VARIABEL RANDOM.

Slides:



Advertisements
Presentasi serupa
DISTRIBUSI MULTIVARIAT
Advertisements

PROBABILITAS BERSYARAT DAN EKSPEKTASI BERSYARAT
Bab 4. Variabel Acak dan Distribusi Probabilitas
BAB 10 DISTRIBUSI TEORITIS
KONSEP DASAR PROBABILITAS
Pendahuluan Landasan Teori.
PrOBabilitas Oleh : Septi Ariadi.
DISTRIBUSI PROBABILITAS
BEBERAPA EKSPEKTASI KHUSUS
DISTRIBUSI PELUANG.
KONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS (SSTS 2305 / 3 sks)
Distribusi Probabilitas
Himpunan: suatu kumpulan dari obyek-obyek.
DISTRIBUSI PROBABLITAS
DISTRIBUSI TEORETIS.
Distribusi Gamma dan Chi Square
PEUBAH ACAK DAN DISTRIBUSI PROBABILITAS
PROBABILITAS DAN DISTRIBUSI
Dasar probabilitas.
Oleh : FITRI UTAMININGRUM, ST, MT
DISTRIBUSI TEORETIS Tujuan :
DISTRIBUSI PELUANG STATISTIKA.
KOEFISIEN KORELASI.
DISTRIBUSI PROBABLITAS (SSTS 2305 / 3 sks)
Fungsi Peluang dan Fungsi Sebaran Peubah Acak Diskret
Fungsi distribusi dari Y adalah : G(y)=Pr(Y≤y)=Pr(u(X ≤y)=Pr(X≤w(y))=
Peubah Acak (Random Variable)
Variabel Acak 2.1 Variabel Acak Diskrit 2.2 Variabel Acak Kontinu
PROBABILITY DAN JOINT DENSITY FUNCTION
Pembangkit Random Variate
Distribusi Peluang Kuswanto, 2007.
Bab 2 PROBABILITAS.
F2F-7: Analisis teori simulasi
Dasar probabilitas.
VARIABEL ACAK DAN NILAI HARAPAN
KONSEP DASAR PROBABILITAS
VARIABEL ACAK DAN NILAI HARAPAN
DISTRIBUSI PROBABILITAS
VARIABEL RANDOM VARIABEL RANDOM (VR) pada dasarnya adalah bilangan random. Misalkan kita melempar 3 koin, maka ruang sampelnya adalah: Beberapa contoh.
BAB IV PEMBANGKIT RANDOM VARIATE
DISTRIBUSI PROBABILITAS
KONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS
Review probabilitas (2)
PROBABILITAS Hartanto, SIP, MA
PROBABILITAS.
DISTRIBUSI PROBABILITAS TEORITIS
KONSEP DASAR PROBABILITAS
VARIABEL ACAK DAN NILAI HARAPAN
Distribusi Probabilitas
3. Peubah2 Acak (Random Variables)
Variabel Acak Kontinu dan Distribusi Probabilitas
Probabilitas dan Statistik
DISTRIBUSI VARIABEL RANDOM “DISKRIT” KHUSUS “ Bernoulli ” PMtk III B
Tutun Juhana Review probabilitas Tutun Juhana
Tutun Juhana Review probabilitas Tutun Juhana
Random Variable (Peubah Acak)
PEMBANGKIT RANDOM VARIATE
DISTRIBUSI PROBABILITAS TEORITIS
PEUBAH ACAK & DISTRIBUSI PELUANG. PENGERTIAN PEUBAH ACAK STATISTIKA  Penarikan kesimpulan tentang (karakteristik dan sifat) populasi. Contoh : Pemeriksaan.
PELUANG.
Analisa Data Statistik
Variabel Acak Diskrit & Distribusi Peluang
KONSEP DASAR PROBABILITAS
Variable Kontinu Acak dan Distribusi Probabilitas
DISTRIBUSI PROBABILITAS TEORITIS
KONSEP DASAR PROBABILITAS
DISTRIBUSI PROBABILITAS
1. TEORI PENDUKUNG 1.1 Pendahuluan 1.2 Variabel acak
Transcript presentasi:

VARIABEL RANDOM

VARIABEL RANDOM DISKRIT Pada pembahasan sebelumnya, C mempunyai elemen-elemen yang bukan bilangan. Contoh : - pada pelemparan koin, C = { muka , belakang } - pada pelemparan dadu, C = { muka1,…,muka6} Bagaimana merubah ruang sampel yang elemennya bukan bilangan menjadi bilangan?

Definisikan suatu fungsi X yang memetakan ruang sampel C ke himpunan bilangan riil, atau X : C Daerah hasil dari fungsi X dinotasikan dengan A , sehingga dapat ditulis X(C ) = A . Fungsi X ini dinamakan variabel random. Apabila A merupakan himpunan diskrit yaitu himpunan yang elemen-elemennya berhingga atau tak berhingga tapi dapat dikorespondensikan satu-satu dengan himpunan bilangan bulat, maka X dinamakan variabel random diskrit. Apabila A berupa interval atau gabungan dari beberapa interval maka X dinamakan variabel random kontinu. Note : Nilai dari X dinotasikan dengan x .

Contoh : Pada pelemparan koin, ruang sampelnya C = {c;c adalah muka atau c adalah belakang}. Misalkan X : C sedemikian hingga X(c) = 0 jika c adalah muka = 1 jika c adalah belakang X disebut fungsi bernilai riil yang didefinisikan pada ruang sampel C dan nilai dari fungsi X adalah A = {0,1}. Dalam perhitungan selanjutnya, yang digunakan adalah A bukan lagi C.

Misalkan terdapat suatu fungsi X yang didefinisikan pada ruang sampel C sedemikian hingga X( c ) = x R .Sehingga ruang nilai dari X adalah A = . . Apabila C merupakan himpunan bilangan riil maka A = C. Apabila C C berhubungan dengan A A, yaitu maka dimana menyatakan probabilitas kejadian A. Notasi lain = = P(A). : probabilitas yang diinduksi oleh X

Akan ditunjukkan bahwa memenuhi definisi fhp. 1. . Jadi . 2. Misalkan A1 dan A2 subset dari A yang tidak beririsan atau . Misalkan . Berarti . Jadi atau . Karena A1 dan A2 disjoint sets, maka C1 dan C2 juga disjoint sets. Jadi = Sehinnga . Secara umum : apabila

3. Berarti. Jadi terbukti bahwa adalah fhp 3. . Berarti . Jadi terbukti bahwa adalah fhp. Contoh: Sebuah mata uang dilempar 2 kali dan akan diamati jumlah muka yang muncul. Ruang sampel / C = {c; c adalah MM,MB,BM atau BB} Misalkan X adalah variabel random yang menyatakan banyaknya muka yang muncul. Jadi, X(c) = 0, jika c adalah BB = 1, jika c adalah BM atau MB = 2, jika c adalah MM Ruang nilai dari X adalah A = {0,1,2} atau A = {x; x = 0,1,2} .

Misalkan A = {1}, berapakah P(A) ? A = {1} berhubungan dengan C = {c; c adalah BM atau MB}, sehingga P(A) = P( C ) = 2/4. Atau dapat ditulis : Karena A = {1}, maka P(A) = Pr(X A) = Pr(X = 1) = 2/4. Akan ditentukan Pr(X=0) atau Pr(X=2). Misalkan C1= {c; c adalah BB} C2= {c; c adalah MB} C3={c;c adalah BM} C4={c;c adalah MM} Dimisalkan bahwa C1,C2,C3 dan C4 equally likely atau P(Ci)=1/4, i = 1,2,…,4 .

Karena X : banyaknya muka yang muncul, maka : Kejadian A1 = {0} terjadi jhj kejadian C1 terjadi Kejadian A2 = {1} terjadi jhj kejadian C2 atau C3 terjadi Kejadian A3 = {2} terjadi jhj kejadian C4 terjadi Jadi Pr(X=0) = P(C1) = ¼ Pr(X=1) = = P(C2) + P(C3) = 2/4 Pr(X=2) = P(C4) = ¼ Dalam bentuk tabel atau rumus: atau x 1 2 Pr(X = x) 1/4 1/2

Probability Density Function (pdf) Misalkan f adalah suatu fungsi yang memetakan dari A ke himpunan bilangan riil R, atau . Pengaitan untuk fungsi f harus memenuhi : 1. 2. 3. , dimana P(A) adalah fhp dan A A . Apabila ketiga syarat di atas terpenuhi, maka f disebut pdf (probability density function) atau pmf (probability mass function) dari variabel random diskrit X.

Contoh : Dari contoh sebelumnya ,misalkan dimana A={0,1,2}. - A1={0}, P(A1)= = Pr(X=0) = f(0) Karena Pr(X=0) = ¼, maka f(0) = ¼ - A2={1}, P(A2) = =Pr(X=1) = f(1) Karena Pr(X=1) = ½, maka f(1) = ½ - A3={2}, P(A3)= = Pr(X=2) = f(2) Karena Pr(X=2) = ¼, maka f(2) = ¼ Jadi,

VARIABEL RANDOM KONTINU DAN pdf Apabila A merupakan interval atau gabungan dari beberapa interval, maka X yang memetakan dari C ke A disebut variabel random kontinu. Misalkan f adalah suatu fungsi dari A ke himpunan bilangan riil R, atau yang pengaitannya memenuhi : 1. 2. 3. , dimana P(A) adalah fhp dan A A . Apabila ketiga hal di atas dipenuhi maka f disebut pdf (probability density function) dari variabel random kontinu X.

Jika A = {a} maka P (A) = = Pr(X=a) = = 0 Berarti jika X variabel random kontinu maka Pr(X=a) = 0 dan Pr(a < X< b) = . Contoh : Misalkan P(A) adalah fhp dari X dimana , dimana f(x) adalah pdf dari X yang didefinisikan sbb : Misalkan A1 ={x : 0 < x < 1}, A2={x : 2 < x < 3}, maka P(A1)= dan P(A2)= . Karena maka

FUNGSI DISTRIBUSI (Cumulative Distribution Function/cdf) Misalkan diberikan suatu fungsi F yang didefinisikan pada himpunan bilangan riil R. Fungsi ini memetakan dari himpunan bilangan riil R ke himpunan bilangan riil R,yaitu : dengan pengaitan dimana X variabel random dan P adalah fhp. Fungsi yang didefinisikan di atas disebut fungsi distribusi (cdf) dari variabel random X yang mempunyai distribusi tertentu. Untuk variabel random diskrit : Untuk variabel random kontinu :

Catatan : Jika X variabel random kontinu, maka pdf dari X yaitu f(x) mempunyai paling banyak berhingga titik-titik diskontinu di dalam suatu interval berhingga. Hal ini berarti : 1. Fungsi distribusi F(x) kontinu dimana-mana. 2. Turunan dar F(x) terhadap x ada dan sama dengan pdf f(x) di setiap titik dimana f(x) kontinu, atau F’(x) = f(x). Jika X variabel random diskrit, maka pdf dari X yaitu f(x) bukanlah turunan dari F(x) terhadap x pada Lebesgue measure, tetapi f(x) adalah turunan dari F(x) terhadap x pada counting measure (Radon - Nykodym). Turunan sering disebut density, karena itulah f(x) yang merupakan turunan dari F(x) terhadap x disebut probability density function.

Contoh: Misalkan X variabel random diskrit yang mempunyai pdf sbb : Tentukan fungsi distribusi (cdf) dari X dan grafiknya !

Misalkan X variabel random kontinu yang mempunyai pdf Tentukan fungsi distribusi (cdf) dari X dan gambarkan!

Tugas untuk latihan : Soal no. 1.47,1.48,1.49,1.50,1.69