Academia.eduAcademia.edu

BAB III PERHITUNGAN PADA VARIABEL ACAK

BAB III PERHITUNGAN PADA VARIABEL ACAK III.1 Expectation (nilai harapan matematis atau mean) Notasi Ekspektasi atau Mean untuk variable acak X ialah: E[X] = X Rumus mean untuk var.acak diskrit: Mean adalah rerata; dalam istilah sehariN E[ X ] = X = ∑ xi P( xi ) …………………….(3.1) hari, kita i =1 menambahkan semua nilai dari dengan N kemungkinan nilai xi dengan probabilitas P ( xi ) sejumlah item kemudian membagi Sedangkan untuk var.acak kontinyu adalah: nilai total dengan ∞ E[ X ] = X = ∫ xf X ( x)dx …………………….(3.2) jumlah item tersebut. −∞ Simbol mean adalah E (untuk 'expected' ) Contoh: Mencari mean untuk var.acak kontinyu terdistribusi eksponensial, dengan pdf: ⎧ 1 −( x −a) b ⎪ e f X ( x) = ⎨ b ⎪⎩ 0 jadi E[ X ] = ∫ ∞ a x>a x<a x −( x − x) b ea b e dx = b b ∫ ∞ a xe − x b dx = a + b III.1.1 Ekspektasi dari Fungsi Variabel Acak E[ g ( X )] = ∑ g ( xi ) P( xi ) N i =1 E[ g ( X )] = ∫ g ( x) f ∞ −∞ X ( x)dx Æ variable acak diskrit …………………(3.3) Æ variable acak kontinyu …………………(3.4) III.1.2 Ekspektasi Bersyarat Ekspektasi atau mean variable acak bersyarat dinyatakan sebagai berikut: E[ X | B] = dengan : ∫ xf ∞ −∞ X ( x | B)dx ………………………..(3.5a) Diktat Stokastik 23 B = { X ≤ b} −∞ < b < ∞ ⎧ f X ( x) ⎪ b f X ( x | X ≤ b) = ⎨ ∫ f X ( x)dx ⎪ −∞ 0 ⎩ sehingga: ∫ E[ X | X ≤ b] = ∫ b −∞ b x≥b xf X ( x)dx −∞ III.2 x<b ………………..(3.5b) f X ( x)dx Moment III.2.1 Moment Origin The mean is the first moment; the second moment is the variance, which tells you how much the random variable jiggles. It's the sum of the differences from the mean (square those differences so they're positive). The square root of this is the standard deviation. • Untuk fungsi g ( X ) = X n , n = 0,1,2,… Memberikan moment ke-n: mn = E[ X n ] = ∫x ∞ −∞ n f X ( x)dx ( III.2.2 Moment Central Untuk fungsi g ( X ) = X − X …………………(3.6) ) n Moment central: μ n = E[( X − X ) ] = ∫ ( x − X ) n f X ( x)dx ∞ n sehingga μ 0 = 1 dan μ1 = 0 −∞ Moment central kedua, μ 2 disebut Varians: μ 2 = σ X2 = E[ X − X ) 2 ] = ∫ ( x − X ) 2 f X ( x)dx ∞ −∞ dan σ X =standar deviasi dari X Varians dapat diperoleh dari Moment ke-1 dan Moment ke-2: σ X2 = E[ X 2 − 2 X X + X ] = E[ X 2 ] − 2 X E[ X ] + X 2 = E[ X 2 ] − X = m2 − m1 2 , n = 0,1,2,… 2 2 ....(3.7) Diktat Stokastik 24 • Moment central ketiga, μ3 disebut Skew dari fungsi kerapatan, yaitu ukuran asimetris pdf var.acak X sekitar x = X = m1 . μ3 = E[( X − X )3 ] Jika pdf simetris pada x = X , maka Skew = 0. μ3 ternormalisasi Æ μ3 / σ X3 disebut koefisien Skewness dari fungsi kerapatan. III.3 Transformasi variable acak Mengubah atau mentransformasikan suatu variable acak X ke dalam variable acak baru Y, dengan cara: Y = T(X ) X = diskrit, kontinyu atau mixed T = linear, non linear, dll X Y=T(X) Y f X ( x) atau FX ( x) diketahui, yang harus dicari adalah fY ( y ) atau FY ( y ) Variabel acak kontinyu Transformasi monotonic Transformasi non-monotonic III.3.1 Transformasi Monotonic Monotonic naik , jika T(x1<x2) untuk semua x1 < x2 Pada Gambar 3.1 , y0 = T ( x0 ) → x0 = T −1 ( y0 ) T-1 = inverse transformation Sehingga FY ( y0 ) = P{Y ≤ y0 } = P{ X ≤ x0 } atau: ∫ = FX ( x0 ) y0 −∞ fY ( y )dy = ∫ x 0 = T −1 ( y 0 ) −∞ f X ( x)dx ………………………(3.8a) Diktat Stokastik 25 y=T(x) y0 x0 x Gambar 3.1 Grafik transformasi monotonic naik Persamaan (3.8a) diturunkan terhadap y0, dngan aturan Leibniz, diperoleh: fY ( y0 ) = f X [T −1 ( y0 )] dT −1 ( y0 ) dy0 ………………..(3.8b) dan persamaan (3.8b) berlaku untuk semua y: dT −1 ( y ) dx fY ( y ) = f X [T ( y )] = f X ( x) dy dy −1 Pada Gambar 3.2, ilustrasi transformasi monotonic turun , jika T(x1>x2) untuk semua x1 < x2 y=T(x) y0 x0 x Gambar 3.2 Grafik transformasi monotonic turun FY ( y0 ) = P{Y ≤ y0 } = P{ X ≥ x0 } = 1 − FX ( x0 ) Diktat Stokastik 26 Penurunan rumus selanjutnya akan menghasilkan persamaan (3.8b) namun dengan sisi kanan negatif (slope T-1(y) negatif), maka dapat disimpulkan untuk transformasi Monotonic: dT −1 ( y ) dx = f X ( x) dy dy fY ( y ) = f X [T −1 ( y )] ………………...(3.9) III.3.2 Transformasi Non-Monotonic y=T(x) y0 x0 Gambar 3.3 Transformasi non-monotonic Fungsi distribusi Y: FY ( y0 ) = P{Y ≤ y0 } = P{x |Y ≤ y0 } = ∫f X ( x |Y ≤ y 0 ) ( x)dx dan fungsi kerapatannya: fY ( y ) = ∑ n f X ( x) dT ( x) x = xn dx dengan n = 1, 2, … xn = solusi real dari y=T(x) x Diktat Stokastik 27 f X ( x) = ∑ P( xn )δ ( x −xn ) III.3.3 Transformasi Variabel acak diskrit n FX ( x) = ∑ P( xn )u ( x −xn ) dan n Jika monotonic, maka koresponden satu-satu antara X dan Y: yn = T ( xn ) sehingga: fY ( y ) = ∑ P( yn )δ ( y − yn ) n FY ( y ) = ∑ P( yn )u ( y − yn ) dan n karena P ( yn ) = P( xn )