Peubah-acak-kontinu.pdf

  • Uploaded by: Andhyka Rheza
  • 0
  • 0
  • April 2020
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View Peubah-acak-kontinu.pdf as PDF for free.

More details

  • Words: 942
  • Pages: 7
Peubah Acak Kontinu Peubah Acak Kontinu Continuous Random Variables

• Peubah Acak Kontinu adalah peubah acak dimana keluarannya merupakan suatu nilai dalam sebuah interval pada garis bilangan riil. • Biasanya merupakan pengukuran. • Contoh: – Y = panjang dalam mm – X = waktu dalam detik – Y = temperatur dalam ºC

Peubah Acak Kontinu • Tidak bisa menghitung P(Y = y), yang bisa dihitung adalah P(a < Y < b), dimana a dan b adalah bilangan riil. • Untuk peubah acak kontinu P(Y = y) = 0.

Peubah Acak Kontinu

• Probability density function (pdf) jika digambar terhadap semua nilai Y akan berbentuk kurva. Daerah (area) dibawah kurva pada interval tertentu adalah peluang.

0.40

f(y)

a

b Y

Sifat dari Probability Density Function (pdf) 1) f(y) > 0 untuk semua nilai dalam  interval yang mengandung y. 2)  f ( y )dy  1  3) Jika y0 adl nilai yang diamati, maka cumulative distribution function (cdf) y adalah: F ( y )  P(Y  y )  f ( y )dy

Besaran lead (gram) per liter bensin mempunyai probability density function (pdf): f(y) = 12.5y - 1.25

untuk 0.1 < y < 0.5

0

0

0





4) Jika y1 dan y2 adl dua nilai yang diamati, maka y P( y1  Y  y2 ) 

2

 f ( y)dy  F ( y )  F ( y ) 2

Berapa peluang bahwa seliter bensin mengandung kurang dari 0.3 grams lead?

1

y1

Nilai Harapan Peubah Acak Kontinu • Ingat Nilai Harapan dari peubah acak diskrit:

E (Y )     y  p( y )

• Nilai Harapan dari Peubah  Acak Kontinu:

E (Y )   

 yf ( y)dy



Nilai Harapan Peubah Acak Kontinu dari g(y)

g( y)=k + y E [ g( y)]=E [k + y] ∞

=∫−∞ (k + y )f ( y)dy ∞



=k ∫−∞ f ( y)dy +∫−∞ y f ( y)dy =k +μ

Nilai Harapan Peubah Acak Kontinu dari g(y)

g( y)=ky

Varians Peubah Acak Kontinu Ingat Varians dari Peubah Acak Diskrit:



E [ g( y)]=E [ky ]=∫−∞ ky f ( y)dy ∞

=k ∫−∞ y f ( y)dy =k μ

Var (Y )   2   ( y   ) 2 p ( y ) Varians untuk Peubah Acak Kontinu: 

Var (Y )     ( y   ) 2 f ( y )dy 2



Penggunaan Distribusi Normal 1. Menjelaskkan banyak proses acak yang kontinu Bisa digunakan untuk mendekati peluang peubah acak diskrit 

Example: Binomial

Dasar dari semua statistik inferensia klasik

Normal Distribution 1. ‘Bell-Shaped’ & Symmetrical

f(X )

2. Mean, Median, Mode sama

X

3. ‘Middle Spread’ adl 1.33   Peubah Acak mempunyai range tak hingga

Mean Median Mode

Normal Distribution Sifat yg penting • Hampir separo “bobot/ weight” berada dibawah mean (krn symmetri) • 68% peluang berada dlm 1 standard deviation dari mean • 95% peluang berada dlm 2 standard deviations • 99% peluang berada dlm 3 standard deviations

Probability Density Function

f(X )

f ( x )=

    3   2   

     2   3

Mean Median Mode

X

x  π e 

x− μ 2 σ

)

= Nilai Peubah acak (- < x < ) = Standard Deviation dari populasi = 3.14159 = 2.71828 = Mean dari peubah acak x

Akibat dari Variasi Parameter ( &  )

Notasi X ~ N(μ,σ) Peubah Acak X mengikuti distribusi Normal (N) dengan mean μ dan standard deviation σ. X ~ N(40,1) X ~ N(10,5) X ~ N(50,3)

1 e σ √ 2π

1 2

( )(



f(X) B A

C X

Normal Distribution Probability Peluang dibawah kurva!

d

P (c  x  d )   ? f ( x) dx c

Tak hingga tabel Normal Tiap distribusi memerlukan satu tabel.

? f(X)

f(x )

c

X

x

d

Standardize the Normal Distribution Z

Normal Distribution

X  

Z is N(0,1) Standardized Normal Distribution



 =1



X

Contoh Standarisasi

 =0 Hanya satu tabel!

Z Normal Distribution

X   6.2  5   .12  10

Standardized Normal Distribution

 = 10

Z

 =5

 =1

6.2

X

 =0

.12

Z

Mendapatkan Peluangnya

Contoh P(3.8  X  5)

Standardized Normal Probability Table (Portion) Z

.00

.01

Z

.02

Normal Distribution

 =1

0.0 .0000 .0040 .0080

.0478

0.1 .0398 .0438 .0478 0.2 .0793 .0832 .0871

X   3.8  5    .12  10 Standardized Normal Distribution

 = 10

 =1 .0478

 =0

.12

Z

0.3 .1179 .1217 .1255

3.8

Probabilities

 = 5

X

Contoh P(2.9  X  7.1) X   2.9  5    .21  10 X   7.1  5 Z   .21  10

Z

Standardized Normal Distribution

 = 10

 =1

Normal Distribution

Standardized Normal Distribution

 = 10

 =1 .5000 .1179

.0832 .0832

5 7.1

X

-.21

Z

X  85   .30  10

.1664

2.9

 =0

Contoh P(X  8)

Z Normal Distribution

-.12

0 .21

Z

 =5

8

X

 =0

.30

.3821

Z

Contoh P(7.1  X  8) X   7.1  5   .21  10 X   8 5 Z   .30  10 Z Normal Distribution

Standardized Normal Distribution

 = 10

 =1 .1179 .0832

 =5

7.1

8

X

 =0

.21

.30

.0347

Z

More Documents from "Andhyka Rheza"