EKSPEKTASI SATU PEUBAH ACAK

dokumen-dokumen yang mirip
Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

Karakterisasi Matrik Leslie Ordo Tiga

Bab III. Plant Nonlinear Dengan Fase Nonminimum

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

Created by Simpo PDF Creator Pro (unregistered version)

BAB 2 LANDASAN TEORI

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 2 LANDASAN TEORI

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB II DIMENSI PARTISI

BAB III EKSPEKTASI MATEMATIK

BAB II TEORI DASAR. Analisis Kelompok

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

ANALISIS BENTUK HUBUNGAN

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA

Pengolahan lanjut data gravitasi

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

Ekspektasi Satu Peubah Acak Diskrit

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang

HANDOUT PERKULIAHAN. Pertemuan Ke : 3 : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

BAB 2 LANDASAN TEORI

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

Analisis Sensitivitas

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

BAB X RUANG HASIL KALI DALAM

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB 2 LANDASAN TEORI

ANALISIS REGRESI. Catatan Freddy

BAB II LANDASAN TEORI

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

BAB V INTEGRAL KOMPLEKS

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)

ANALISIS DATA KATEGORIK (STK351)

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB II LANDASAN TEORI

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

III FUZZY GOAL LINEAR PROGRAMMING

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

Bab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi

I. PENGANTAR STATISTIKA

Ekspektasi Satu Peubah Acak Kontinu

Bab 2 AKAR-AKAR PERSAMAAN

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB III MODUL INJEKTIF

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

P(A S) = P(A S) = P(B A) = dengan P(A) > 0.

PowerPoint Slides by Yana Rohmana Education University of Indonesian

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

Nama : Crishadi Juliantoro NPM :

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

IV. HASIL DAN PEMBAHASAN

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )

KWARTIL, DESIL DAN PERSENTIL

Matematika Keuangan Dan Ekonomi. Indra Maipita

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

Apabila dua variabel X dan Y mempunyai hubungan, maka nilai variabel X yang sudah diketahui dapat dipergunakan untuk mempekirakan / menaksir Y.

SEARAH (DC) Rangkaian Arus Searah (DC) 7

REGRESI LINIER SEDERHANA (MASALAH ESTIMASI)

BAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat

BAB 2 TINJAUAN KEPUSTAKAAN

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK

ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

Interpretasi data gravitasi

BAB 2 LANDASAN TEORI

Transkripsi:

EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt momen, dan pertdasamaan Chebyshev. Ja ta mempunya fungs peluang atau fungs denstas dar sebuah peubah aca, maa ta sudah menjelasan penghtungan nla peluang dar peubah aca yang berharga tertentu. Selan tu, ta juga bsa menentuan beberapa uuran yang ddasaran pada fungs peluang atau fungs denstas, dantaranya rataan dan varans. Kedua uuran n selanjutnya bsa merupaan cr dar sebuah dstrbus, dan bsa juga dperoleh dar uuran lannya, yatu fungs pembangt momen, serta merupaan bentu husus dar sebuah uuran yang dnamaan momen. Semua uuran yang djelasan dalam Bab 6 n ddasaran pada nla espetas. NILAI EKSPEKTASI Penghtungan nla espetas dar fungs peubah aca dsrt bsa dlhat dalam Defns 6.. Defns 6. : NILAI EKSPEKTASI DISKRIT Ja X adalah peubah aca dsrt dengan nla fungs peluangnya d adalah dan u(x adalah fungs dar X, maa nla espetas dar u(x, dnotasan dengan E[uX], ddefnsan sebaga: E [ u( X ] u(. Penghtungan nla espetas dar fungs peubah aca ontnu bsa dlhat dalam Defns 6.. Defns 6. : NILAI EKSPEKTASI KONTINU Ja X adalah peubah aca ontnu dengan nla fungs denstasnya d adalah f( dan u(x adalah fungs dar X, maa nla espetas dar u(x, dnotasan dengan E[uX], ddefnsan sebaga: E [ u( X ] u(. f ( d Berut n aan djelasan beberapa sfat pentng dar nla espetas yang selanjutnya aan memudahan dalam perhtungannya. Sfat-sfat n aan djelasan dalam Dall 6. dan pembutannya aan dgunaan peubah aca dsrt. Dall 6.: SIFAT-SIFAT NILAI EKSPEKTASI. Ja c adalah sebuah onstanta, maa: E(c c. Ja c adalah sebuah onstanta dan u(x adalah fungsdar X, maa:

E[c.u(X] c.e[u(x]. Ja c dan d adalah dua buah onstanta dan u(x dan v(x adalah dua buah fungs dar X, maa: E[c.u(X + d.v(x] c.e[u(x] + d.e[v(x] But: Msalan X adalah peubah aca dsrt dengan nla fungs peluang dar X d adalah.. E ( c c. c. E(c (c( c (terbut. E[c.u(X] c. u(. c. u(. E[c.u(X] c.e[u(x] (terbut. E[c.u(X + d.v(x] [ c. u( d. v( ]. c. u(. d. v(. c. u(. d. v(. E[c.u(X + d.v(x] c.e[u(x] + d.e[v(x] (terbut RATAAN Ja u(x X dalam Defns 6., maa ta aan memperoleh sebuah uuran yang dsebut rataan dar peubah aca dsrt X atau rataan dar dstrbus. Defns 6.: RATAAN DISKRIT Ja X adalah peubah aca dsrt dengan nla fungs peluang dar X d adalah, maa rataan dar peubah aca X ddefnsan sebaga: E ( X. Ja u(x X dalam Defns 6., maa ta aan memperoleh sebuah uuran yang dsebut rataan dar peubah aca ontnu X atau rataan dar dstrbus. Defns 6.4: RATAAN KONTINU Ja X adalah peubah aca ontnu dengan nla fungs denstas dar X d adalah f(, maa rataan dar peubah aca X ddefnsan sebaga:

E ( X. f ( d Rataan dar sebuah peubah aca, ba dsrt maupun ontnu basanya dnotasan dengan μ (dbaca mu, sehngga apabla peubah acanya X maa μ E(X. Kemudan nla rataan dar sebuah peubah aca, ba dsrt maupun ontnu tda selalu ada. Tda selalu ada artnya nla rataan tersebut bsa mempunya nla dan bsa juga tda mempunya nla. Nla rataan dar sebuah peubah aca tu ada, ja hasl penjumlahannya atau pengntegralannya ada. Sebalnya, nla rataan dar sebuah peubah aca tu tda ada, ja hasl penjumlahannya atau pengntegralannya tda ada. Berut n dberan contoh nla rataan dar sebuah peubah aca tu tda ada, ba peubah aca dsrt maupun ontnu. VARIANS Berut n aan djelasan defns varans dar sebuah peubah aca yang berlau bag peubah aca dsrt maupun ontnu. Defns 6.5: VARIANS Msalnya X adalah peubah aca, ba dsrt maupun ontnu. Varans dar X ddefnsan sebaga: Var(X E[X E(X] E(X μ Varans dar peubah aca X serng dnotasan dengan σ X. Aar pangat dua postf dar varans dsebut smpangan bau dar peubah aca X dan dnotasan dengan σ X. Penghtungan varans dar peubah aca dsrt bsa dlhat dalam Defns 6.6. Defns 6.6: VARIANS DISKRIT Ja X adalah peubah aca dsrt dan adalah nla fungs peluang dar X d, maa varans dar X ddefnsan sebaga: Var ( X (. Penghtungan varans dar peubah aca ontnu bsa dlhat dalam Defns 6.7. Defns 6.7: VARIANS KONTINU Ja X adalah peubah aca ontnu dan f( adalah nla fungs denstas dar X d, maa varans dar X ddefnsan sebaga: Var ( X (. f ( d

Ja ta menguraan lebh lanjut perumusan varans dalam Defns 6.5, maa aan dperoleh hasl sbb: Var(X E(X μ E(X.μ.X + μ E(X.μ.E(X + μ E(X.μ.μ + μ Var(X E(X μ Jad: Var(X E(X μ E(X [E(X] Dengan deman, penghtungan varans dar sebuah peubah aca dapat dlauan dengan dua rumus, yatu:. Perumusan varans berdasaran fungs peluang atau fungs denstas. Perumusan varans dar peubah aca dsrt bsa dlhat dalam Defns 6.6 dan perumusan varans dar peubah aca ontnu bsa dlhat dalam Defns 6.7.. Perumusan varans berdasaran penguraan lebh lanjut dar rumus varans. Dalam hal n, penghtungan varansnya berlau untu peubah aca dsrt dan ontnu. Berut n aan djelasan beberapa sfat dar varans. Dall 6.: SIFAT-SIFAT VARIANS. Ja c adalah sebuah onstanta, maa: Var(c. Ja X adalah peubah aca dan c adalah sebuah onstanta, maa: Var(X + c Var(X. Ja a dan b adalah dua buah onstanta dan X adalah peubah aca, maa: Var(aX + b a. Var(X PENDEKATAN NILAI E[H(X] DAN VAR[H(X] Berut n ta aan menjelasan penghtungan nla espetas dan varans dar fungs peubah aca, hususnya peubah aca ontnu secara pendeatan. Msalnya H(X adalah fungs dar peubah aca ontnu X. Kemudan ta bsa menghtung nla espetas dar H(X, yatu E[H(X], dan nla varans dar H(X, yatu Var[H(X]. Aan tetap, adang-adang ta mengalam esultan dalam penghtungannya. Hal n mungn dsebaban arena bentu dar H(X yang rumt. Untu mengatasnya, berut n aan djelasan sebuah cara untu menghtung E[H(X] dan Var[H(X] secara pendeatan. Ja Y H(X dan X μ, maa dengan menggunaan perluasan deret Taylor dperoleh: 4

( Y H ( (. H (. H ( R dengan R adalah ssa. Maa: (. E ( Y E H( (. H(. H( R E[H(μ] + E(X μ.h (μ + (½.E(X μ.h (μ + E(R H(μ + [E(X E(μ].H (μ + (½.E(X μ.h (μ + R H(μ + (μ μ.h (μ + (½.Var(X.H (μ H(μ + (½.Var(X.H (μ E(Y H(μ + (½.σ.H (μ Jad: E(Y H(μ + (½.H (μ.σ. Bentu Y d atas bsa dtuls sbb: Y H(μ + (X μ.h (μ + R ( X dengan: R. H ( R Maa: Var(Y Var[H(μ + (X μ.h (μ + R ] Var[(X μ.h (μ] + Var(R [H (μ].var(x + Var(R Var(Y [H (μ].var(x Jad : Var(Y [H (μ].var(x MOMEN Pada bagan sebelumnya, ta dapat menghtung nla E(X dan E(X. Dengan ata lan, ta hanya dapat menghtung nla espetas dar peubah aca X dengan pangatnya palng tngg. Berut n aan djelasan perumusan secara umum dalam penghtungan nla espetas dar peubah aca X dengan pangatnya lebh dar. Defns 6.8: MOMEN Ja X adalah peubah aca, ba dsrt maupun ontnu, maa momen e- (dnotasan dengan μ ddefnsan sebaga: μ E(X,,,,... Momen dar peubah aca dsrt secara umum dtentuan berdasaran Defns 6.9. Defns 6.9: MOMEN DISKRIT 5

Ja X adalah peubah aca dsrt dan adalah nla fungs peluang dar X d, maa momen e- (dnotasan dengan μ ddefnsan sebaga:. Momen dar peubah aca ontnu secara umum dtentuan berdasaran Defns 6.. Defns 6.: MOMEN KONTINU Ja X adalah peubah aca ontnu dan f( adalah nla fungs denstas dar X d, maa momen e- (dnotasan dengan μ ddefnsan sebaga:. f ( d Pada bagan sebelumnya, ta sudah mengetahu bahwa varans dar sebuah peubah aca adalah nla espetas dar pangat dua untu penympangan peubah aca tersebut terhadap rataannya. Berut n aan djelasan perumusan umum untu menghtung nla espetas dar pangat untu penympangan sebuah peubah aca terhadap rataannya yang dnamaan momen setar rataan. Defns 6.: MOMEN SEKITAR RATAAN Ja X adalah peubah aca, ba dsrt maupun ontnu, maa momen setar rataan e- (dnotasan dengan μ ddefnsan sebaga: μ E(X - μ,,,,,... Berdasaran perumusan d atas, ta aan menghtung nla momen setar rataan untu beberapa nla. Untu μ E(X μ E( Untu μ E(X μ E(X μ μ μ Untu μ E(X μ Var(X Dan seterusnya. Momen setar rataan dar peubah aca dsrt secara umum dtentuan berdasaran Defns 6.. Defns 6.: MOMEN SEKITAR RATAAN DISKRIT Ja X adalah peubah aca dsrt dan adalah nla fungs peluang dar X d, maa momen e- (dnotasan dengan μ ddefnsan sebaga: (. Momen setar rataan dar peubah aca ontnu secara umum dtentuan berdasaran Defns 6.. 6

Defns 6.: MOMEN SEKITAR RATAAN KONTINU Ja X adalah peubah aca ontnu dan f( adalah nla fungs denstas dar X d, maa momen setar rataan e- (dnotasan dengan μ ddefnsan sebaga: (. f ( d Dengan menggunaan dall bnomal, ta dapat menurunan hubungan antara momen dan momen setar rataan dar sebuah peubah aca. Berdasaran defns momen setar rataan dsrt, maa: μ E(X μ μ Jad: E X.( (.( Kemudan ta aan mensubsttusan beberapa nla edalam rumus d atas. Untu.( -μ + μ μ -μ + μ.(.( Untu Untu.( μ.μ.μ + μ μ μ μ.(.(.(.( 7

.(.(.( -μ +.μ.μ - μ.μ + μ μ μ μ.μ + μ Dan seterusnya..( Dar hasl penurunan d atas, ternyata penghtungan momen setar rataan bsa dlauan melalu momen. Namun deman, penghtungan momen juga bsa dlauan melalu momen setar rataan. Hal n bsa dlhat pada uraan berut n. Berdasaran defns momen, maa: μ E(X E[(X μ + μ] Jad: μ E ( X.( (. Kemudan ta aan mensubsttusan beberapa nla edalam rumus d atas. Untu. Untu Untu μ + μ μ μ + μ... μ +.μ.μ + μ μ μ + μ.... 8

.... μ +.μ.μ + μ.μ + μ μ μ + μ.μ + μ Dan seterusnya. FUNGSI PEMBANGKIT MOMEN Pada bagan sebelumnya, ta sudah membahas momen e- yang dnotasan dengan μ. Momen n bsa juga dperoleh melalu besaran lannya, yang dnamaan fungs pembangt momen. Sehngga fungs pembangt momen merupaan sebuah fungs yang dapat menghaslan momen-momen. Selan tu, penentuan dstrbus baru dar peubah aca yang baru merupaan egunaan lan dar fungs pembangt momen. Defns 6.4: FUNGSI PEMBANGKIT MOMEN Ja X adalah peubah aca, ba dsrt maupun ontnu, maa fungs pembangt momen dar X (dnotasan dengan M X (t ddefnsan sebaga: M X (t E(e tx untu h < t < h dan h >. Fungs pembangt momen dar peubah aca dsrt secara umum dtentuan berdasaran Defns 6.5. Defns 6.5: FUNGSI PEMBANGKIT MOMEN DISKRIT Ja X adalah peubah aca dsrt dan adalah nla fungs peluang dar X d, maa fungs pembangt momen dar X ddefnsan sebaga: t M X ( t e. Fungs pembangt momen dar peubah aca ontnu secara umum dtentuan berdasaran Defns 6.6. Defns 6.6: FUNGSI PEMBANGKIT MOMEN KONTINU Ja X adalah peubah aca ontnu dan f( adalah nla fungs denstas dar X d, maa fungs pembangt momen dar X ddefnsan sebaga: t M X ( t e. f ( d 9

Dall 6.: PENURUNAN MOMEN BERDASARKAN FUNGSIPEMBANGKIT MOMEN Ja X adalah peubah aca, ba dsrt maupun ontnu dan M X (t adalah fungs pembangt momennya, maa: M r X ( t t r Berut n aan djelasan beberapa sfat dar fungs pembangt momen. Dall 6.4: SIFAT-SIFAT FUNGSI PEMBANGKIT MOMEN. Ja X adalah peubah aca dan c adalah sebuah onstanta, maa: M cx (t M X (ct. Ja X adalah peubah aca dan c adalah sebuah onstanta maa: M X+c (t e ct. M X (t. Ja X adalah peubah aca dan a & b adalah dua buah onstanta, maa: M (X+a/b (t e at/b. M X (t/b 6.8. PERTIDAKSAMAAN CHEBYSHEV Berut n aan djelasan sebuah dall yang dalam pembutannya ddasaran pada varans, yatu dall Chebyshev. Dall n dambl dar seorang ahl Matemata Rusa pada abad 9, yatu P.L. Chebyshev. Dall 6.5: DALIL CHEBYSHEV Ja μ dan σ masng-masng merupaan rataan dan smpangan bau dar peubah aca X, maa untu setap blangan postf peluang dar peubah aca X yang bernla antara μ σ dan μ + σ palng sedt sebesar (/, dan dtuls: P X Nla peluang d atas merupaan batas bawah peluang dar peubah aca X yang berharga tertentu. Kta bsa juga menghtung peluang dar peubah aca X yang bernla lebh ecl atau sama dengan μ σ atau lebh besar atau sama dengan μ + σ, yang besarnya / dan dtuls: P X