Академический Документы
Профессиональный Документы
Культура Документы
PENDAHULUAN
variabel random Bernoulli hanya dapat mencapai dua nilai (0 dan 1) dengan peluang
masing – masing 1 – p dan p, dan bahwa 1 – p + p = 1. (Dalam kasus yang lebih rumit,
yang tak Bernoulli, keadaannya sering tidak jelas, dan buktinya akan sulit.) Perhatikan
bahwa nilai 0 dan 1 biasanya dikaitkan dengan ‘gagal’ dan ‘berhasil’ dalam suatu arti.
Contoh 1:
Lampu hijau pada suatu persimpangan nyala selama 15 detik, yang kuning 5 detik, dan
yang merah 55 detik. Misalkan bahwa keadaan lalu lintas mengakibatkan variasi acak
dalam waktu tiba di persimpangan, sehingga ‘mendapat lampu hijau’ merupakan peristiwa
yang berpeluang (disebut ‘berhasil’) dan kita tiba pada setiap saat dalam siklus lampu
dengan peluang yang sama, cari distribusi X, banyaknya yang berhasil dalam suatu usaha
perjalanan ke persimpangan itu. Misalkan H menyataka hijau, K menyatakan kuning, M
menyatakan merah; siklus lampu yang lengkap adalah H, K, M. Total panjang siklus T =
15 + 5 + 55 = 75 detik, dan peluang kita tiba pada bagian T yang H ialah 15/75 = 0,2
(karena kita tiba secara acak dalam T dan 15/75 dari T adalah H). Jadi, P[X = 0] = 0,8, P[X
= 1] = 0,2;sehingga X Bernoulli dengan p = 0,2.(Kita selalu dapat menafsirkan sesuatu
variabel random Bernoulli Y sebagai banyaknya yang berhasil dalam suatu usaha dari suatu
percobaan dengan peluang berhasil p) Variabel random yang berdistribusi Bernoulli
dinotasikan sebagai berikut :
X~ Ber(p)
Catatan :
E(X)=p dan Var(X)=p(1-p)=pq , jika p+q=1
Bukti :
E(X)=∑ x f(x) = 1.p + 0.q = p
b. Distribusi Binomial
Suatu variabel random X mempunyai distribusi binomial jika (untuk suatu bilangan
bulat positif n, dan suatu p dengan 0≤ p ≤ 1).
n
P[X = x] = f(x) = x p x (1 p)n x , x 0,1,..., n
0
Sering, suatu variabel random binomial (yakni, suatu variabel random dengan
distribusi binomial) muncul dari serangkaian usaha Bernoulli dengan sifat bahwa
(a) Usaha merupakan peristiwa bebas.
(b) Tiap usaha menghasilkan tepat salah satu dari dua hasil yang selalu sama dan
terpisah (saling meniadakan), biasanya disebut berhasil (B) dan gagal (G).
(c) Peluang hasil B tidak berubah dari suatu usaha ke usaha lainnya (dan karena itu
peluang hasil G juga tetap sama dari suatu usaha ke yang lainnya). Jadi, pada setiap
usaha P(B) = p; P(G) = 1 – p dalam persoalan ini. Bila kita definisikan suatu variabel
random X = 0 bila G terjadi dan X = 1 bila B terjadi, maka
𝑝 𝑥 (1 − 𝑝)1−𝑥
f(x) = { , 𝑏𝑖𝑙𝑎 𝑥 = 0,1
0, 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Adalah fungsi peluang suatu variabel random Bernoulli.
Suatu variabel random binomial dapat dipandang sebagai jumlah n variabel random
Bernoulli, yakni, sebagai banyaknya yang berhasil dalam n usaha Bernoulli. Dalam n
usaha Bernoulli, misalkan Xi variabel random
1, 𝑏𝑖𝑙𝑎 𝑢𝑠𝑎ℎ𝑎 𝑘𝑒 − 𝑖 𝐵(𝑏𝑒𝑛𝑎𝑟)
Xi = {
0, 𝑏𝑖𝑙𝑎 𝑢𝑠𝑎ℎ𝑎 𝑘𝑒 − 𝑖 𝐺 (𝑔𝑎𝑔𝑎𝑙)
dan definisikan X = X1 + X2 + . . . + Xn. Maka X mempunyai kemungkinan nilai
0, 1, 2, . . . ., n dan mempunyai distribusi binomial dengan
n = banyaknya usaha) dan
p = (peluang B) sepanjang seluruh usaha bebas satu sama lain dengan peluang berhasil
tidak berubah.
Untuk menunjukkan hal ini, perhatikanbahwa untuk setiap x ∈{0, 1, 2,. . ., n}, f(x)
= P(x yang berhasil dalam nusaha). Sekarang x yang berhasil dapat terjadi dalam n usaha
n
dalam ’cara’, banyakya kemungkinan rincian (susunan) mendapat B terjadi
x
sebanyak x kali dalam n usaha. Salah satu dari cara ini mempunyai x yang berhasil
diikuti oleh n – x yang gagal, dan cara ini mempunyai peluang x suku dan (n – x) suku
Karena kebebasan dan peluang berhasil yang tidak berubah. Akan tetapi ‘cara’ yang
lain (susunan B sebanyak x dan G sebanyak n – x) mempunyai peluang yang sama
(karena kebebasan dan peluang yang berhasil adalah tetap). Peluangnya
adalahperkalian p sebanyak x dan (1 – p) sebanyak (n – x), hanya susunannya yang
berlainandengan persamaan di atas. Jadi
n
f(x) = x p x (1 p)n x , x 0,1,..., n
0
adalah fungsi peluangvariabel random binomial . Perhatikan bahwa bila X
berdistribusi binomial dengan n ( banyaknya usaha) dan p(peluang berhasil)
[lambangnya X~ Bin(n,p)] maka Y = n – X juga berdistribusibinomial dengan n
(banyaknya usaha) tetapi peluang berhasil (1 – p). Dalam lambangyang baru X~
Bin(n,p)⇒(n – X) ~ Bin(n, 1 – p).
c. Distribusi Hiper Geometrik
Suatu variabel random X berdistribusi hipergeometrik jika (untuk suatu bilangan
bulat n, a, N dengan 1 ≤ n ≤ N dan 0 ≤ a ≤ N)
P[X = x] = f(x)
(𝑎 𝑁−𝑎
𝑥 )( 𝑛−𝑥 )
f(x) = { (𝑁
𝑛) , 𝑥 = 𝑚𝑎𝑘𝑠 (0, 𝑛 − (𝑁 − 𝑎)), . . min(𝑛, 𝑎)
0, 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Perhatikan bahwa batas untuk x dapat ditulis sebagai Maks (0, n – (N – a)) ≤ x
≤ min (n, a).
Keterangan :
Misal dalam suatu kotak terdiri dari 10 komponen baik dan 5 komponen rusak.
Jika dari kotak tersebut diambil tiga komponen secara bersama sama maka
peluang terambilnya 2 komponen baik dan 1 komponen rusak adalah sebagai
berikut :
Contoh 4:
Suatu populasi dari N benda (N≥ 1) mengandung sebanyak a dari jenis A (0≤a≤ N).
Suatu sampel acak berukuran n(1 ≤ n ≤N) diambil tanpa pengembalian. Misalkan X
banyaknya jenis A dalam sampel, maka X≥0 dan X ≥ n –(N – a) [karena banyaknya
jenis A dalam sampel tidak mungkin negatif, dan karena n – (N – a) merupakan
selisih antara ukuran sampel dengan benda yang bukan sejenis A ];
jadi, X≥maks (0, n(N –a)). Juga X ≤ n (tidak mungkin melebihi ukuran sampel) dan
x ≤ a (tidak mungkin melebihi banyaknya anggota jenis A); jadi, X≤min(n, a).dan
N a N a
terdapat sebanyak kemungkinan sampel, banyaknya
n x n x
pengambilan yang mengandung jenis a sebanyak x. Jadi, X suatu variabel random
hipergeometrik
dengan parameter n, a, N.
d. Distribusi Poisson
Suatu variabel random X mempunyai distribusi Poisson bila (untuk suatu > 0,
disebut parameterdistribusi)
𝑒 −𝜇 𝜇 𝑥
, 𝑥 = 0,1,2, … .
P[X=x]=f(x)={ 𝑥!
0, 𝑢𝑛𝑡𝑢𝑘 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Suatu variabel random X mempunyai distribusi Poisson dinotasikan
X~POI(𝜇)
Contoh 6:
Suatu printer berkecepatan tinggi membuat kesalahan secara acak pada kertas cetak,
rata-rata 2 kesalahan per halaman. Berapa peluang bahwa dari 10 halaman yang
dihasilkan printer ini paling sedikit 7 halaman yang tidak mempunyai kerusakan?
(anggap kesalahan terjadi secara bebas dari halaman ke halaman). Misalkan X
menyatakan banyaknya kesalahan per halaman, maka
𝑒 −2 2𝑥
f(x) = 𝑥 = 0,1,2,3, ….
𝑋!
Peluang suatu halaman tidak terjadi kesalahan adalah
𝑒 −2 2𝑥
f(0) = = 𝑒 −2 = 0,1353353
0!
e. Distribusi Geometri
Suatu variabel random X berdistribusi geometrik bila (untuk suatu p, 0 ≤ p < 1)
(1 − 𝑝)𝑥−1 𝑝, 𝑥 = 1,2,3, … . .
𝑃 = [𝑋 = 𝑥] = 𝑓(𝑥) = {
0, 𝑢𝑛𝑡𝑢𝑘 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
[Tidak diperlukan tabel karena kesederhanaan f(x).]
Misalkan peristiwa E mempunyai peluangsukses p yang tidak berubah pada setiap
usaha. Usaha-usaha tersebutsaling bebas satu sama lain. Misalkan X menyatakan
banyaknya usaha yang diperlukan sampai E sukses. Jadi, X dikatakan berdistribusi
geometrik.
Pdf geometrik dinyatakan:
(1 − 𝑝)𝑥−1 𝑝, 𝑥 = 1,2,3, … . .
𝑓(𝑥) = {
0, 𝑢𝑛𝑡𝑢𝑘 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Sehingga E(X) = 1/p dan Var(X)= (1-p)/𝑝2
[Bukti untuk latihan]
1
b
E( X ) x dx
a
ba
b2 a 2
(𝑏−𝑎)2
Var(X)= (𝑏𝑢𝑘𝑡𝑖𝑘𝑎𝑛 𝑠𝑒𝑛𝑑𝑖𝑟𝑖)
12
b. Distribusi Gamma
Distribusi kontinu yang sering terjadi dalam aplikasi adalah distribusi Gamma. Nama
tersebut terkait dengan fungsi yang disebut fungsi Gamma.
Definisi3.1
Fungsi gamma, dinotasikan dengan Γ )k( untuk semua κ> 0, dan didefinisikan
∞
dengan Γ (k)=∫0 𝑡 𝑘−1 𝑒 −𝑡 𝑑𝑡
Contoh, jika κ=1, maka Γ( ) 1 = ∫0∞ e −tdt = 1. Fungsi gamma mempunyai beberapa sifat
sebagaimana yang dinyatakan dalam teorema berikut:
Teoremafungsi gamma memenuhi sifat-sifat berikut:
Γ(κ) =(κ−1)Γ(κ−1) κ >1
Γ(n) =(n − )!1 n = ,2,1 ...
1
Γ(2)=√𝜋
Variabel random kontinu X dikatakan berdistribusi gamma dengan parameter κ> 0 dan θ>
0 jika mempunyai pdf yang berbentuk
1 −𝑥⁄
𝑓(𝑥; 𝜃, 𝑘) = 𝜃𝑘 Γ κ 𝑋 𝑘−1 𝑒 𝜃 𝑋>0
Teorema3.1
jika X~GAM(θ,n), dimana n adalah bulat positif, maka CDF dapat ditulis
x e
i
n 1
F ( x; , n) 1
x
i 0 i!
ekspektasinya diperoleh sebagai berikut:
∞𝑋 1 𝐾−1 −𝑥⁄𝜃
E(X)= ∫0 𝜃 Γ (κ)
𝑘 𝑋 𝑒 𝑑𝑥
1 ∞ −𝑥⁄
=𝜃𝑘 Γ (κ) ∫0 𝑋 (1+𝑘)−1 𝑒 𝜃 𝑑𝑥
Dengan cara yang sama, E(X2) = θ2κ(1+κ), dan diperoleh Var(X) = θ2κ(1+κ) – (κθ)2
= κθ2
c. Distribusi Exponensial
Variabel random kontinu X berdistribusi exponential dengan parameter θ>0 jika
mempunyai pdf yang berbentuk f(x;θ)= − θ
d. Distribusi Weibull
Variabel random kontinu X dikatakan mempunyai distribusi Weibull dengan
parameter β>0 dan θ>0 jika mempunyai pdf yang bebentuk
e. Distribusi Pareto
Variabel random X dikatakan berdistribusi Pareto dengan parameter θ>0 dan
κ>0 jika mempunyai bentuk pdf
f. Distribusi Normal
Distribusi Normal pertama kali dikenalkan oleh Abraham de Moivre pada
tahun 1733.Distribusi tersebut merupakan aproksimasi untuk distribusi variabel
random Binomial. Distribusi ini merupakan distribusi yang sangat penting dalam
dunia statistika dan peluang.Variabel random X yang berdistribusi Normal dengan
parameter µ dan σ2 mempunyai pdf
A. Kesimpulan
Laporan kritikal buku atau Critical Book Report merupakan suatu kegiatan untuk
melihat isi suatu buku (secara keseluruhan ataupun sebagian) yang dibandingkan dengan
buku lain pada bidang kajian yang sama. Kegiatan ini meliputi menilik isi buku, dan menilai
secara kritis kelebihan dan kekurangan buku yang dikritik.
Kegiatan kritikal buku ini sangat bermanfaat bagi mahasiswa sebagai sarana menambah
wawasan dan berlatih untuk berpikir kritis. Dengan adanya kritikal buku ini mahasiswa
akan berusaha untuk memahami isi buku atau bagian yang ia kritisi sehingga dengan begitu
akan menambah pengetahuan bagi mahasiswa yang melakukan kegiatan kritikal buku ini.
Kritikal buku ini juga memberikan mahasiswa/pengkritisi pengetahuan untuk memilih buku
yang paling baik yang bisa dijadikan sebagai acuan dalam pembelajaran.
B. Saran
Adapun saran yang dapat saya sampaikan, untuk perbaikan buku ini adalah sebagai
berikut:
Sebaiknya penulisan rangkuman merata untuk setiap bab.
Sebaiknya semua rumus atau persamaan dijelaskan alasan penggunaan persamaan
tersebut.
Sebaiknya, untuk simbol atau istilah yang masih jarang didengar, dijelaskan pada
buku, sehingga pembaca lebih mudah memahami, apalagi jika istilah atau simbol
tersebut sering digunakan pada buku ini.
Daftar Pustaka