapat perubahan cuaca dari salju atau hujan. 5 K. Swari akan masuk lewat pintu depan atau belakang dan meletakkan sepatunya dengan peluang sama.3) = 1 sepatu didepan. Jika hari ini mereka mengalami salju atau hujan maka besok akan bercuaca sama dengan peluang separuhnya. Diketahui bahwa Swari memiliki 4 pasang sepatu olah raga. Ketika pulang. Tentukan matriks peluang transisi dari Rantai Markov yang dibentuk dari keadaan-keadaan diatas. Ketika meninggalkan rumah.  1/2 1/4 1/4 P =  1/2 0 1/2  1/4 1/4 1/2 dengan keadaan-keadaan: ’0’ cuaca hujan ’1’ cuaca baik ’2’ cuaca salju 5.4) = 0 sepatu didepan.2) = 2 sepatu didepan. .

Matriks peluang transisinya adalah sbb:   0. Syuhada.8 Jika hari Senin dan Selasa hujan. jika dalam dua hari terakhir tidak hujan maka besok hujan dengan peluang 0.4332 2.7.4 0 0. P4 = 0. n Pij = P (Yk+n = j|Yk = i).2 0 0. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam dua hari terakhir.6  0 0..5 0   P=  0 0. jika hari ini tidak hujan maka besok akan hujan dengan peluang β = 0. i.7 0 0.. jika hari ini tidak hujan dan kemarin hujan maka besok akan hujan dengan peluang 0. n m untuk semua n. n ≥ 0.4. Persamaan Chapman-Kolmogorov adalah alat untuk menghitung peluang transisi n + m-langkah: ∞ n+m Pij = k=0 n m Pik Pkj . j. . m ≥ 0 dan semua i. Contoh/Latihan: 1.4251 0.3 0  0.3 PELUANG N -LANGKAH Persamaan Chapman-Kolmogorov n Misalkan Pij menyatakan peluang transisi n-langkah suatu proses di keadaan i akan berada di keadaan j. PhD. Matriks peluang transisi 4 langkah adalah. Jika hari ini hujan maka besok akan hujan dengan peluang α = 0.5668 0. berapa peluang bahwa hari Kamis akan hujan? MA4081 Pros.5.7. j ≥ 0.4.Stok. 6 K.2.3. Jika dalam dua hari terakhir hujan maka besok akan hujan dengan peluang 0. Jika hari ini hujan dan kemarin tidak hujan maka besok akan hujan dengan peluang 0. Pik Pkj menyatakan peluang suatu proses dalam keadaan i akan berada di keadaan j dalam n+m transisi. melalui keadaan k dalam n transisi/langkah.5749 0.5 0 0.

∞ ∞ P (Xn = j) = i=0 P (Xn = j|X0 = i) P (X0 = i) = i=0 n Pij αi Contoh/Latihan: 1.5749) + (0. Seorang pensiunan H menerima 2 (juta rupiah) setiap awal bulan.15 0. Peluang tak bersyarat dapat dihitung dengan mensyaratkan pada keadaan awal. 3.1 0.16 0.3   P2 =   0.6 Jika diketahui α0 = P (X0 = 0) = 0.64  2 2 Peluang hujan pada hari Kamis adalah P00 + P01 = 0. ∞ dimana i=0 αi = 1. Jika H memiliki uang lebih dari 3 di i=1 akhir bulan.4 0..49 0. berapa peluang uangnya akan 1 atau kurang setiap saat selama 4 bulan berikut? Keadaan: ‘1’ jumlah uang sebanyak 1 yang H punya di akhir bulan MA4081 Pros. .3 0.12 0..7 0.4 P00 + 0.6 P10 = (0. 4 Pi = 1.61 Peluang Transisi Tak Bersyarat Misalkan αi = P (X0 = i).2 0.Stok.12 0.12 = 0.57 2.21 0.2 0. Banyaknya uang yang diperlukan H untuk dibelanjakan selama sebulan saling bebas dengan banyaknya uang yang dia punya dan sama dengan i dengan peluang Pi .4  0.2 0. maka peluang (tak bersyarat) bahwa hari akan hujan 4 hari lagi adalah.4 dan α1 = P (X0 = 1) = 0. Pandang soal yang lalu dengan matriks peluang transisi: P= 0.35 0.18  0.5668) = 0. 4. dia akan memberikan sejumlah uang lebih dari 3 itu kepada orang lain. 4 4 P (X4 = 0) = 0.1 0. i = 1. Syuhada.4)(0. 7 K.6)(0. i ≥ 0.49 + 0. Jika setelah dia menerima uang diawal bulan H memiliki uang 5. PhD. 0.6. 2.

Maka matriks peluang transisinya adalah  3/4 1/4 0 P =  1/2 1/4 1/4  1/4 1/4 1/2  Peluang uangnya akan 1 atau kurang setiap saat selama 4 bulan berikut 4 adalah P31 = 201/256. Syuhada.  MA4081 Pros. 4. i = 1. 2.Stok. . PhD. 3.‘2’ jumlah uang sebanyak 2 yang H punya di akhir bulan ‘3’ jumlah uang sebanyak 3 yang H punya di akhir bulan Matriks peluang transisi  P2 + P3 + P4 P1 0  P3 + P4 P2 P1 P= P4 P3 P1 + P2 Misalkan Pi = 1/4. 8 K.

2. Pemilihan orang-orang tersebut dilakukan sdh interaksi antara setiap pasangan adalah sama.  1 0 0 0 0 0  0 0.96 0.01(i)(5 − i). . 12/03/2011 clear clc         MA4081 Pros.1 5−i i C1 C1 = 0.i+1 = 0.04 0 0 0 0 0 1 Kode MATLAB function transprob. Dalam setiap waktu. PhD. 2.04 0 0 0   0 0 0. yang menyatakan jumlah orang yang sakit. 4.4 Program MATLAB dan R Contoh: Model penyebaran suatu penyakit adalah sbb: Jumlah populasi adalah N = 5.94 0.06 0 0 P =  0 0 0 0.1. Cukup jelas. Misalkan Xn menyatakan jumlah orang yang sakit dalam populasi diakhir periode ke-n. 1. yang lain sehat. sebagian sakit dan sisanya sehat. 5 C2 Pii = 1 − 0. Jika tidak ada/semua orang sakit maka PASTI keadaan berubah ke tidak ada/semua orang sakit. Diluar kondisi tersebut.01(i)(5 − i).96 0. 3. 2 orang akan dipilih secara acak dari populasi tersebut dan keduanya berinteraksi. 5. 9 K.94 0. Solusi: Keadaan: 0. Pi. tidak ada penyakit yang disebarkan. P55 = 1. untuk i = 1. Bentuklah suatu matriks peluang transisi yang mungkin. P00 = 1. 3.Stok. 4. maka penyakit akan disebarkan ke orang yang sehat dengan peluang 0.06 0   0 0 0 0 0. Jika satu orang dari suatu pasangan sakit. Syuhada. % the function calculate transition probability for a Markov chain % (Question 2 of Quiz 2) % % created by K Syuhada.3.

0000 0 0 0 0 0 0 0. display(’matriks peluang transisi:’) display(P) % n-step probability % Chapman-Kolmogorov Equation n = input(’n = ’).0000 MA4081 Pros. Syuhada.0400 1.9400 0 0 0 0 0 0.0600 0.0.j) elseif i+1 P(i. == j = 0.0600 0.9600 0 0 0 0 0 0.Stok.0400 0. % number of steps Pn = P^n.01*(i-1)*(5-(i-1)).j) else P(i.9600 0 0 0 0 0 0. for i = 1:m for j = 1:m if i == j P(i. = 0. display(’matriks peluang transisi n-langkah:’) display(Pn) --------------------------------------------------------------m = 6 matriks peluang transisi: P = 1. 10 K. % number of states P = zeros(m. PhD. .m = input(’m = ’).m).9400 0 0 0 0 0 0.j) end end end = 1 .01*(i-1)*(5-(i-1)).

n = 2 matriks peluang transisi n-langkah: Pn = 1.0784 1.8836 0 0 0 0 0.Stok. 11 K.1140 0.0024 0. PhD.0000 Kode R MA4081 Pros. Syuhada.9216 0 0 0 0 0 0.0036 0.0760 0.0024 0. .9216 0 0 0 0 0.0000 0 0 0 0 0 0 0.8836 0 0 0 0 0.1128 0.

Keadaan i berkomunikasi dengan keadaan i untuk semua i ≥ 0 2. Sifat-sifat: 1. Catatan: Dua keadaan i dan j yang saling akses satu sama lain dikatakan berkomunikasi (communicate).6  0 0. keadaan j dapat diakses dari keadaan i jika dan hanya jika dimulai dari keadaan i proses akan masuk ke keadaan j.3 0  0.2 0 0. Contoh/Latihan: 1.   . Rantai Markov dikatakan tidak dapat direduksi (irreducible) jika hanya terdapat sebuah kelas dan semua keadaan berkomunikasi satu sama lain. Tentukan kelas keadaan dari rantai Markov dengan peluang transisi berikut: (i)  0. Jika keadaan i berkomunikasi dengan keadaan j maka keadaan j berkomunikasi dengan keadaan i 3.4 0 0.3.5 0   P=  0 0. Notasi: i ↔ j. PhD. Akibatnya. Jika keadaan j tidak dapat diakses dari keadaan i maka peluang masuk ke keadaan j dari keadaan i adalah nol. Jika keadaan i berkomunikasi dengan keadaan j dan keadaan j berkomunikasi dengan keadaan k maka keadaan i berkomunikasi dengan keadaan k Dua keadaan yang berkomunikasi dikatakan berada dalam kelas (class) yang sama.Stok. 12 K. Syuhada.5 JENIS KEADAAN n Keadaan j dikatakan dapat diakses (accessible) dari keadaan i jika Pij > 0 untuk suatu n ≥ 0.7 0 0.8 (ii)  0 1 0 0  1/9 4/9 4/9 0   P=  0 4/9 4/9 1/9  0 0 1 0 MA4081 Pros. Setiap dua kelas dari keadaan-keadaan dapat ‘identik’ (identical) atau ‘saling asing’ (disjoint).5 0 0.

5 0. .5 0 0   P=  0.5 0.Stok.25 0.5 0 0  0. Apakah yang dapat anda katakan tentang rantai Markov dengan matriks peluang transisi berikut:  0.25  0 0 0 1    MA4081 Pros.25  0 0. Syuhada.25 0. 13 K. Diketahui matrik peluang transisi:  0.5 0.25 0.5 0.67 Apakah rantai Markov dengan peluang transisi diatas tidak dapat direduksi (irreducible)? 3.(iii)  1 0 0 P =  1/2 1/4 1/4  1/4 1/4 1/2 2.33 0.25 0.5 0 P =  0. PhD.

banyak periode/kali bahwa proses akan berada di keadaan i adalah peubah acak geometrik dengan parameter 1 − fi . dan In = ∞ ∞ E n=0 In |Y0 = i = n=0 ∞ E(In |Y0 = i) P (Yn = i|Y0 = i) n=0 ∞ n Pii n=0 = = Proposisi Keadaan i adalah ∞ ∞ n Pii = ∞. dimulai dari keadaan i. Setiap kali proses kembali ke keadaan i. Dengan demikian. maka banyak periode/kali yang diharapkan (expected number of time periods) bahwa proses akan berada di keadaan i adalah tak hingga” Misalkan 1. PhD. Yn = i. dan seterusnya. dimulai dari keadaan i. Yn = i. misalkan fi peluang bahwa dimulai dari keadaan i proses akan pernah kembali ke keadaan i. • Misalkan keadaan i transient. Misalkan ∞ In menyatkan banyak periode/kali bahwa proses berada dalam n=0 keadaan i. peluang bahwa proses berada di i sebanyak tepat n periode/kali adalah fin−1 (1 − fi ). Jika keadaan i transient maka. Keadaan i dikatakan recurrent jika fi = 1. sehingga keadaan i akan dikunjungi lagi. 0.Stok. terdapat kemungkinan (peluang yang positif) sebesar 1 − fi bahwa proses tidak pernah kembali ke keadaan i.Sifat-sifat KEADAAN . n=0 recurrent jika MA4081 Pros. . • Jika keadaan i recurrent maka proses akan terus kembali ke keadaan i dengan peluang satu. Jika keadaan i recurrent maka dimulai dari keadaan i maka proses akan kembali ke keadaan i terus dan terus sebanyak tak hingga kali. Dengan definisi rantai Markov. proses akan dimulai lagi ketika kembali ke keadaan i. transient jika n=0 n Pii < ∞ 14 K. dimulai dari keadaan i. Syuhada. Dikatakan transient jika fi < 1. n ≥ 1.Recurrent dan Transient Untuk setiap keadaan i. “Keadaan i recurrent jika dan hanya jika.

Bagaimana dengan rantai Markov dengan matriks peluang transisi:    P=   0.5    ?   3.5 0.5 0.5 0.2.25 0.1.Catatan: • Pada rantai Markov dengan keadaan hingga.25 0. .5 0 0  0. PhD.2.1.25 0.3 memiliki matriks peluang transisi:  0. Syuhada.5 0 0 0 0. Misalkan rantai Markov dengan keadaan 0.5 0 0 0 0 0 0.5 0 0.25  0 0 0 1 Tentukan keadaan mana yang recurrent dan keadaan mana yang transient!  MA4081 Pros.5 0.5 0 0   P=  0.25 0.5 0 0 0   1 0 0  1 0 0 Tentukan keadaan mana yang recurrent dan keadaan mana yang transient! 2. 15 K.Stok.25 0 0 0.3 memiliki matriks peluang transisi: 0  1 P=  0 0   0 0. Misalkan rantai Markov dengan keadaan 0.5 0. tidak semua keadaan bersifat transient (Mengapa?) • “Jika keadaan i recurrent dan keadaan i berkomunikasi (communicate) dengan keadaan j maka keadaan j recurrent” (Bagaimana jika keadaan i transient?) • Semua keadaan pada rantai Markov (hingga) yang tidak dapat direduksi adalah recurrent (PENTING!) Contoh/Latihan: 1.5 0.5 0.5 0 0 0 0.

06 0 0 0 0 0 0. Syuhada.04 0 0 0 0 0 1         Tentukan sifat keadaan dari rantai Markov diatas.04 0 0 0 0 0 0.Stok.96 0.94 0. MA4081 Pros.06 0 0 0 0 0 0. . 16 K.94 0.96 0. PhD. Model penyebaran penyakit memiliki matriks peluang transisi sebagai berikut:     P =    1 0 0 0 0 0 0 0.4.

dan matriks peluang transisi 4 dan 8 langkahnya: P4 = P8 = 0.3. . Jika keadaan i recurrent. setiap baris dari P 8 memiliki unsur yang identik. Pada rantai Markove yang memiliki keadaan hingga.5840 0. dimulai dari keadaan i. Nampaknya.6 LIMIT PELUANG TRANSISI Misalkan matriks peluang transisi pada rantai Markov dengan dua keadaan adalah P= 0. Jika keadaan i memiliki periode d dan keadaan i berkomunikasi dengan keadaan j maka keadaan j juga memiliki periode d.5 0. semua keadaan yang recurrent adalah positive recurrent. 17 K. PhD. Dengan kata lain. . 6.4160 0. Suatu keadaan yang positive recurrent dan aperiodik disebut ergodik. Suatu keadaan yang memiliki periode 1 disebut aperiodik. Contoh.dst.7 0. untuk n → ∞. . Nilai limit ini saling bebas dengan nilai pada keadaan awal.5824 0..5833 0. . Misalkan n πj = lim Pij .4176 0. n→∞ n lim Pij ada dan saling bebas dari i. Perhatikan 2 sifat keadaan berikut: n Keadaan i dikatakan memiliki periode d jika Pii = 0 untuk n yang tidak dapat dibagi oleh d (d suatu integer). yang sama untuk semua i. 4. n→∞ MA4081 Pros. suatu proses dimulai dari keadaan i akan kembali ke i pada waktu 2. . . Syuhada. terdapat limit peluang (limiting probability) bahwa proses akan berada di keadaan j setelah sekian/banyak langkah/transisi. Pij konvergen ke suatu nilai. .5833 0.4167 .4167 0.Stok. 8. maka keadaan i memiliki periode 2.5 0. Matriks P 8 hampir identik dengan P 4 (benar-benar identik dengan P 10 ). Teorema Untuk rantai Markov yang ergodik dan tidak dapat direduksi. maka keadaan tersebut akan dikatakan positive recurrent jika. j ≥ 0.3 .. waktu harapan hingga proses kembali ke i adalah hingga. n Selain itu.

dengan j πj = 1. jika hari ini tidak hujan maka besok akan hujan dengan peluang β. PhD.Stok. Jika hari ini hujan maka besok akan hujan dengan peluang α. Jika 0 adalah keadaan hujan dan 1 adalah keadaan tidak hujan maka peluang hujan dan tidak hujan untuk jangka adalah.maka πj adalah solusi nonnegatif tunggal dari ∞ πj = i=0 n πi Pij . . Contoh/Latihan: 1. Matriks peluang transisi: P= α 1−α β 1−β .. MA4081 Pros. Syuhada.. j ≥ 0. Jika solusinya ada maka solusi tersebut tunggal dan πj adalah proporsi jangka panjang bahwa rantai Markov berada dalam keadaan j. JIKA dan HANYA JIKA rantai Markov bersifat positive recurrent. • Perhatikan bahwa ∞ ∞ P (Xn+1 = j) = i=0 P (Xn+1 = j|Xn = i) P (Xn = i) = i=0 Pij P (Xn = i) • Limit peluang πj adalah peluang jangka panjang (long-run proportion of time) bahwa suatu proses akan berada di keadaan j • Jika rantai Markov tidak dapat direduksi. Jika rantai Markov aperiodik maka πj adalah limit peluang bahwa rantai akan berada di keadaan j. j ≥ 0. 18 K. maka terdapat solusi untuk πj = i πi Pij . dengan Catatan: ∞ j=0 πj = 1.

j ≥ 0.8. Berapa banyak lantunan dibutuhkan yang diharapkan (expected number of tosses needed) agar pola HT HT muncul? (Perhatikan catatan dibawah) Catatan: • Peluang jangka panjang πj . Pandang pelantunan-pelantunan sebuah koin (dengan peluang muncul MUKA adalah θ) yang saling bebas. Percobaan-percobaan dilakukan secara berurutan. 19 K.dan kita punyai persamaan-persamaan: π0 = α π0 + β π 1 π1 = (1 − α) π0 + (1 − β) π1 π0 + π1 = 1 Kita peroleh peluang hujan dan tidak hujan pada jangka panjang: π0 = dan π1 = 1−α 1+β−α β 1+β−α 2. Jika dalam dua percobaan terakhir SUKSES maka peluang SUKSES pada percobaan berikut adalah 0.5. PhD. peluang SUKSES adalah 0. 3. • Untuk keadaan j. . maka peluang akan menjadi keadaan j pada setiap waktu n adalah sama dengan πj . disebut juga peluang stasioner (stationary probability). Jika keadaan awal dipilih berdasarkan peluang πj . Syuhada. dimulai dari keadaan j akan kembali ke keadaan tersebut: πj = 1 mjj MA4081 Pros. j ≥ 0. Dalam keadaan YANG LAIN. Hitung peluang percobaan sukses untuk jangka panjang.Stok. definisikan mjj yaitu banyak transisi yang diharapkan (expected number of transitions) hingga suatu rantai Markov.

2 PEUBAH ACAK EKSPONENSIAL Misalkan X peubah acak kontinu dengan fungsi peluang f (x) = θ e−θx . Tidak ada orang lain yang antri. 4.BAB 4 Distribusi Eksponensial dan Proses Poisson 4.1 ILUSTRASI Distribusi eksponensial dapat dipandang sebagai analog (kontinu) dari distribusi geometrik. hitung E(T ). Misalnya. Ilustrasi gambar/video. Kita ketahui bahwa distribusi geometrik memodelkan banyaknya percobaan yang dibutuhkan oleh suatu proses diskrit untuk mengubah keadaan. Asumsi laju konstan dalam praktiknya jarang dipenuhi. dimana T adalah waktu yang dihabiskan K di Bank. Namun. laju adanya telepon masuk akan berbeda setiap waktu dalam suatu hari. jika kita perhatikan selang waktu pada saat laju konstan. Jika waktu melayani dari teler ke-i adalah peubah acak ekspoensial dengan parameter θi . x ≥ 0. Seseorang K yang datang akan dilayani salah satu teller yang telah selesai dengan nasabah sebelumnya. Sedangkan distribusi eksponensial menjelaskan waktu untuk proses kontinu untuk mengubah keadaan. Misalkan disebuah Bank terdapat 2 orang teller yang sibuk melayani nasabah. 1 . maka distribusi eksponensial dapat dikatakan model yang cukup baik untuk melihat waktu saat telepon masuk akan terjadi lagi.

atau P X >s+t X >t =P X >s Contoh: Misalkan X meyatatakan waktu tunggu seseorang mendapatkan kebahagiaan. Sifat Tanpa Memori Misalkan X peubah acak. Fungsi pembangkit momen atau f. . X > t P X>t P X >s+t P X>t =P X>s Akibatnya: P X >s+t =P X >s P X >t MA4081 Pros. Syuhada. Sifat distribusi dan momennya antara lain: 1. Model bonus.Stok. Ekspektasi: E(X) = 3.Peubah acak tersebut disebut peubah acak eksponensial dan distribusinya disebut distribusi eksponensial. Peluang orang tsb menunggu lebih dari 7 tahun setelah dia menunggu lebih dari 5 tahun sama dengan peluang dia menunggu lebih dari 2 tahun.m: M (t) = Contoh/Latihan: 1. Perhatikan: P X >s+t X >t = = P X > s + t. Orang itu tidak lagi mengingat bahwa dia telah menunggu selama 5 tahun. Itu sebabnya dikatakan “sifat tanpa memori”.p. Fungsi distribusi: F (x) = 2. 2 K. PhD. Sifat tanpa memori (memoryless property) pada X adalah sifat dimana “peluang X lebih dari s + t dengan syarat/diberikan X lebih dari t sama dengan peluang X lebih dari s”.

Buktinya sbb: Misalkan X ∼ Exp(θ). PhD. misalkan X ∼ U (0. Syuhada.yang dipenuhi HANYA oleh X berdistribusi Eksponensial dengan parameter θ. . Peluang bahwa seorang nasabah menunggu lebih dari 15 menit untuk dilayani adalah P (X > 15) = exp(−15(1/10)) = exp(−3/2) Sedangkan peluang seseorang menunggu lebih dari 15 menit setelah dia menunggu lebih dari 10 menit adalah P (X > 15|X > 10) = P (X > 5) = exp(−5(1/10)) = exp(−1/2) 2. Sebagai contoh. Misalkan waktu tunggu (dalam menit) antrian di Bank berdistribusi eksponensial dengan mean 10.Stok. 3 K. termasuk yang dibayarkan oleh perusahaan asuransi ke pemegang polis sesuai syarat lebih dari 400). maka P X >s+t =1−P X <s+t = 1 − FX (s + t) = 1 − (s + t) = (1 − s)(1 − t) = (1 − FX (s)) (1 − FX (t)) =P X>s P X>t Contoh/Latihan: 1. 1). Banyaknya uang yang terlibat dalam kecelakaan adalah peubah acak eksponensial dengan mean 1000. Tentukan nilai harapan dan variansi banyak uang yang dibayar perusahaan asuransi pada setiap kecelakaan. Misalkan X banyak uang yang dibayar pemegang polis (maksudnya uang yang terlibat dalam suatu kecelakaan. maka P X >s+t =1−P X <s+t = 1 − FX (s + t) = 1 − 1 − exp(−θ s − θ t) = exp(−θ s − θ t) = exp(−θ s) exp(−θ t) =P X>s P X>t Sifat tanpa memori ini tidak dipenuhi oleh distribusi lain. Banyaknya uang yang dibayar oleh perusahaan asuransi tergantung apakah klaim pemegang pollis lebih dari 400. Misalkan Y = (X − 400) MA4081 Pros.

Maka E X − 400|I = 1 = E X − 400 | X ≥ 400 = 1000. PhD. 1 − F (t) dimana jika “sesuatu” memiliki waktu hidup X dan telah bertahan selama waktu t maka laju r(t) akan mengukur peluang sesuatu itu tidak dapat bertahan pada waktu tambahan dt. Dengan sifat ekspektasi bersyarat E(X − 400) = E E X − 400 | I = E 1000 I = 1000 E(I) = · · · = 1000 exp(−(1/1000)400) [PR: E(I) ???] Sifat tanpa memori dapat juga diilustrasikan dengan fungsi LG atau laju kegagalan (failure/hazard rate function) dari distribusi eksponensial. Misalkan peubah acak X memiliki fungsi peluang f dan fungsi distribusi F . .Stok. Solusi 1: E(Y ) = E(X − 400) = E(X) − 400 = 1000 − 400 ??? Solusi 2: ∞ E(Y ) = E(X − 400) = 400 ∞ (x − 400) f (x) dx (x − 400) θ exp(−θ x) dx 400 ∞ ∞ = = 400 x θ exp(−θ x) dx − 400 400 θ exp(−θ x) dx = 1000 exp(−(1/1000)400) Solusi 3: Misalkan I = 1 untuk X ≥ 400 dan I = 0 untuk X yang lain. 4 K. Fungsi LG didefinisikan r(t) = f (t) . Maka. t + dt) | X > t ≈ f (t) dt 1 − F (t) atau peluang bersyarat bahwa sesuatu (dengan umur t) akan gagal. Dengan kata lain P X ∈ (t. Syuhada.banyak uang yang dibayar oleh perusahaan asuransi. MA4081 Pros.

r1 (t) . PhD. Berapa peluang orang ketiga (orang yang baru masuk ke bank) bukanlah orang yang terakhir keluar dari bank? 5. 5 K. Disebuah toko ada 2 petugas jaga. Fer dan Fir langsung mendatangi petugas toko. . 2. Misalkan Ita memasuki sebuah bank yang memiliki seorang teller. hitung E(T ). berapa lama waktu (expected amount of time) yang dihabiskan Ita di bank? 6. Tentukan distribusi dari Y(k) . Ambil kasus untuk k = 1 dan/atau k = n. 3? (c) berdistribusi eksponensial dengan mean 1/µ? 8. 2. Jika waktu layanan berdistribusi dengan parameter µ. r1 (t) + r2 (t) . . Misalkan X1 . Pandang soal sebelumnya. Syuhada. Manakah pernyataan yang BENAR? E(X 2 |X > 1) = E((X + 1)2 ) E(X 2 |X > 1) = E(X 2 ) + 1 E(X 2 |X > 1) = (E(X) + 1)2 ) 7. X2 ) = t) = dimana ri (t) fungsi LG untuk Xi . hitung P (X1 < X2 ). Misalkan disebuah Bank terdapat 2 orang teller yang sibuk melayani nasabah. i = 1. MA4081 Pros. Xn sampel acak berukuran n dari distribusi eksponensial dengan parameter λ. dimana T adalah waktu yang dihabiskan K di Bank. . Ita melihat ada 5 nasabah di bank. sedangkan Fur menunggu (baca: antre). tunjukkan P (X1 < X2 | min(X1 . Berapa peluang bahwa Fer masih berada di toko setelah Fir dan Fur pergi apabila waktu layanan: (a) untuk setiap pertugas adalah tepat (tidak acak) 10 menit? (b) adalah i dengan peluang 1/3. Tidak ada orang lain yang antri. statistik terurut ke-k. Ita pun antre.Stok. Tiga orang: Fer. Jika X1 dan X2 berturut-turut adalah peubah acak eksponensial saling bebas dengan parameter θ1 dan θ2 . Jika waktu melayani dari teler ke-i adalah peubah acak ekspoensial dengan parameter θi .Contoh/Latihan: 1. Fir dan Fur datang ke toko bersamaan. 3. 1 orang sedang dilayani dan 4 orang yang lain antre. 4. Seseorang K yang datang akan dilayani salah satu teller yang telah selesai dengan nasabah sebelumnya. Jika X1 dan X2 peubah acak-peubah acak kontinu non negatif yang saling bebas. .