PROBABILITAS DAN STATISTIKA TERAPAN

BAB III
MODEL ANALISIS VARIABEL ACAK

oleh:
Rizal Zainuddin Tamin

INSTITUT TEKNOLOGI BANDUNG

 IKHTISAR

1. VARIABEL ACAK (RANDOM VARIABLE).

2. DISTRIBUSI PROBABILITAS VARIABEL ACAK.
3. PARAMETER FUNGSI KEPADATAN DISTRIBUSI:
a. Ukuran Kecenderungan Central.
b. Ukuran Sebaran.
c. Ukuran Kemiringan/Kemencengan (Skewness).
d. Ukuran Ketajaman Puncak (Peakdness)/Kurtosis.
e. Contoh – contoh.
VARIABEL ACAK (RANDOM VARIABLE)
VARIABEL ACAK (RANDOM VARIABLE) (1)

1. Variabel acak (RV):

- mathemathical vehicle for representing an event in
analythical form;
- contrast to a deterministic variable that can assume a
definite value, the value of RV may be defined within a
range of possible value;
- X = RV , then
X = x, atau X < x, atau X > x  menunjukan event;
Event (a < x< b)  range of possible values of X.
- Contoh RV :
a. debit banjir Q >7 ft, memiliki arti bahwa besarnya debit banjir
bisa angka manapun di atas 7 ft. → Event = (Q>7).
b. waktu penyelesaian proyek 6 bulan < t <12 bulan, memiliki
arti bahwa waktu penyelesaian di antara 6 sampai 12 bulan
Event = (6 < t < 12).
VARIABEL ACAK (RANDOM VARIABLE) (2)

S
A S = Sample space.
P (s) = 1
B

Event A  S, P (A) ? 0 < P (A) < 1

Event B  S, P (B) ? 0 < P (B) < 1

Outcomes :
- hujan tahunan;
r.v (random variable) - debit;
- waktu proyek;
- dll.
VARIABEL ACAK (RANDOM VARIABLE) (3)

2. Mapping of events in Sample Space into real line x.

Sample Space S

E1 E2 Mapping through, X

a c b d
E1 = (a < X ≤ b)
E2 = (c < X ≤ d)
= (X > D) + (X ≤ a), dan

E1 E2 = (c < X ≤ b)
VARIABEL ACAK (RANDOM VARIABLE) (4)

3. Sample space can consist of discrete sample points or a

continuum of sample points, a random variable may be
discrete or continuous.

F(x) F(x)

x x
Variabel acak diskrit Variabel acak menerus
DISTRIBUSI PROBABILITAS VARIABEL ACAK
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (1)

1. Distribusi probabilitas :
- aturan untuk menyatakan ukuran probabilitas yang berkaitan
dengan semua harga suatu variabel acak.
2. Cumulative Distribution Function (CDF) :
Jika X = RV, maka distribusi probabilitasnya selalu dinyatakan dengan
fungsi distribusi kumulatif (cumulative distribution function, CDF),
yaitu:

FX ( x)  P ( X  x)
3. Probability Mass Function (PMF) :
Jika X = RV diskrit, maka distribusi probabilitasnya dinyatakan
dengan fungsi massa probabilitas (probability mass function, PMF),
yaitu:

FX x   P X  x    P X  xi    p X xi 
semua x i  x semua x i  x
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (2)

4. Probability Density Function (PDF) :

Jika X = RV menerus, maka distribusi probabilitasnya dinyatakan
dengan fungsi kerapatan probabilitas (probability density function,
PDF), yaitu:

Pa  X  b    f X x  dx
a

Fungsi tersebut menjadi

FX x   P X  x    f X   d
x


 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (3)

Variable:
f (x) - Kuat tekan beton;
- Kuat tarik baja;
- Hujan;
- Traffic volume;
- Lama proyek;
- dll.
X

- Bentuk density histogram seperti di atas mempunyai beberapa kelemahan:

1. Sangat bergantung pada jumlah sample yang diambil;
2. Perhitungan tidak sederhana.
- Dapat diatasi dengan:
1. Ada suatu fungsi yang kontinu yang dapat mewakili density histogram;
2. Luas histogram dijadikan 1.
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (4)

- Sebut f (x) fungsi yang diatas. f (x)

- Kuat tekan beton atau r.v. lain

-~ +~
a 0 b

Histogram bb = a, ba = a Fungsi Kontinu

1. P ( a ≤ X ≤ b ) = 1 Luas f (x) = 1, a ∫b f(x) dx = 1

2. P ( X ≤ a ) = 0 P ( X < a ) = 0, a ∫a f(x) dx = 0

3. P ( X ≤ b ) = 1 P (X < b ) = 1, a ∫b f(x) dx = 1
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (5)

- Didefinisikan :

F (b) = ∫b f (x) dx
a  Fx (b) = 1; Fx (a) = 0

F (c) = ∫c f (x) dx
a

F (d) = a ∫d f (x) dx

P(c<x<d) = c∫d f (x) dx

= a∫d f (x) dx - a∫c f (x) dx

= Fx (d) - Fx (c)

a c d b
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (6)

Contoh: Histogram kuat tekan beton

Asumsi : Sample dapat dianggap
25 mewakili variasi kuat
tekan beton yang ada di
lapangan.
20 Luas histogram :
16
15
14 10 X 20
15 X 20
10 10
10 16 X 20
25 X 20
2 2
14 X 20
200 220 240 260 280 300 320 340 360 380 10 X 20

Kuat Tekan (kg/cm2) 2 X 20

2 X 20
94 X 20 = 1880

Grafik harus dinormalkan (luas dijadikan 1 (satu), menjadi:

“ Fungsi Kepadatan”  density function probability density function (p.d.f)
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (7)

- Ordinat dibagi dengan luas total histogram  Disebut fungsi kepadatan.

25/1880 - Luas grafik yang baru =

10/1880 X 20
15/1880 X 20
16/1880 X 20
25/1880 X 20

10/1880 14/1880 X 20
10/1880 X 20
2/1880 2/1880 X 20
2/1880 X 20
Kuat Tekan = Ruas x

- Berapa probability kuat tekan beton akan ≤ 240 kg/cm.

Event A  ( X < 240 kg/cm2 )
P (A) = (10/1880 X 20 + 15/1880 X 20)/ Luas Total
= (500/1880) /1 = 0.266
- Untuk grafik yang kontinu:
P (  ≤ P kg/cm2 ) = Luas / Luas Total = 0∫P f (X) dx
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (8)

5. Discrete probability distribution

pX(xi)
PMF

0
FX(x)

1
Pa  X  b    p x    p  x 
X i X i
semua x i  b semua x i  a

CDF

0
x1 x2 x3 x4 x5

Variabel acak diskrit

Jumlah probabilitas PMF adalah 1
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (9)

6. Continous probability distribution

fX(xi)
PDF

0
FX(x)

Pa  X  b    f X x  dx   f X x  dx
1 b a

 

CDF

0 x1 x2 x3 x4 x5

Variabel acak menerus

Luas total yang berada di bawah kurva PDF adalah 1
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (10)

6. Mixed probability distribution

 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (11)

7. Contoh:
Contoh 1:
- Kontraktor membeli 3 buldozer; Dari pengalaman, kemungkinan
suatu buldozer tetap baik setelah dipakai 6 bulan adalah
= 0,5; asumsi ketiga buldozer equally likely dan
statistically independent.
- Mapping event into real line :
ONN OON
Sample Space S NNN NON ONO OOO
NNO NOO

Mapping with R.V . X

Real line X

0 1 2 3
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (12)

- PMF dari X: - CDF dari X:

1
7/8
3/8 3/8

1/2
1/8 1/8

1/8

0 1 2 3 4 X 0 1 2 3 4 X
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (13)

Contoh 2:
Load : 100

RA 10 @ 1m RB

- Load is equally likely to be placed anywhere along the span of the beam of 10
m, then the PDF of the load position X is uniformly distributed in 0 < x ≤ 10,
that is :
fx (x) =c 0 < x ≤ 10
=0 otherwise
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (14)

- Where c is a constant, area under PDF must be equal to 1.0, the constant c = 1/10,
- PDF X secara grafik :

fx (x)

C = 1/10

0 10 X
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (15)
- CDF dari X :

0 < x ≤ 10

= 1.0 x > 10
=0 x<0
Fx (x)

1.00
- Probability position of the load will be
between 2 m & 5 m:

P (2 < X ≤ 5) = ,

atau:
P (2 < X ≤ 5) = Fx (5) - Fx (2)
= 5/10 – 2/10
0 10 X = 0.30
 DISTRIBUSI PROBABILITAS
VARIABEL ACAK (16)

Contoh 3:
- The useful life, T (in hours) of welding machines is not completely predictable,
but may be described by the exponential distribution:
fT (t) = e - t FT (t) = 1 - e - t

Exponential PDF of useful life T CDF of useful life T

PARAMETER FUNGSI KEPADATAN DISTRIBUSI
 KONSEP DASAR

RV HISTOGRAM PDF

Suatu R.V mempunyai beberapa deskripsi yang harus

diketahui (kriteria dari histogram) :
1.Ukuran kecenderungan sentral.
2.Ukuran sebaran.
3.Ukuran kemiringan/kemencengan (skewness)
4.Ukuran ketajaman puncak (peakdness).
UKURAN KECENDERUNGAN SENTRAL
UKURAN KECENDERUNGAN SENTRAL (1)

1. Nilai Mean = Nilai rata-rata (central values).

= Nilai ekspektasi.
= titik berat dari PDF, ingat: statis momen.

PDF

X̄
- Jika X discrete R.V dengan PMF, px (xi), nilai mean :

E X    x p x 
i X i
semua x i

- Jika X continous R.V dengan PDF, fx (x), nilai mean :

E  X    x f X x  dx



UKURAN KECENDERUNGAN SENTRAL (2)

- Nilai purata atau harapan matematis dari suatu fungsi g(x):

PMF E g ( X )    g x  p x 
i X i
semua x i

PDF E g ( X )    g x  f x  dx
X

UKURAN KECENDERUNGAN SENTRAL (3)

2. Median = Merupakan nilai suatu variabel acak dimana nilai di

atas dan di bawahnya mempunyai kemungkinan yang
sama, yaitu FX (xm) = 0,50

50 % 50 %

x
Median

3. Mode = Merupakan nilai dari suatu variabel acak yang

mempunyai probabilitas yang paling besar atau
kerapatan probabilitas yang paling tinggi

x
Mode
UKURAN SEBARAN
 UKURAN SEBARAN (1)

1. Range = Xmax – Xmin

2. Variance = Merupakan besaran yang memberikan ukuran
mengenai seberapa dekat nilai-nilai variat
mengelompok (atau sebaliknya menyebar) di
sekitar nilai sentral  Ingat : Momen Inersia.

Var  X    x  x  p X xi 
2
PMF semua x i
i

Var  X    x   X  f X x  dx

2
PDF

Variance <<

Variance >>
 UKURAN SEBARAN (2)
3. Standar Deviasi (x): Suatu ukuran dispersi yang lebih mudah
secara dimensional

 x  Var x 

Bias

Tidak bias

4. Coeficient of Variance (): Suatu ukuran dispersi yang

tidak berdimensi.

X
X 
X
UKURAN KEMIRINGAN/KEMENCENGEAN
(SKEWNESS)
UKURAN KEMIRINGAN/KEMENCENGAN (1)

1. Dipakai untuk mengidentifikasi kesimetrisan PDF atau dari

distribusi probabiitas dari suatu variabel acak.
- besar kemiringan;
- arah kemiringan.
2. Disebut juga momen central orde 3 :

Diskrit

Kontinu
UKURAN KEMIRINGAN/KEMENCENGAN (2)

3. Kemencengan positif :
fX(xi)

E ( x - μ x) 3 > 0

4. Simetris :
fX(xi)

x
0

E ( x - μ x) 3 = 0
UKURAN KEMIRINGAN/KEMENCENGAN (3)

5. Kemencengan negatif :
fX(xi)

x
0

E ( x - μ x) 3 < 0

6. Koefisien kemiringan/kemencengan :

E X   X 
3

 Tanpa dimensi
 3
X
UKURAN KETAJAMAN PUNCAK (PEAKDNESS) /
KURTOSIS
 UKURAN KETAJAMAN PUNCAK (1)

1. The kurtosis is a mesure of the peakdness of the

underying PDF of X :

Diskrit

Kontinu

2. Mengetahui kelandaian PDF :

 UKURAN KETAJAMAN PUNCAK (2)

Untuk distribusi normal K = 3

K>3

K=3

Lepto kurtic K > 3  lancip.

K<3 Platy kurtic K < 3  landai.

CONTOH – CONTOH
 CONTOH 1 (1)

Kasus:
- PMF of the number operating of bulldozers after 6 months :

3/8 3/8

1/8 1/8

0 1 2 3 4 X

a. Expected number of operating bulldozers after 6 month :

x = E (X) = 0 x (1/8) + 1 x (3/8) + 2 x (3/8) + 3 x (1/8)
= 1.50
as the R.V discrete, the mean value of 1.5 is not necessary a possible
value, in this case, we may only conclude that the mean number of operating
bulldozers is between 1 & 2 at the ends on 6 month.
 CONTOH 1 (2)

b. Nilai variance:
Var (X) = (0 – 1.5)2 (1/8) + (1 – 1.5)2 (3/8) + (2 – 1.5)2 (3/8) + (3 – 1.5)2
(1/8)
= 0.75
atau;
Var (X) = [02 (1/8) + 12 (3/8) + 22 (3/8) + 32 (1/8)
= 0.75
c. Nilai standar deviation :
x =  Var (X) =  0.75 = 0.866
d. Nilai c.o.v :
 x = x / x
= 0.866 / 1.50 = 0.577
The degree of dispersion is over 50% of the mean value, a relatively large
dispersion.
 CONTOH 2 (1)

Kasus:
- The useful life of T, of welding machines is R.V with an exponential
probabiity distribution; PDF and CDF are :
Exponential PDF of useful life T
fT (t) = e -t
; dan FT (t) = 1 - e -t
;t≥0
a. The mean life of welding machine :
T = E (T) = 0∫ t e-t dt
= 1/
b. In this case the mode = 0
c. Median: CDF of useful life T
0∫tm e-t dt = 0.5
obtaining the median life :
tm = - ln 0.5 / 
= 0.693 T
d. Nilai variance:
Var (T) = ∫ (t - 1/)2 e-t dt
= 1/2
 CONTOH 2 (2)

e. Nilai standar deviation :

x =  Var (X) = 1/
f. Nilai c.o.v :
 x = x / x
= (1/) /(1/) = 1
g. Skewness :

skewness coefficient :

E T   X 
3

 = 2.0
 3
X
 CONTOH 3 (1)

Kasus:
- Experience record a construction company: 60% projects completed on
schedule.
- If the record prevails, the probability of the number of on-schedule in
the next 6 projects can be describe by the binomial distribution:

X = 0,1,2,…,6

=0 otherwise

The factor is known as the binomial coefficient

In the present problem, n = 6 and r = x

 CONTOH 3 (2)

a. PMF dari X, no of projects competed on schedule :

0.311

0.276

0.187
0.138
0.047
0.037

0.004

0 1 2 3 4 5 6 X
 CONTOH 3 (3)

b. Mean number of project that will be completed on schedule:

The expected number of projets among 6 that can be completed on

schedule by the company is between 3 dan 4.
c. Nilai variance :
 CONTOH 3 (4)

d. Standar deviasi:
x =  Var (X) =  1,2355 = 1.11
e. c.o.v :
x = x / x
= 1.11/3.6 = 0.308
f. X = 4 has the highest probability 0,311; the most probable number of
projects that will be completed on schedule is 4.
g. Skewness :

The distribution of X is negatively skewed with a skewness coefficient :

E X   X 
3

 = - 0.279/1.1113 = -0.204
 3
X
SELESAI