Peubah Acak Dan Distribusinya

MAKALAH

Disusun untuk memenuhi tugas mata kuliah Metode Statistika yang dibina oleh

Ibu Nur Atikah

Oleh :

Laras Setyowati 160311600229

M.Tegar Nur Indra E 160311604655

Sofiyah Maghfiroh 160311600240

Yus Ria 160311604694

Yuvida Lestari 160311604712

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

JURUSAN MATEMATIKA

PROGRAM STUDI S1 PENDIDIKAN MATEMATIKA

Oktober 2017
A. PENGERTIAN PEUBAH ACAK

Peubah Acak (Random Variable): Sebuah keluaran numerik yang merupakan hasil
dari percobaan (eksperimen). Untuk setiap anggota dari ruang sampel percobaan, peubah
acak bisa mengambil tepat satu nilai.

Misalnya percobaan melantun dua koin sekali yang masing-masing permukaannya

bergambar huruf A dan G. maka ruang sampel percobaan ini adalah S = {AA, AG, GA, GG}.
Apabila yang menjadi perhatian hanya banyaknya huruf G yang muncul pada tiap-tiap
individu hasil percobaan itu, maka nilai-nilai numeric hasil percobaan itu adalah 0,1, dan 2.
Suatu fungsi yang digambarkan dalam diagram panah sebut peubah acak X. Nilai Fungsi atau
nilai peubah acak X ini untuk masing-masing hasil percobaan itu adalah X(AA)=0,
X(AG)=1, X(GA)=1, X(GG)=2. Jadi peubah acak X menggambarkan banyak kali munculnya
sisi G dari dua koin bila dilantun sekali atau sama saja satu koin dilantun dua kali.

DEFINISI : 4.1 Peubah Acak

Misalkan S Suatu ruang sampel dan R himpunan seluruh bilangan real. Katakan suatu
fungsi, katakan X, dari S ke R disebut peubah acak

Lambang peubah acak menggunakan huruf capital seperti misalnya X, Y, Z, W, T, …,

sedangkan huruf kecil x, y, z, w, t, … menggambarkan nilai peubah acak yang bersesuaian.
Dalam penulisan lebih lanjut ada kalanya istilah peubah acak disingkat p.a.

Contoh :

Misalkan dalam penarikan sampel tanpa pemulihan atau pengembalian, taruhlah dalam
pengambilan 5 kelereng dari suatu koleksi kelereng yang terdiri dari 10 kelereng merah dan
20 kelereng hijau. Andaikan kita hanya tertarik pada banyaknya kelereng merah, katakana x
yang terambil diantara 5 kelereng yang menjadi sampel itu. Maka untuk menentukan peluang
P[X=x] untuk setiap nilai x yang mungkin, gunakan rumus berikut :

P[ X=x ]= ( 10¿ ) ¿ ¿¿¿¿

¿
B. DISTRIBUSI PELUANG DISKRIT

DEFINISI 4.2 Peubah Acak Diskrit

Jika himpunan semua nilai yang mungkin dari suatu peubah acak X merupakan himpunan
terbilang, yaitu {x1, x2, …,xn} atau {x1, x2, …}, maka X disebut peubah acak diskrit.

Fungsi f(x) = P[X=x], untuk X = x1, x2, …,xnatau X = x1, x2, … yang mengaitkan setiap nilai
yang mungkin dari peubah acak X itu ke nilai peluangnya disebut fungsi kepadatan peluang
diskrit (fdp diskrit). Sedangkan fungsi f, g, h, b, p, … yang mengaitkan setisp nilai X yang
mungkin ke nilai peluang P[X=x] disebut fungsi padat peluang atau distribusi peluang
(diskrit).

Contoh 4.2

Dari contoh 4.1 tentukan distribusi peluang peubah acak X yang didefinisikan sebagai skor
terkecil bila dua dadu digulingkan bersama. Nilai-nilai peubah acak X ini mengambil nilai
bulat mulai dari 1 sampai dengan 6 yang berturut-turut terkait dengan kejadian-kejadian E 1,
11 9
E2, E3, E4, E5, dan E6. Jadi f(1) = P[X=x] = P[E1] = , f(2) = P[X=x] = P[E2] = dan
36 36
seterusnya. Dengan memperhatikan nilai-nilai lainnya, kita akan memperoleh distribusi
peluang peubah acak diskrit X ini dalam tabel 4.1 berikut.

Tabel 4.1 Distribusi peluang p.a X dengan aturan X(h) = min(i,j) dalam penggulingan dua
dadu

x 1 2 3 4 5 6

11 9 7 5 3 1
f(x) = P[X=x]
36 36 36 36 36 36

distribusi peluang ini selain dinyataan dalam bentuk tabel atau daftar dapat pula
dinyatakan dalam bentuk rumus seperti dalam contoh penarikan sampel tanpa pemulihan tadi.
Berikut ini disajikan contoh lain yang distribusi peluangnya disajikan dalam bentuk rumus.

Contoh 4.3

Tentukan rumus ditribusi peluang peubah acak yang menyatakan banyaknya sisi G yang
terjadi bila sebuah koin dilantunkan 3 kali.Karena ruang sampelnya memuat 2 3 = 8 titik
sampel, maka penyebut untuk menghitung peluangnya adalah 8. Dengan asumsi bahwa setiap
titik sampel ini memiliki kesempatan yang sama untuk terjadi, maka untuk menghitung
peluang banyak sisi g yang terjadi yaitu x yang mungkin ialah 0, 1, 2 atau 3 kita pakai rumus

f(x) = P[X=x] = x ) , untuk x = 0, 1, 2, 3. Kombinasi ( ) untuk menghitung banyak cara

( 3
3
x
8
mendapatkan x sisi G.

Grafik yang menggambarkan f(x) juga menjadi perhatian kita.Dalam hal ini
memungkinkan sekali kita meninggalkan nila-nilai f(x) yang tak terdefinisi pada titik-titik
yang merupakan nilai-nilai yang tak mungkin bagi peubah acak X itu. Akan tetapi akan lebih
baik bila kita mendefinisikan f(x) = 0 pada titik=titik tersebut, sebab kejadian adanya nilai-
nilai peubah acak X di titik-titik tersebut merupakan kejadian kosong, ∅ sehingga nilai
peluangnya sama dengan nol.

Grafik fungsi padat peluang dari peubah acak X yang disajikan dalam tabel 4.1 ditunjukkan
dalam Gambar 4.3 berikut.

Gambar 4.3 Grafik Fungsi Padat Peluang Diskrit Skor Minimum Pengocokan Dua
Dadu

Berikut ini diberikan sifat dari fungsi padat peluang diskrit.

Teorema 4.1

Suatu fungsi f(x) disebut fungsi padat peluang diskrit jika dan hanya jika memenuhi dua sifat
untuk seluas-luasnya himpunan bilangan real terbilang {x1, x2, …},

f(xi) ≥ 0, untuk semua x1

dan ∑ f ( xi )=1 , untuk semua xi

Bukti :

Berdasarkan definisi fungsi padat peluang diskrit

f(xi) = P[X=x], xi∈ {x1, x2, …} dan untuk semua kejadian itu tak negative, maka f(xi) ≥ 0.

Untuk semua xi karena x1, x2, …merupakan semua nilai yang mungkin dari peubah acak X,
maka kejafian-kejadian [X=x], untuk semua i = 1, 2, … merupakan partisi yang saling asing
dan lengkap dari ruang sampel S. jadi

∑ f (xi) = ∑ P[ X=xi] = 1
semuxi semua xi

Seperti yang diperkenalkan pada awal bab IV ini adakalanya distribusi peluang dikaitkan
dengan peluang kejadian dalam bentuk selang (- ∞ , x], untuk semua bilangan real x. distribusi
peluang seperti ini disebut distribusi kumulatif.

DEFINISI 4.3 Fungsi Distribusi

Fungsi distribusi kumulatif atau diringkan fungsi distribusi dari peubah acak X didefinisikan
untuk sembarang bilangan real x oleh F(x) = P[X ≤x] .

Contoh 4.3

Dari contoh 4.2 dan berdasar definisi 4.3 ini kita dapat menyusun fungsi distribusi bagi
peubah acak X yang menyatakan skor terkecil dari setia hasil yang mungkin dari percobaan
menggulingkan dua dadu yang dinyatakan dalam Tabel 4.2 berikut.

Tabel 4.2 Fungsi distribusi p.a X(h) = min(i,j) dalam penggulingan dua dadu

x x<1 1≤x<2 2≤x<3 3≤ x<4 4≤x<5 5≤ x<6 x≥6

11 20 27 32 35 36
F(x)=P[X≤ x] 0 =1
36 36 36 36 36 36

Fungsi distribusi F(x) dari peubah acak diskrit ini merupakan fungsi tangga tidak
turun. Terjadinya lompatan tepat pada nilai-nilai x yang ,umgkin. Besarnya lompatan sama
dengan nilai f(x) pada titik-titik x itu. F(x) ini punya beberapa sifat, yang pertama F(x) = 0
untuk x menuju -∞ dan F(x) = 1 untuk x menuju + ∞ . Kedua, F(x) ini kontinu dari kanan.
Walaupun F(x) tidak kontinu pada titik-titik x yang mungkin, tetpi nilai limit kanan di titik-
titik tersebut sama dengan nilai F(x) di titik-titik itu. Ketiga, F(x) ini merupakan fungsi tidak
turun.Sifat-sifat ini tampak dari grafik F(x) pada contoh 4.3 berikut.

Gambar 4.4 Grafik Fungsi Distribusi p.a X(h) = min(i,j) dalam pengocokan Dua Dadu.

Teorema 4.2

Misalkan X peubah acak diskrit dengan fungsi distribusi F(x) dan fungsi padat peluang
f(x).jika nilai-nilai yang mungkin dari X disusun urut naik x1< x2< x3,…, maka :

f(x1) = F(x1) dan untuk setiap i > 1 berlaku f(x i) = F(xi) – F(xi-1). Selanjutnya, jika x < x1,

maka F(x) = 0 dan untuk sembarang bilangan real x yang lain F(x) = ∑ f (xi).
xi ≤ x

Contoh 4.4

11
Dari contoh 4.3 tentukan f(1), f(3), f(3,5). Karena f(1) = F(1), maka f(1) = , sedangkan
36

27 20 7
f(3) = F(3) – f(2) = - = , dan f(3,5) = 0.
36 36 36

Contoh 4.5

Dari contoh 4.2 Tentukan F(3) dan F(3,5). Karena F(x) = ∑ f (xi), maka
xi ≤ x

F(3) = ∑ f (xi) = 11 + 9
+
7
=
27
dan
xi ≤3 36 36 36 36
F(3,5) = ∑ f (xi) = 11 + 9 + 7 + 0 = 27
xi ≤3 ,5 36 36 36 36

C. DISTRIBUSI PELUANG KONTINU

Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinu. Peubah acak diskrit telah cukup banyak menyediakan model
pelung bagi persoalan-persoalan yang terkait dengan operasi pencacahan namun masih
belum cukup menjadi model dalam banyak situasi yang lain sehingga diperlukan
penegembangan gagasan mengenai peubah acak kontinu.

DEFINISI 4.4 Peubah Acak Kontinu

Jika himpunan semua nilai yang mungkin dari suatu peubah acak X merupakan selang
bilangan real, yaitu (a,b) (a,b], [a,b], [a,b), [-∞,b), [a,∞) atau (-∞,∞), maka X disebut
peubah acak kontinu.

Suatu fungsi f(x) yang didefinisikan pada selang nilai peubah acak X disebut fungsi
krpadatan peluang kontinu (fdp kontinu), apabila fungsi distribusinya dapat dinyatakan
x

sebagai F(x) = ∫ f ( t ) dt .
−∞

Karena F(x)= P[X ≤ x ] = ∫ f ( t ) dt , maka peubah acak kontinu berpeluang nol untuk
−∞

mengambil tepat salah satu nilainya, yaitu P[X=x] = P[X≤x] – P[X < x] = ∫ f ( t ) dt=0 .
−∞

Akibatnya, distribusi peluangnya tidak dapat diberikan dalam bentuk tabel.

Selanjutnya anda dapat menghitung pelung bagi berbagai kejadian dalam dalam
bentuk selang nilai peubah acak kontinu. Perhatikan bahwa bila X kontinu maka

P(a<X≤b)

= P(a<X<b) + P(X=b)

= P(a<X<b) + 0

= P(a<X<b)
Hal ini tidak hanya untuk kejadian dalam bentuk selang buka tutup saja, tetapi juga untuk
bentuk-bentuk selang yang lain yaitu selang tutup buka dan selang tertutup. Jadi

P(a≤X≤b)

= P(a<X≤b)

= P(a≤X<b)

= P(a<X<b)

Oleh karena itu, tidak ada bedanya dalam perhitungan peluang-peluang ini apakah kita
memasukkan titik ujung selang atau tidak, tetapi hal ini tidak benar bila X diskrit.

Meskipun distribusiu peluang bagi peubah acak kontinu tidak dapat disajikan dalam
bentuk tabel, tetapi distribusi ini dapat dinyatakan dalam bentuk tabel, tetapi distribusi ini
dapat dinyatakan dalam definisi 4.4 tadi disebut fungsi kepadatan peluang, atau disingkat
fdp. Kebanyakan fungsi kepadatan peluang ini mempunyai penerapan praktis dalam
analisis data statistik yang bersifat kontinu untuk semua nilai X, dan grafiknya mungkin
salah satu diantara yang ditunjukkan dalam gambar 4.2. Menurut definisi 4.4 fungsi
distribusi dinyatakan oleh integral tentu fungsi padat peluang (fdp). Padahal fungsi
distribusi F[x] = P[X ≤ x], berarti F[x] bernilai tak negatif sebab setiap peluang suatu
kejadian bernilai taknegatif. Jadi integral tentu tadi nilainya berpadaan dengan nilai luas
daerah yang aan digunakan untuk menyatakan peluang nilai-nilai X pada selang
tertentu.Oleh karena itu, fungsi kepadatan peluang (fdp) seluruhnya terletak di atas
sumbu-x.
 Gambar 4.2 beberapa bentuk fungsi kepadatan peluang

Fungsi kepadatan dibuat sedemikian sehingga luas daerah di bawah kurva dan di atas
sumbu-x sama dengan 1. Bila fungsi kepadatan peluang dinyatakan dalam gambar
4.3.maka peluang peubah acak X bernilai antara a dan b sama dengan luas daerah yang
dihitami yang terletak antara X=a dan X=b di bawah fungsi kepadatan peluangnya.

Gambar 4.3 P(a<X<b) = luas daerah yang dihitami

Contoh 4.6

Sebuah peubah acak kontinu X mempunyai fungsi kepadatan peluang :

a) Tunjukkan bahwa P(0<X<2)=1

b) Hitunglah P(X<1,5)
c) Hitunglah P(0,5 < X < 1,5)
Jawab :
 2 0

a) P(0<X<2)= P(X<2) – P(X<0) = ∫ f ( x ) dx - ∫ f ( x ) dx

−∞ −∞

2
x+ 1
=∫ dx = 1
0 4

1 ,5 0 1 ,5
x+ 1
b) P(X< 1,5) = ∫ f ( x ) dx = ∫ f ( x ) dx + ∫ 4
dx = 0,65625
−∞ −∞ 0

1 ,5
x +1
c) P(0,5 < X < 1,5) = ∫ dx = 0,65625 - 0,15625 = 0,50000
0 ,5 4
Adapun cara yang lebih sederhana untuk menyelesaikan soal ini yaitu menghitung luas
daerah trapesium yang dibentuk f(x) , sumbu-x dan garis-garis tegak yang bersesuaia.

a’) karena daerah yang dihitami dlam gambar 4.4. berupa seuah trapesium, maka
luasnya sama dengan jumlah panjang kedua sisi yang sejajar dikalikan dengan tingginya
dan kemudian dibagi 2. Jadi :
1 3
( jumlah panjang sisi sejajar ) x tinggi [ + ](2)
Luas = = [f ( 0 )+ f ( 2 ) ](2) 4 4 =1
2 =
2 2
1 3
[ + ](2)
Sehingga P(0<X<2) = [f ( 0 )+ f ( 2 ) ](2) 4 4 =1
=
2 2

Gambar 4.4.luas daerah untuk contoh 4.6 (a)

1 2 ,5
b’) seperti pada a’) karena f(0) = dan f(1,5) = , maka
4 4
1 2,5
[ + ](1 , 5) 10 ,5
P(X< 1,5) = [f ( 0 )+ f ( 1 ,5 )](1 ,5) 4 4 = = 0,65625
= 16
2 2
 1, 5 2 ,5
c’) kita peroleh f(0,5) = dan f(1,5) = dan ini terlihat dalam gambar 4.5 maka
4 4
1,5 2,5
[ + ](1) 4
P(0,5 < X < 1,5) = = [f ( 0 , 5 ) + f (1 , 5 ) ](1) 4 4 = = 0,50000
= 8
2 2

Gambar 4.5 luas daerah untuk contoh 4.6 c’)

D. HARAPAN MATEMATIS

Harapan matematis termasuk sifat penting dari distribusi peluang.Harapan matematis

atau nilai harapan (ekspetasi) dari suatu pengubah acak X dilambangkan dengan E(X).
Salah satu ukuran dalam statistika yang dinyatakan dengan nilai harapan ini adalah rataan
polusi µ = E(X).

Definisi 4.5 Nilai Harapan

Jika X peubah acak diskrit dengan fdp f(x), maka nilai harapan bagi X didefinisikan oleh

E(X) = ∑ xi. f (xi), jika jumlahan ini ada.

semua xi

Jika X peubah acak kontinu dengan fdp f(x), maka nilai harapan bagi X didefinisikan oleh
∞
E(X) = ∫ x f ( x ) dx , jika integral ini ada.
−∞

Jumlahan dalam persamaan di atas, dipahami sebagai jumlahan untuk semua nilai yang
mungkin dari peubah acak X itu.Selanjutnya, jumlahan ini merupakan jumlahan biasa apabila
jangkauan nilai-nilai peubah acak X itu hingga.Jadi
n

∑ xi f (xi) = x₁f(x₁) +x₂f(x₂) + … + x

i=1
Akan tetapi, jumlahan tersebut akan menjadi deret tak hingga ;
∞
E(X) = ∑ xi f (xi) = x₁f(x₁) +x₂f(x₂) + …
i=1

Apabila jangkauan nilai-nilai peubah acak X ini tak hingga, dalam hal ini E(X) ada apabila
deret maupun integral tadi konvergen mutlak.

Contoh 4.9

Misalkan suatu mesin memproduksi kabel dan tentu saja ada yang cacat selama proses
produksi itu. Katakanlah panjang kabel diantara dua cacat yang berurutan merupakan peubah
acak X dengan fdp berbentuk f(x) = 2 (1+ x )−3 , untuk x>0 dan f(x) = 0 untuk x≤0. Berapakah
rataan panjang kabel hasil produksi diantara dua cacat yang berurutan ?

Jawab :
∞ 0 ∞

µ = E(X) = ∫ x f ( x ) dx = ∫ x 0 dx + ∫ 2(1+ x ) dx
−3

−∞ −∞ 0

Dengan penggantian t = 1 + x, maka

∞
−1
µ = 2∫ ( t−1 ) t dt = 2(1
−3
)=1
1
2

Jadi rataan panjang kabel diantara dua cacat µ = 1 satuan panjang.

Nilai harapan bisa juga untuk fungsi dari peubah acak tersebut sebab fungsi peubah
acak itu juga merupakan peubah acak.
Misalnya diberikan X suatu peubah acak, maka g(X) = X² juga peubah acak. Nilai harapan
untuk g(X) ini diberikan dalam teorema berikut.

Teorema 4.4. Nilai harapan bagi suatu fungsi peubah acak

Jika X peubah acak diskrit dengan fdp f(x) dan misal g(X) fungsi dari peubah acak X ini,
maka nilai harapan bagi g(X) adalah

E[g(X)] = ∑ g(xi). f ( xi)

semua xi

Jika X peubah acak kontinu dengan fdp f(x) dan misal g(X) fungsi dari peubah acak X ini,
maka nilai harapan bagi g(X) adalah
 ∞

E[g(X)] = ∫ g(x )f ( x ) dx , jika integral ini ada.

−∞

Contoh4.10

Misalkan X menyatakan banyaknya motor yang diservis di suatu bengkel motor antara pukul
08.00 sampai 16.00 pada tiap hari kerja mempunyai distribusi peluang :

x 4 5 6 7 8 9

f(x) = 11 9 7 5 3 1
P[X=x] 36 36 36 36 36 36

Misalkan g(X) = 2X + 1 menyatakan banyaknya uang yang dibayarikan manager kepada

petugas servis, tentukan harapan penerimaan petugas pada periode itu. Jawabnya, pertama
susun tabel :

1
g(x) = 2x +1 9 11 13 15 17
9

f(x) = 11 9 7 5 3 1
P[X=x] 36 36 36 36 36 36

9 7 5 3 1
Maka, E[g(x)] = E[(2x+1)] = 9¿)+11( )+13( )+15( )+17( )+19( ) = 434/36 =
36 36 36 36 36
12,05.

Apabila satuan bayarnya dalam puluhan ribu rupiah, maka harapan penerimaan petugas servs
itu Rp 120.500,00.

E.RATAAN DAN VARIANSI PEUBAH ACAK

X 1 + X 2 +…+ X N
Rataan dari suatu populasi X₁, X₂, ... , X N yaitu µ= . Sekarang kita
N
1
pikirkan peubah acak X ini distribusi peluangnya seragam, yaitu f( x i) = P[ X i = x i]= , untuk
N
setiap i =1,2,...., N.
Maka nilai harapan peubah acak X ini adalah
N
1 1 1 X + X +…+ X N
E ( X )=∑ f ¿ ¿ ) = X 1 + X 2 + …+ X N = 1 2
i=1 N N N N

Dalam kasus ini ternyata rataan peubah acak X sama dengan nilai harapannya, yaitu µ=E(X).
DEFINISI 4.6 Rataan Peubah Acak.
Jika X peubah acak diskrit dengan fdp f (x), maka rataan bagi X didefinisikan oleh
µ=E ( X )= ∑ xi , f ( x i ) , jika jumlahan ini ada .
Semua xi

µ=E(X)= ∑ x i , f (x i), jika jumlahan ini ada.

Semua xi

Jika X peubah acak kontinu dengan fdp f (x), maka rataan bagi X didefinisikan oleh

µ=E ( X )=∫ xf ( x ) dx , jika integral ini ada .

−
Apabila nilai jumlahan maupun integral tidak ada, maka rataan µ ini tidak ada.

Contoh 4.11
Misalkan dua koin dengan sisinya bergambar G dan A, dilantun sebanyak 8 kali. Dimisalkan
X menyatakan banyaknya G yang muncul pada setiap lantunan, maka X merupakan peubah
acak yang mengambil nilai 0,1, dan 2.
Misalkan hasil percobaan itu ternyata tidak muncul sisi G sebanyak dua kali, mucul satu sisi
G sebanyak empat kali, dan muncul dua sisi G sebanyak dua kali. Maka rataan banyaknya
sisi G yang muncul tiap lantunan adalah :
( 0 ) ( 2 ) + ( 1 ) ( 4 )+(2)(2)
x= =1
8
Hasil tersebut menyatakan bahwa setiap kali lantunan rata-rata sisi G muncul satu dari dua
sisi yang muncul, dan hasil ini kebetulan merupakan salah satu hasil yang mungkin dari
percobaan. Adakalanya, nilai rataan ini bukan salah satu hasil dari percobaan, tetapi berada
dalam jangkauan peubah acaknya.
Perhitungan diatas menggunakan rumus rataan sampel.

Frekuesi relatif dari nilai-nilai X=0,1,2 atau peluang bagi kejadian X=0, X=1,dan X=2
2 1 4 1 2 1
adalah bilangan-bilangan = , = ,dan = . sehingga kita dapat menghitung rataan
8 4 8 2 8 4
sekelompok data(yang belum diketahui) dari hasil percobaan ini yang kita tidak tahui
banyaknya pengamatan yang dikerjakan. Apakah dilakukan sebanyak 3,1000, atau bahkan 8
triliyun kali, asalkan kita tahu nilai-nilai X yang terjadi berikut nilai frekuesi relatifnya, maka
kita dapat menghitung rataan populasi munculnya sisi G dengan kata lain rataan peubah
acak X, yaitu

µ=E ( X )= ∑ xi , f ( x i )=(0) ¿ )+(1)( 1 )+(2)( 1 ) = 1

Semua xi 2 4

Contoh 4.11 menunjukkan apabila populasi dibangkitkan oleh suatu percobaan yang
setiap diuji cobanya mempunyai nilai peluang yang tetap bagi masing-masing nilai
peubah acak, maka rataan populasi ini sama dengan nilai harapan perubah acak itu.

Contoh 4.13
Hitunglah banyaknya rataan wanita yang bisa menduduki jabatan presiden dan atau wakil
presiden yang dipilih secara acak dari 3 kandidat pria dan 2 kandidat wanita.
Untuk menjawab persoalan ini, kita misalkan X peubah acak yang melambangkan banyaknya
wanita yang menduduki kedua jabatan itu. Maka peubah acak X mengambil nilai 0,1, atau 2.
Sedangkan distribusi peluang X dapat dinyatakan dalam rumus berikut.

f ( x )=P [ X =x ] =
( )( )
2
x 2−x
3
, x =0,1,2
()5
2
Akan didapatkan
3 6 1
f ( 0 )= , f ( 1 ) = , f ( 2 )= .
10 10 10

Sehingga µ=E ( X )= ∑
xi , f ( x i )=(0) ¿ )+(1)( 6 )+(2)( 1 ) = 0,8
Semua xi 10 10
Hasil ini menunjukkan bahwa rataan banyaknya wanita yang menduduki jabatan presiden
atau wakilnya sebesar 0,8.

Kita telah membahas harapan matematis suatu fungsi peubah acak dan rataan
populasi. Suatu populasi terdiri atas semua nilai yang mungkin dari peubah acak. Apabila
percobaan dapat diulang sampai takhingga kali, kita tidak hanya memiliki rataan populasi µ
saja, namun juga memiliki variansi peubah acak yang dilambangkan σ 2=Var (X ). Apabila
kelompok data kita pandang sebagai nilai-nilai populasi hingga, maka variannya dapat
dihitung dengan rumus rataan dari kuadrat simpangan terhadap rataan data itu.
Misalkan ada populasi hingga dengan nilainya 1,4,4,7,7, dan 7. Maka rataanya yaitu
µ=5 Sehingga variannya:
( 1−5 )2 + ( 4−5 )2 + ( 4−5 )2+ ( 7−5 )2+ ( 7−5 )2 + ( 7−5 )2
σ 2= =5
6
Dalam perhitungan σ 2, nilai-nilai ( 1−5 )2 , ( 4−5 )2 , ( 4−5 )2 , ( 7−5 )2 , ( 7−5 )2,( 7−5 )2
sebagai data baru yang dapat muncul berulang yang artinya memiliki frekuensi relatif
1 2 1 3 1
, = , d an =
6 6 3 6 2
2
Maka σ dapat dihitung menggunakan rumus nilai harapan sebegai berikut,
2 2 1 2 1 2 1
σ =( 1−5 ) . + ( 4−5 ) . + ( 7−5 ) . =5
6 3 2
Berdasarkan penjelasan diatas kita dapat mendefinisikan variansi dalam bentuk nilai
harapan suatu fungsi peubah acak g ( X )= ( X−μ )2 dengan µ adalah rataan peubah acak X itu.

DEFINISI 4.7 Variansi Peubah Acak.

Misalkan peubah acak X mempunyai fungsi padat peluang f (x) dan rataannya µ=E ( X ),
maka varian peubah acak X didefiniskan :
2 2
σ =Var ( X )=E [ ( X−μ ) ]

Jika X peubah acak diskrit, maka variansi bagi X didefinisikan oleh

σ =Var ( X )=E [ ( X−μ ) ]= ∑ ¿ ¿
2 2

Semua xi
Jika X peubah acak kontinu, maka variansi bagi X didefinisikan oleh
 σ =Var ( X )=E [ ( X−μ ) ]=∫ ¿ ¿
2 2

Contoh 4.14
Suatu peubah acak X memiliki distribusi peluang sebagai berikut:

x 0 1 2 3
F(x0 1/3 1/2 0 1/6

Tentukan Var(X) ini

Untuk menentukan varian peubah acak X ini kita harus menghitung rataannya terlebih
dahulu, yaitu:
1 1 1
µ=E ( X )= ∑ xi , f ( x i )=(0)( )+(1)( )+(2)(0)+(3)( )=1
Semua xi 3 2 6
2
Dengan demikian σ =Var ( X )=E ¿
Jadi

() () ()
3
2 1 2 1 2 1
σ 2=E [ ( X−μ ) ]=∑ ( x −1 ) f ( x )= (−1 )
2 2 2
+( 0 ) +( 1 ) ( 0 ) +( 2 ) =1
x=0 3 2 6

Konsep rataan dan varian ini dapat diperluas ke peubah acak yang merupakan fungsi
dari peubah acak yang diketahui. Sebagai contoh definisi varian(Definisi 4.7) itu sebenarnya
rataan dari fungsi g ( X )= ( X−μ )2 . Perluasan ini dinyatakan pada teorema 4.5 berikut.

Teorema 4.5
Misalkan peubah acak X mempunyai fungsi padat peluang f(x). Dan g(X) adalah suatu fungsi
dari peubah acak X itu. Maka rataan peubah acak g(X), ditulis
μ g ( X )=E [ g ( X ) ]
Dan variansinya, ditulis σ 2g ( X )=E [ g ( X ) −μg ( X ) ] { 2
}
Jika X peubah acak diskrit, maka rataan bagi g(X) adalah
μ g ( X )=E [ g ( X ) ] = ∑ g ( x i ) . f ( x i)
Semua xi
Dan variannya
σ
2
g(X) { 2
=E [ g ( X ) −μg ( X ) ] = } ∑ [ g ( X )−μ ] f ( x )
Semua xi
g(X)
2
i

Jika X peubah acak kontinu, maka rataan bagi g(X) adalah

μ g ( X )=E [ g ( X ) ] =∫ g ( x ) f ( x ) dx , jikaintegral ini ada .
−
Dan variannya

{ }
=E [ g ( X ) −μg ( X ) ] =∫ [ g ( X )−μ g ( X ) ] f ( x ) dx , jika integral ini ada .
2 2 2
σ g(X)
−

Bukti:
Karena g(X) juga merupakan peubah acak, maka teorema ini langsung diturunkan
dari Definisi 4.6 dan Definisi 4.7
Contoh 4.15
Misalkan X peubah acak kontinu dengan fungsi padat peluangnya:
f ( x )=1 , untuk 0< x<1 dan f ( x )=0 ,untuk x yang lain . Misalkan g ( X )=2 X −1
Hitung rataan dan varian g(X) ini. Karena X merupakan peubah acak kontinu, maka untuk
menghitung rataan dan varian g(X) ini kita menggunakan persamaan
μ g ( X )=E [ g ( X ) ] =∫ g ( x ) f ( x ) dx { }
dan σ 2g ( X )=E [ g ( X ) −μg ( X ) ] =∫ [ g ( X )−μ g ( X ) ] f ( x ) dx
2 2

− −
Sehingga diperoleh
1
μ2 X −1= E [ 2 X −1 ] =∫ ( 2 x −1 ) .1 dx=0 dan
0
1
1
=E {[ 2 X−1−0 ] }=∫ [ 2 X −1−0 ] .1 dx=
2 2 2
σ 2 X −1
0 3

Semua sifat yang akan disajikan disini berlaku untuk peubah acak diskrit maupun kontinu.

Teorema 4.6 Bila a dan b suatu konstanta dan X suatu peubah acak dengan rataan µ, maka
rataan peubah acak aX+b adalah
μa X +b =aμ+b
Bukti :
Misalkan X adalah peubah acak kontinu dengan fungsi padat peluang f(x), maka
μa X +b =E ( aμ+b )=∫ (ax +b)f (x )dx=¿ a ∫ xf ( x ) dx+ b∫ f ( x ) d=¿ aμ +b ¿ ¿
− − −

Sebab ∫ xf ( x ) dx=μ dan ∫ f ( x ) dx =1

− −
(Untuk kasus diskrit tanda integral pada bukti ini tinggal mengganti dengan tanda sigma)

Akibat 4.7 Bila a=0, maka μb =b

Akibat 4.8 Bial b=0, maka μaX =aμ

Contoh 4.16
Pada contoh 4.15 telah dihitung rataan fungsi peubah acak kontinu yaitu:
μ2 X −1= E [ 2 X −1 ] =0. Apabila rataan peubah acak X ini µ, maka menurut teorema 4.6

()
1
1
μ2 X −1=2 µ−1. Padahal μ=∫ x .1 dx= 1 . Jadi μ2 X −1=2 −1=0.
0 2 2

Teorema 4.9
Bila X suatu peubah acak dengan Var ( X)=σ 2 dan a suatu konstanta, maka
2 2 2
Var ( aX )=σ aX =a σ

Bukti:
Menurut Teorema 4.5 Var ( aX )=σ aX =E { [ aX−μ aX ] }. Sedangkan menurut akibat 4.8 μaX =aμ ,
2 2

maka
5 Var ( aX )=σ aX =E { [ aX−μ aX ] }=a E [ ( X −μ ) ]=a σ
2 2 2 2 2 2
Teorema ini menyatakan bahwa suatu peubah acak apabila dikalikan dengan suatu
konstanta, maka varian peubah acak itu dikalikan dengan kuadrat konstanta tersebut.

Teorema 4.10
Bila X suatu peubah acak dengan Var ( X)=σ 2 dan b suatu konstanta, maka
2 2
Var ( X +b )=σ X +b =σ
Bukti:
Menurut Teorema 4.5 Var ( X +b )=σ 2X +b =E {[ (X + b)−μ X +b ] }
2

Sedangkan menurut Teorema 4.6 μa X +b =aμ+b , maka

σ X +b =E {[ (X +b)−(μ+b) ] }=E [ ( X −μ ) ]=σ
2 2 2 2

Teorema ini menyatakan bahwa suatu peubah acak apabila ditambahkan atau
dikurangkan, maka varian peubah acak itu tidak berubah.