VARIABEL RANDOM

Statistika dan Probabilitas

 Pengertian
❑ Random variable (variabel acak)
❑ suatu fungsi yang didefinisikan pada sample space
❑ Jenis
❑ Discrete random variables
❑ Continuous random variables
❑ Contoh
❑ jumlah hari hujan selama 1 tahun → diskrit
❑ jumlah (volume) hujan selama 1 tahun → kontinu

Variabel Random
Definisi
Definisi : Variabel acak X (yang merupakan bilangan riil [real-valued])
adalah fungsi bernilai riil dan dapat diukur yang didefinisikan pada
sample space ;X:  → 
• Setiap titik sample (sample points) w dihubungkan dengan
sebuah bilangan riil X(w)
• Dengan kata lain : memetakan setiap titik sample ke sebuah
bilangan riil menggunakan variabel acak X
Definisi
Var random X adalah fungsi dari S ruang sampel ke bilangan
real R X : S → R
Contoh : Menjawab soal multipel choice 2 kali
S = {SS, SB, BS, BB}
X : VR Banyaknya jawaban benar, maka X = {0,1,2}
S R
X
BB
0
SB
1
BS
2
SS
 Variabel Random
❑ Notasi
❑ X → variabel random
❑ x → nilai variabel random
❑ Fungsi
❑ Suatu fungsi variabel random adalah variabel random pula
❑ Jika X adalah variabel random, maka Z = f(X) adalah juga variabel random

Variabel Random
 Contoh

Sebuah koin dilempar tiga kali; setiap lemparan akan menghasilkan head (H) atau tail (T)
Sample space:

Misalnya variabel acak X merupakan jumlah total tail (T) dalam ketiga eksperimen
pelemparan koin tersebut, maka :

Variabel Random
 PROBABILITAS DAN DISTRIBUSINYA

• P(X=0) =1/4 • P(x) >= 0

• P(X=1)= 2/4 • Total Prob = 1
• P(X=2)=1/4 • Distribusi Peluang Adalah Tabel Yang Berisi
Nilai Dari Variabel Random Dan Peluangnya

 P( X = x ) = 1
xX
i

X 0 1 2 Total
P(X) 1/4 2/4 1/2 1
Karakteristik Dist
• E(X)+SD(X)
Rata-rata (Expektasi) dari X
E(X) =  x P(X = x )
x i X
i i

• E(X)
Variansi (Ukuran Dispersi ) X
V(X) = E(X − E(X)) 2
= E(X 2 ) − E(X) 2

• E(X)-SD(X)
Contoh

Distribusi probabilitas penjualan komputer perbulan

X 5 6 7 8 Total

P(X=x) 20/100 30/100 40/100 10/100 1

X.P(X=x) 1 1.8 2.8 0.8 6.4

X2.P(X=x) 5 10.8 19.6 6.4 41.8

E( X ) =  XP( X = x) = 6.4
V ( X ) = 41.8 − 6.4 2 = 0.84 ; S ( X ) = 0.9165
 VARIABEL RANDOM
X

DISKRIT
KONTINU
1. P( X = x)  0 1. f ( x )  0
2.  P( X = x) = 1
xX
2.  f (x )dx = 1
x A
b
3. P(a  X  b) =  P( X = x)
b

x=a
3. P ( a  X  b) =  f (x )dx
a

Variabel Random
 DISKRIT BERNOULLI
BINOMIAL
MULTINOMIAL
GEOMETRIK
HIPERGEOMETRIK
POISSON
VARIABEL
RANDOM

NORMAL
KONTINU
UNIFORM KONTINU
BETA
GAMMA
EXPONENTIAL
WEIBULL
CAUCHY
DOUBLE EXPONENTIAL
Variabel Random
 Variabel Random Diskrit
❑ X = discrete random variables
❑ = x1, x2, x3, …, xn

fX(x1)
fX(x2) probabilitas ∑ fX(xi) = 1
fX(x3)
fX(xn)

Variabel Random
 fX(xi)
distribusi probabilitas diskrit

x 1 x2 x3 … xn−1 xn
1
distribusi probabilitas kumulatif
diskrit
FX(xi)

probabilitas
0 x 1 x2 x3 … xn−1 xn x ≤ xi

5 Variabel Random
 ❑ Distribusi probabilitas kumulatif
suatu variabel random X untuk X = x
FX (x ) =  f X (x i )
xi x

❑ Distribusi probabilitas
suatu variabel random X untuk X = x
fX (xi ) = FX (xi )− FX (xi −1 )

6 Variabel Random
 ▪ Frekuensi relatif ▪ Probabilitas

fx i = Fx i − Fxi−1 fX (xi ) = FX (xi )− FX (xi−1 )

▪ Frekuensi relatif kumulatif

i
Fx i (x ) =  fx j
FX (x ) =  fX (xi )
j=1 xi x

7 Variabel Random
Variabel Random Kontinu
❑ Probabilitas
ni ni = jumlah data di klas ke-i
prob(A ) = = fxi
n n = jumlah seluruh data

❑ Dengan demikian fxi dapat dipandang sebagai nilai estimasi probabilitas

fxi → estimasi prob (A)
variabel random
histogram frekuensi → pendekatan distribusi probabilitas kontinu diperlakukan
seolah-olah variabel
frekuensi kumulatif → pendekatan distribusi probabilitas kumulatif random diskrit

Variabel Random
 pX(x) luas =
prob(X ≤ b) luas = 1
pdf = probability density function
luas =
prob(a ≤ X ≤ b)

a b x
1
PX(x)
cdf = cumulative probability
distribution function
PX(b) prob(a ≤ X ≤ b) PX(x) = prob(X ≤ x)
PX(a)
0 x
a b
9 Variabel Random
 pX(x) = probability density function of a continuous random variable
PX(x) = cumulative probability distribution function

x
PX (x) = prob(X  x) dPX (x) = pX (x)d x PX (x) =  pX (t )dt
−

10 Variabel Random
Definisi : PDF dari suatu variabel acak X adalah fungsi FX:  → [0,1] yang
didefinisikan sebagai berikut

PDF menentukan distribusi dari variabel acak

Sifat

Variabel Random
Kesalingbebasan statistik dari variabel acak (Statistical independence of
random variables)

Definisi : Variabel acak X dan Y saling bebas jika untuk semua x dan y

Definisi :Variabel acak X1, …,Xn saling bebas jika untuk semua i dan xi

Variabel Random
 Beberapa Sifat Probabilitas
b
(1) pX (x)  0, x 
(5) prob(a  X  b) = pX (t )dt = PX (b)− PX (a)
a
+

 p X (x ) d x = 1
c
(2)
(6) prob(X= c) = p X(t )dt = PX (c)− PX (c) = 0

−
c
(3) PX (− ) = 0

(4) PX (+  ) = 1 prob(a  X  b) = prob(a  X  b) = prob(a  X  b) = prob(a  X  b)

Variabel Random
Kala Ulang (Return Period)
prob(X  a) = prob(X  a)

❑ Jadi dalam definisi kala ulang

a. suatu kejadian yang menyamai atau melampaui suatu nilai tertentu
b. suatu kejadian yang melampaui suatu nilai tertentu

❑ Kedua definisi, a dan b, adalah sama mengingat probabilitas suatu

kejadian (event) menyamai suatu nilai tertentu bernilai nol

Variabel Random
Contoh #1
❑ Diketahui suatu variabel random X memiliki fungsi kerapatan probabilitas (pdf)
sbb.
untuk O  x  2

untuk nilai x yang lain

❑ Gambarlah pdf tersebut

❑ Tunjukkan bahwa prob(0 < X < 2) = 1
❑ Hitunglah prob(X < 1.5)= PX(1.5)
❑ Hitunglah prob(0.5 < X < 1.5)

Variabel Random
Contoh #2
❑ Pengolahan data annual series curah hujan harian maksimum, H mm, di suatu stasiun ARR
(Automatic Rainfall Recorder) menunjukkan bahwa sebaran probabilitas suatu besaran
curah hujan, pH(h), dapat dinyatakan dengan suatu fungsi (pdf) sbb.

untuk O  h  5O

untuk 5O  h  1OO

untuk nilai h yang lain

❑ Gambarlah pdf tsb.

❑ Carilah fungsi cdf berdasarkan pdf tsb.
❑ Hitunglah prob(40 mm < H < 60 mm)

Variabel Random
Bivariate Distributions
❑ Pada bahasan sebelumnya, variabel random adalah variabel tunggal
(univariate distribution)
❑ Pada bahasan berikut ini, variabel random terdiri dari dua variabel
(bivariate distributions)
❑ Apabila kita ingin mempelajari perilaku dua atau lebih variabel random, maka
kita perlu menghitung probabilitas gabungan atau probabilitas bersama (joint
probabilities)
❑ Probabilitas gabungan → pdf gabungan

Variabel Random
Bivariate Distributions
❑ Probabilitas gabungan, probabilitas bersama


pX ,Y (x,y ) = x y PX ,Y (x,y ) pdf

PX ,Y (x, y) = prob(X  x  Y  y ) cdf

+ +
=  
− −
pX ,Y (s,t )dt d s

Variabel Random
Bivariate Distributions
❑ Beberapa sifat bivariate distribution
PX ,Y (x,) cdf variabel random X saja (univariate)
PX ,Y (, y )
cdf variabel random Y saja (univariate)

pX ,Y (x, y)  0

PX ,Y (+ ,+) = 1

PX ,Y (− , y) = PX ,Y (x,−) = 0

Variabel Random
Distribusi Marginal
❑ Dua variabel random X dan Y
❑ Ingin diketahui perilaku variabel X tanpa mempertimbangkan nilai variabel Y
❑ Densitas marginal (pdf) dan distribusi kumulatif marginal (cdf)

pX ,Y (x, y) → pX (x) PX ,Y (x, y) → PX (x)

PX (x) = PX (x,)= prob(X  x  Y  ) = prob(X  x )
+ x + x
pX (x) =  pX ,Y (x,t)dt =   pX ,Y (s,t )dt d s =  pX (s)d s
− − − −

pdf cdf
Variabel Random
Distribusi Marginal
❑ Dua variabel random X dan Y
❑ Untuk variabel Y
pX ,Y (x, y) → pY (y ) PX ,Y (x, y) → PY (y)
PY (y) = PY (, y) = prob(X    Y  y) = prob (Y  y )
+ y
y +
pY (y) =  pX ,Y (s, y)d =   pX ,Y (s,t )d s dt =  pY (t )dt
s − − −
−
pdf cdf

Variabel Random
Distribusi Bersyarat (Conditional Distributions)
❑ Dua variabel random X dan Y
❑ Ingin diketahui perilaku variabel X yang bergantung pada variabel Y
◼ Distribusi X jika Y = y0
◼ Distribusi Y jika x1 ≤ X ≤ x2

Variabel Random
Distribusi Bersyarat (Conditional Distributions)

p (x y di dalam S) =
 p (x , t )dt
S
X ,Y

 p (t )dt
X ,Y i
Y
S

prob(x di dalam R y di dalam S)= p (x y di dalam S)d x

 R XY

pX ,Y (x , yO)
pX Y (x y = yO ) = yang lebih sering dituliskan
pY (yO )
pX ,Y (x , y)
pX Y (x y ) =
pY (y )

Variabel Random
Independence
❑ Variabel random X dan Y
❑ X dan Y independence jika
pX|Y ( x | y) bukan fungsi y

pX | Y (x | y ) = pX (x )

❑ Joint probabilities
◼ Perkalian densitas marginal kedua variabel

pX ,Y (x, y) = pX (x) pY (y )

Variabel Random
 Contoh
Data jumlah hari yang memiliki temperatur udara rerata (T°C) dan kelembaban udara relatif (H%) di
suatu stasiun klimatologi

Temperatur udara, T°C

22-24 24-26 26-28 28-30 30-32 32-34
Kelembaban relatif, H%

0 – 20 2 4 6 2 2 1

20 – 40 4 8 12 30 6 9

40 – 60 5 15 30 60 30 20

60 - 80 3 7 9 25 17 11

80 - 100 1 0 2 12 8 3
Variabel Random
Contoh
❑ Dari tabel temperatur udara dan kelembaban udara tsb.
❑ pdf (gabungan)
❑ pdf marginal dan cdf marginal temperatur udara rerata
❑ pdf marginal dan cdf marginal kelembaban udara relatif
❑ probabilitas temperatur udara berkisar pada 28°C s.d. 30°C
❑ probabilitas temperatur udara berkisar pada 28°C s.d. 30°C pada saat
kelembaban udara relatif 60% s.d. 80%

Variabel Random
25 Variabel Random