4

EKSPEKTASI MATEMATIK
Ekspektasi Matematika
Definisi 4.1: Jika X suatu variabel random diskrit dergan fungsi probabilitas f(x),
maka ekspektasi matematik (expected value) dari X, ditulis E(X), didefinisikan
sebagai:
E(X) =
) (
1
i
i
i
x f x

Ekspektasi E(X), sering disebut pula sebagai mean (mean value) dari X. Sedang
simbol E(X) sering pula disajikan sebagai
x
atau .
Definisi 4.2: Jika X suatu variabel random kontinu dengan fungsi densitas
probabilitas f(x), maka ekspektasi dari X, didefinisikan sebagai
E(X) =

dx x xf ) (
Contoh 4.1: Jika X = banyaknya titik yang muncul pada pelantunan sebuah dadu
(ideal), maka
(a) E(X) = 3; (c) E(X E(X))
2
=
12
11
2 ;
(b) E(X
2
) =
6
1
15 ; (d) E(X
2
) (E(X))
2
=
12
11
2 .
Contoh 4.2: Jika variabel random X mempunyai fungsi densitas probabilitas
f(x) =

'

>

l a i n y a n g ; 0
0 ;
x
x e
x
,
Bahan Ajar Statistika Matematika I
14
maka E(X) = 1/
Beberapa sifat ekspektasi
(i) E(c) = c; c konstan; (ii) E(cx) = cE(X)
(iii) Jika Y = aX + b, dengan a dan b konstan, maka E(Y) = aE(X) + b
(iv) Jika = E(X), maka E(X - ) = 0
Variansi
Definisi 4.3: Jika X suatu variabel random, maka variansi dari X, ditulis Var(X)
atau V(X), didefinisikan
Var(X) = E(X E(X))
2
Teorema 4.4: Var(X) = E(X
2
) (E(X))
2
Bukti: Var(X) = E(X E(X))
2
= E[X
2
2XE(X) + (E(X))
2
]
= E(X
2
) 2E(X)E(X) + (E(X))
2
= E(X
2
) (E(X))
2
Contoh 4.3: Variansi dari Contoh 4.2 adalah Var(E) =
2
1

Beberapa sifat variansi:

(i) Var(c) = 0; c konstan (ii) Var(cX) = c
2
Var(X) (iii) Var(X t c) = Var(X)
Contoh 4.4: Jika diketahui, bahwa E(XY) = E(X)E(Y), maka buktikan bahwa
Var(X + Y) = Var(X) + Var(Y)
Bukti: Gunakan Teorema 4.4.
Bahan Ajar Statistika Matematika I
15
Ekspektasi Fungsi Variabel Random
Teorema 4.5: Jika X suatu variabel random diskrit dengan fungsi probabilitas
f(x), maka ekspektasi dari fungsi variabel random g(x) adalah
E(g(x)) =

x
x f x g ) ( ) (
Demikian pu1a, jika X suatu variabel random kontinu dengan fungsi densitas f(x),
maka ekspektasi dari fungsi variabel random h(x) adalah
E(h(x)) = dx x f x g

) ( ) (
Bukti: Untuk membuktikan Teorema ini, dibiarkan sebagai latihan.
Contoh 4.5: Jika X mempunyai fungsi densitas
f(x) =

'

>

l a i n y a n g ; 0
0 ;
x
x e
x
,
maka ekspektasi dari fungsi variable random g(x) = e
3x/4
adalah E(g(x)) = 4.
Teorema 4.6: Jika X dan Y merupakan variabel random diskrit dengan fungsi
probabilitas f(x, y), maka ekspektasi variabel random g(X, Y) adalah
E[g(X, Y)] =

x y
y x f y x g ) , ( ) , (
Sedangkan, jika X dan Y merupakan variabel random kontinu dengan fungsi
densitas f(x, y), maka ekspektasi variabel random h(X, Y) adalah
E[h(X, Y)] = dxdy y x f y x g

) , ( ) , (
Bahan Ajar Statistika Matematika I
16
Contoh 4.6: Jika densitas bersama dari X dan Y adalah
f(x, y) =

'

< < < < +

l a i n y a n g ; 0
2 1 , 1 0 ) ; 2 (
7
2
x
y x y x
,
maka ekspektasi dari g(x, y) =
3
y
x
adalah

,
_

3
y
x
E
= 15/84
Bahan Ajar Statistika Matematika I
17
5
MOMEN
Momen dan Fungsi Pembangkit Momen
Definisi 5.1: Momen ke-r dari suatu variabel random X, ditulis ) ( X
r

,
didefinisikan sebagai
) ( X
r

= E(X
r
)
Definisi 5.2: Momen pusat ke-r dari suatu variabtel random X, ditulis
r
(X),
didefinisikan sebagai

r
(X) = E[(X - )
r
]
Dari kedua definisikan ini diperoleh :
) (
0
X
= E(X
0
) = 1 ) (
1
X
= E(X) = ) (
2
X
= E(X
2
)

1
(X) = E[(X - )] = E(X - ) = 0
2
(X) = Var(X)
Definisi 5.3: Jika X suatu variabel random diskrit dengan fungsi probabilitas f(x),
maka fungsi pembangkit momen (moment generating function, MGF) dari X,
ditulis M
x
(t), didefinisikan sebagai
M
x
(t) =

1
) (
i
x f tx
i i
e
Definisi 5.4: Jika X suatu variabel random kontinu dengan fungsi densitas f(x),
maka fungsi pembangkit momen (moment generating function, MGF) dari X,
ditulis M
x
(t), didefinisikan sebagai
M
x
(t) =

dx x f e
tx
) (
Bahan Ajar Statistika Matematika I
18
Contoh 5.1: Jika fungsi densitas dari X,
f(x) =

'

< <

l a i n y a n g ; 0
;
1
x
b x a
b a
,
maka MGF dari X adalah
M
x
(t) =
) (
) (
1
at bt
e e
t b a

, t 0.
Contoh 5.2: Jika fungsi densitas dari X,
f(x) =

'

>

l a i n y a n g ; 0
0 ; ) (
) (
1
x
x x
r

r
,
maka MGF dari X adalah
M
x
(t) =
r
t

,
_

.
Bahan Ajar Statistika Matematika I
19
6
VARIABEL RANDOM
Beberapa Variabel Random Diskrit
1. Distribusi Uniform Diskrit
Definisi 6.1: Suatu variabel random diskrit X, ditulis X ~ DU(N), disebut
mempunyai distribusi Uniform Diskrit, jika dan hanya jika fungsi probabilitasnya
berbentuk
f(x) =
N
1
; x = 1, 2, , N, dengan x
i
x
j
untuk i j.
Teorema 6.2: Jika X berdistribusi Uniform Diskrit, X ~ DU(N), maka
(a) =
2
1 + N
(b)
2
=
12
1
2
N
(c) M
x
(t) =
) 1 (
) 1 (
t
Nt t
e N
e e

2. Distribusi Binomial
Definisi 6.2: Suatu variabel random X berdistribusi Bernoulli, jika dan hanya jika
fungsi probabilitasnya berbentuk
f(x) = p
x
q
1-x
; x = 0, 1, dan q = 1 - p
Distribusi ini merupakan kasus khusus dari distribusi binomial.
Definisi 6.3: Suatu variabel random X berdistribusi binomial, X ~ b(n, p), jika dan
hanya jika fungsi probabilitasnya berbentuk
Bahan Ajar Statistika Matematika I
20
f(x) =
x x
q p
x
n

,
_

1
; x = 0, 1, , n
Pada distribusi-distribusi di atas, X menunjukkan banyaknya SUKSES dalam n
ulangan independen, sedangkan p merupakan probabilitas sukses diperoleh pada
ulangan tunggal, dan q adalah komplemennya.
Teorema 6.4: Jika X ~ b(n, p), maka
(a) = np (b)
2
= npq (c) M
x
(t) = [1+p(e
t
-1)]
n
Bukti: Dibiarkan sebagai latihan.
Contoh 6.1: Jika pada pelantunan sebuah mata uang logam (seimbang) lima kali
maka probabilitas bahwa dalam pelantunan tersebut
(a) G muncul paling banyak 3 kali adalah 26/32.
(b) G muncul paling sedikit 2 kali adalah 26/32.
(c) G tak pernah muncul adalah 1/32.
Contoh 6.2: Probabilitas bahwa seorang penduduk Kota Dongeng menderita
penyakit busung dada adalah 0.35. Dari 15 penduduk kota tersebut, carilah
probabilitas bahwa terdapat (a) 4 penderita penyakit busung dada, dan (b) paling
sedikit 10 penderita penyakit busung dada.
Jawab: X ~ b(15, 0.35); n = 15, dan p = 0.35. Dari Tabel Binomial, diperoleh:
(a) P(X = 4) = f(4) = 0.1792 (b) P(X 10) = f(10) + + f(15) = 0.0129
Bahan Ajar Statistika Matematika I
21
Teorema 6.5: Jika X ~ b(n, p), dan Y = X/n, maka
y
= p dan
n
pq

y

2
Bukti: Dikerjakan sebagai latihan.
Bahan Ajar Statistika Matematika I
22
3. Distribusi Binomial Negatif dan Distribusi Geometrik
Definisi 6.6: Suatu variabel random X berdistribusi binomial negative,
X ~ NB(r, p), jika dan hanya jika
f(x) =
r x r
q p
r
x

,
_

1
1
; x = r, r+1,
Variabel random Xdalam hal ini menunjukkan munculnya sukses ke-r pada
ulangan ke-x. Hal ini berarti, bahwa diperolehnya (r-1) sukses pada (x-1) ulangan
yang pertama, yang fungsi probabilitasnya f(x) =
r x r
q p
r
x

,
_

1
1
1
. Sehingga, dihubungkan
Bahan Ajar Statistika Matematika I
23
dengan probabilitas sukses ke-r pada ulangan ke-x, diperoleh f(x) =
r x r
q p
r
x
p

,
_

1
1
1
=
r x r
q p
r
x

,
_

1
1
.
Contoh 6.3: Jika pada pelantunan tiga uang logam seimbang, maka probabilitas
akan diperoleh sisi yang sama (GGG atau AAA) untuk keduakalinya pada
pelantunan yang kelima adalah 27/256.
Teorema 6.7: Mean dan variansi dari distribusi binomial negatif adalah
=
p
r
dan
2
=

,
_

1
1
p p
r
.
Bukti: Diserahkan sebagai latihan.
Definisi 6.8: Suatu variabel random X berdistribusi geometrik, X ~ GEO(p), jika
dan hanya jika fungsi probabilitasnya sebagai
f(x) = p(1 p)
x-1
, untuk x = 1, 2,
Bahan Ajar Statistika Matematika I
24
Teorema 6.9: Jika X berdistribusi geometrik, X ~ GEO(p), maka mean dan
variansinya masing-masing = 1/p dan
2
= 2
1
p
p
.
4. Distribusi Hipergeometrik
Definisi 6.10: Suatu variabel random Xberdistribusi hipergeometrik, X ~ H(n, M,
N), jika dan hanya jika
f(x) =

,
_

,
_

,
_

n
N
x n
M N
x
M
; x = 0, 1, , n, x M
Pada distribusi ini, X menunjukkan banyaknya sukses pada n ulangan, dengan
setiap ulangan dengan pengambilan tanpa pengembalian. Dari N elemen itu
Bahan Ajar Statistika Matematika I
25
diketahui M elemen mengakibatkan sukses, dan N M elemen mengakibatkan
gagal.
Contoh 6.4: Sebagai salah satu bagian dari kegiatan survey tentang polusi udara,
seorang inspektur menginginkan untuk menguji asap yang berasal dari 6 truk di
antara 24 truk milik suatu perusahaan. Jika 4 dari 24 truk tersebut mengeluarkan
asap yang mengakibatkan polusi udara, maka probabilitas bahwa 6 truk sampel
tersebut asapnya tidak mengakibatkan polusi udara adalah 0.2880.
Teorema 6.11: Mean dan variansi dari suatu distribusi hipergeometrik adalah
=
N
nM
dan
2
=
) 1 (
) )( (
2

N N
n N M N nM
Bukti: Dengan mengingat kembali teori membilang, Teorema ini dapat
dibuktikan dengan mudah, dan dibiarkan sebagai latihan.
5. Distribusi Poisson
Definisi 6.12: Suatu variabel random X berdistribusi Poisson, X ~ POI( ), jika
dan hanya jika
f(x) =
! x
e
x
; x = 0, 1, 2,
Teorema 6.13: Jika X ~ POI( ), maka mean, variansi, dan MGFnya adalah
= ,
2
= , dan M
x
(t) =
) 1 (
t
e e
Bukti: Gunakan kenyataan, bahwa distribusi ini didasarkan pada distribusi
binomial dengan n .
Contoh 6.5: Jika probabilitas bahwa seseorang yang akan meninggal karena
sesuatu penyakit tertentu adalah 0.001, maka dengan menggunakan distribusi
Poisson, probabilitas dari 2000 orang penderita penyakit tersebut, tiga orang
meninggal adalah 0.180, dan lebih dari dua orang meninggal adalah 0.3230.
Bahan Ajar Statistika Matematika I
26
Beberapa Variabel Random Kontinu
1. Distribusi Uniform
Definisi 6.14: Jika X suatu variabel random kontinu pada interval (a, b), dengan
pdf f(x) =
a b
1
untuk x (a, b), dan nol untuk x yang lain, maka X disebut
variabel random berdistribusi uniform pada interval (a, b).
Teorema 6.15: Jika X ~ UNIF(a, b), maka mean, variansi, dan MGF adalah
= (a + b)/2,
2
=
12
) (
2
b a
, dan M
x
(t) =
( )
at bt
e e
t a b

) (
1
, t
0
Bukti: Dibuat sebagai latihan.
2. Distribusi Eksponensial
Definisi 6.16: Variabel random kontinu X berdistribusi eksponensial, X ~
EXP( ), dengan 0, ,jika dan hanya jika f(x) =
x

1
1

, untuk x > 0, dan nol
untuk x lain.
Teorema 6.17: Jika X ~ EXP( ), maka = dan
2
=
2
.
3. Distribusi Normal
Definisi 6.18: Suatu variabel random kontinu X berdistribusi normal, X ~ N( ,

2
), jika dan hanya jika fungsi densitasnya
f(x) =
2 / ] / ) [(
2
2
1
x
e


Bahan Ajar Statistika Matematika I
27
Jika mean = 0 dan
2
= 1 distribusi di atas, maka X berdistribusi normal
standar, X ~ N(0, 1), sehingga
f(z) =
2 /
2
2
1
z
e


.
Dengan kata lain distribusi normal standar diperoleh dengan transformasi
Z =

X
.
Contoh 6.6: Jika X ~ N(60, 144), maka (Gunakan Tabel Normal Standar)
(a) P(60 X 76) = 0.4082; (c) P(29 X 95) = 0.9933;
(b) P(37 X 60) = 0.4726; (d) P(X 77) = 0.9222.
4. Distribusi Gamma
Definisi 6.19: Fungsi gamma, ( ), didefinisikan sebagai
( ) =

0
1
dt e x
t
, untuk > 0
Sifat-sifat fungsi gamma:
(i) ( ) = ( - 1) ( - 1); > 1
(ii) (n) = (n 1)!; n = 1, 2,
(iii) (1/2) =

Contoh 6.7:
) 3 ( ) 12 (
) 15 (

=
! 2 ! 11
! 14
= 1092
Definisi 6.20: Variabel random X berdistribusi gamma, X ~ GAM( , ), jika
dan hanya jika f(x) =
x

e x

/ 1
) (
1

untuk x > 0, dan nol untuk x yang lain.

Teorema 6.21: Jika X ~ GAM( , ), maka
Bahan Ajar Statistika Matematika I
28
(a) = (b)
2
=
2
(c) M
x
(t) = (1 - t )
-

Bukti: Diserahkan sebagai latihan.

5. Distribusi Chi-Kuadrat
Definisi 6.22: Variabel random kontinu X berdistribusi Chi-kuadrat, X ~
2
(k),
jika dan hanya jika fungsi densitasnya
f(x) =
2 /
1
2
2 /
2
2
1
x
k
k
e x
k

,
_

untuk x > 0 dan nol untuk x lain.

Teorema 6.23: Jika X ~
2
(k), maka = k,
2
= 2k, dan M
x
(t) = (1 2t)
-n/2
.
Bahan Ajar Statistika Matematika I
29