Anda di halaman 1dari 72

Rekayasa Trafik, Sukiswo 1

RANDOM VARIABLES
Rekayasa Trafik
Rekayasa Trafik, Sukiswo 2
Definisi Random Variables
Random variables (r.v.) X() adalah fungsi real
single-valued yang memberikan bilangan real X()
ke tiap sample point dari sample space S
Biasanya digunakan X utk menggantikan X()



Rekayasa Trafik, Sukiswo 3
Definisi Random Variables
Sample space S domain dari r.v. X
Kumpulan semua bilangan (harga dari X()) range
dari r.v. X
Range dari X merupakan subset dari set semua
bilangan real
Dua atau lebih sample point berbeda dapat
memberikan harga X() yg sama, tetapi
Dua bilangan berbeda dari range tidak dapat
dialokasikan pada sample point yg sama
Rekayasa Trafik, Sukiswo 4
Definisi Random Variables
Contoh 1
Pd eksperimen lempar coin satu kali dg S = {H,T},
kita dp definisikan r.v. X sebagai
X(H) = 1 X(T) = 0

Kita juga dp definisikan r.v. lain, mis. Y atau Z dg
Y(H) = 0, Y(T) = 1 atau Z(H) = 0, Z(T) = 0




Rekayasa Trafik, Sukiswo 5
Events dari Random Variables
Jika X adalah r.v. dan x bilangan real tetap, maka
event (X = x):
(X = x) = {: X() = x}

Hal serupa utk bilangan tetap x, x
1
, dan x
2
dp
ditentukan events berikut:
(X s x) = {: X() s x}
(X > x) = {: X() > x}
(x
1
< X s x
2
) = {: x
1
< X() s x
2
}

Rekayasa Trafik, Sukiswo 6
Events dari Random Variables
Events tadi mempunyai probabilitas yg dinyatakan:

P(X = x) = P{: X() = x}
P(X s x) = P{: X() s x}
P(X > x) = P{: X() > x}
P(x
1
< X s x
2
) = P{: x
1
< X() s x
2
}



Rekayasa Trafik, Sukiswo 7
Events dari Random Variables
Contoh 2
Pd eksperimen lempar fair coin tiga kali, sample space S1
terdiri dari 8 equally likely sample points S1 = {HHH, HHT,
HTH, THH,HTT, THT, TTH, TTT}. Jika X adalah r.v. yg
menunjukan jumlah head yg didapat, cari:
(a) P(X = 2); (b) P(X < 2)
(a) Mis. A c S1 event yg ditentukan dg X = 2, maka
A = (X = 2) = {: X() = 2} = {HHT, HTH, THH}
karena sample point equally likely, didp:
P(X = 2) = P(A) = 3/8
(b) Mis. B c S1 event yg ditentukan dg X < 2, maka
B = (X < 2) = {: X() < 2} = {HTT, THT, TTH, TTT}, dan
P(X < 2) = P(B) = 4/8 = 1/2

Rekayasa Trafik, Sukiswo 8
Distribution Functions
Distribution function (cumulative distribution
function/cdf) dari X adalah fungsi:
F
X
(x) = P(X s x) - < x <

Properties dari F
X
(x)


c
c
+ = = =
= =
= =
< s
s s
<
+ +



+
a a a F a F x F
F x F
F x F
x x x F x F
x F
X X X
a x
X X
x
X X
X X
X
0 0
2 1 2 1
lim ) ( ) ( ) ( lim
0 ) ( ) ( lim
1 ) ( ) (
) ( ) (
1 ) ( 0
5.
4.
lim 3.
jika 2.
1.
x
Rekayasa Trafik, Sukiswo 9
Distribution Functions
Contoh 3
Mis r.v. X spt didefiniskan pd contoh 2. Cari dan
gambar cdf F
X
(x) dari X


Rekayasa Trafik, Sukiswo 10
Distribution Functions

Rekayasa Trafik, Sukiswo 11
Penentuan probabilitas dari Fungsi
Distribusi

c
c
= = <
= >
= s <
<

b b b F b X P
a F a X P
a F b F b X a P
X
X
X X
0 0
lim ) ( ) (
) ( 1 ) (
) ( ) ( ) (

Rekayasa Trafik, Sukiswo 12
Discrete Random Variables dan
Probability Mass Functions
X adalah r.v. diskrit jika range berisi finite atau
countably infinite number of points F
X
(x)
merupakan fungsi staircase

Probability Mass Functions:
Mis. jump pd F
X
(x) dari r.v. X diskrit terjadi pd titik
x
1
, x
2
, dimana deretan bisa terbatas atau countably
tak terbatas, dg asumsi x
i
, x
j
jika i < j, maka
F
X
(x
i
) - F
X
(x
i-1
) = P(X s x
i
) - P(X s x
i-1
) = P(X = x
i
)
p
X
(x) = P(X = x)
p
X
(x) = prob. mass function (pmf) dr r.v. diskrit X
Rekayasa Trafik, Sukiswo 13
Discrete Random Variables dan
Probability Mass Functions
Properties dari p
X
(x)



s
= s =
=
= = =
= s s
x x
k X X
X
k
k X
k X
k X
k
x p x X P x F
x F
x p
k x x x p
k x p
) ( ) ( ) (
) (
1 ) ( . 3
,.....) 2 , 1 ( 0 ) ( . 2
,..... 2 , 1 1 ) ( 0 . 1
: dg diperoleh dp X diskrit r.v. dari cdf

jika

Rekayasa Trafik, Sukiswo 14
Continuous Random Variables dan
Probability Density Functions
Definisi
X adalah r.v. kontinyu jika range merupakan
interval (finite atau infinite) dari bilangan real.
Jika X adalah r.v. kontinyu, maka
P(X = x) = 0

Probability Density Functions



fungsi f
X
(x) = probability density function (pdf)
dari r.v. kontinyu X

dx
x dF
x f
X
X
) (
) ( =
Rekayasa Trafik, Sukiswo 15
Continuous Random Variables dan
Probability Density Functions
Properties dari fX(x)
}
}
= s <
=
>


b
a
X
X
X
X
dx x f b X a P
x f
dx x f
x f
) ( ) ( . 4
) ( . 3
1 ) ( . 2
0 ) ( . 1

continuous piecewise adalah


Rekayasa Trafik, Sukiswo 16
Continuous Random Variables dan
Probability Density Functions
Cdf F
X
(x) dari r.v. kontinyu X dp diperoleh dg:
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
a F b F dx x f
b x a P b x a P b X a P
d f x X P x F
X X
b
a
X
x
X X
= =
< s = s s = s <
= s =
}
}


maka kontinyu, r.v. adalah X Jika

Rekayasa Trafik, Sukiswo 17
Mean dan Variance
Mean (expected value) :
X
atau E(X)




Moment, moment ke-n dari r.v. X:




Cat: mean dari X adalah moment pertama dari X




= =
}


kontinyu : X ) (
diskret : X ) (
) (
dx x xf
x p x
X E
X
k
k X k
X

=
}


kotinyu : X ) (
diskret : X ) (
) (

dx x f x
x p x
X E
X
n
k
k X
n
k
n
Rekayasa Trafik, Sukiswo 18
Mean dan Variance
Variance o
X
2
atau Var(X) didefinisikan:







Var(X) > 0
Standar deviasi dari r.v. X dinyatakan dg o
X
= akar
kuadrat dari Var(X)
Var(X) = E(X
2
) - [E(X)]
2




=
= =
}

-
2
2
2
2
2
kontinyu : X ) ( ) (
diskret : X ) ( ) (
sehingga,
} )] ( {[ ) (
dx x f x
x p x
X E X E X Var
X X
k
k X X k
X
X

o
o
Rekayasa Trafik, Sukiswo 19
Beberapa Distribusi Khusus
Distribusi Bernoulli
Bernoulli r.v. X diasosiasikan dg eksperimen
(Bernoulli trial) dimana outcome dp diklasifikasikan
sbg sukses, dg prob. p atau gagal, dg prob 1-p.

>
< s
<
=
s s = = = =

1 1
1 x 0 1
0 0
) (
: ) ( cdf
1 0 dimana 1 , 0 ) 1 ( ) ( ) (
: pmf
1
x
p
x
x F
x F
p k p p k X P k p
X
X
k k
X
Rekayasa Trafik, Sukiswo 20
Beberapa Distribusi Khusus
Ilustrasi Distribusi Bernoulli




Rekayasa Trafik, Sukiswo 21
Beberapa Distribusi Khusus
Mean dan variance dari Bernoulli r.v X:


X
= E(X) = p

o
X
2
= VAR(X) = P(1 - p)
Rekayasa Trafik, Sukiswo 22
Beberapa Distribusi Khusus
Distribusi Binomial
Binomial r.v. X diasosiasikan dg eksperimen dimana
n independen Bernoulli trial dilakukan dan X
menyatakan jumlah sukses dlm n trials

+ < s
|
|
.
|

\
|
=

=
|
|
.
|

\
|
s s
=
|
|
.
|

\
|
= = =
n
k
k n k
X
k n k
X
n x n p p
k
n
x F
k n k
n
k
n
p
n k p p
k
n
k X P k p
0
1 ) 1 ( ) (
: X dari cdf
binomial koef. disebut yg
)! ( !
!
dan 1 0 dimana
,..... 1 , 0 ) 1 ( ) ( ) (
: pmf jika p) (n, parameter dg binomial r.v. disebut X r.v.
Rekayasa Trafik, Sukiswo 23
Beberapa Distribusi Khusus
Mean dan Variance dari Distribusi Binomial


X
= E(X) = np

o
X
2
= Var(X) = np(1 - p)


Rekayasa Trafik, Sukiswo 24
Beberapa Distribusi Khusus
Ilustrasi Distribusi Binomial utk n = 6 dan p = 0,6




Rekayasa Trafik, Sukiswo 25
Beberapa Distribusi Khusus
Distribusi Poisson
r.v. Poisson mempunyai aplikasi yg luas dlm
berbagai area krn dp digunakan sbg aproksimasi
r.v. binomial dg parameter (n,p) utk n besar dan p
kecil (np moderat)

Contoh penggunaan r.v. Poisson:
Jumlah panggilan telepon yg datang pd suatu
sentral dlm suatu interval waktu tertentu
Jumlah pelanggan yg memasuki bank dlm suatu
interval waktu tertentu
Rekayasa Trafik, Sukiswo 26
Beberapa Distribusi Khusus
Distribusi Poisson

+ < s =
= = = =
>
n
k
k
X
k
X
n x n
k
e x F
k
k
e k X P k p
0
1
!
) (
: X dari cdf
,..... 1 , 0
!
) ( ) (
: pmf jika ) 0 ( parameter dg Poisson r.v. disebut X r.v.

Rekayasa Trafik, Sukiswo 27


Beberapa Distribusi Khusus
Mean dan Variance dari Distribusi Poisson


X
= E(X) =

o
X
2
= Var(X) =


Rekayasa Trafik, Sukiswo 28
Beberapa Distribusi Khusus
Ilustrasi Distribusi Poisson utk = 3






Rekayasa Trafik, Sukiswo 29
Beberapa Distribusi Khusus
Distribusi Uniform
Distribusi uniform sering digunakan jika tdk
diketahui pengetahuan awal dari pdf dan semua
harga dlm range kelihatannya equally likely






>
< <

s
=

< <

=
b x
b x a
a b
a x
a x
x F
b x
a b
x f
X
X
1

0
) (
: X dari cdf
lainnya 0

1
) (
: pdf jika b) (a, range dlm uniform dikatakan X r.v.
Rekayasa Trafik, Sukiswo 30
Beberapa Distribusi Khusus
Mean dan Variance dari Distribusi Uniform









12
) (
) (
2
) (
2
2
a b
X Var
b a
X E
X
X

= =
+
= =
o

Rekayasa Trafik, Sukiswo 31


Beberapa Distribusi Khusus
Ilustrasi Distribusi Uniform









Rekayasa Trafik, Sukiswo 32
Beberapa Distribusi Khusus
Distribusi Eksponensial
Properti yg paling penting adalah memoryless




<
>
=

<
>
=
>

0 0
0 1
) (
: X untuk cdf
0 0
0
) (
: pdf jika ) 0 ( parameter dg al Eksponensi r.v. adalah X r.v.
x
x e
x F
x
x e
x f
x
X
x
X


Rekayasa Trafik, Sukiswo 33
Beberapa Distribusi Khusus
Mean dan Variance Distribusi Eksponensial





2
2
1
) (
1
) (

= =
= =
X Var
X E
X
X
Rekayasa Trafik, Sukiswo 34
Beberapa Distribusi Khusus
Distribusi Eksponensial








Rekayasa Trafik, Sukiswo 35
Beberapa Distribusi Khusus
Distribusi Normal (Gaussian)






} }






= =
=
o
o
o

o t
o t
/ ) (
2 / ) 2 ( ) (
) 2 /( ) (
2 2 2
2 2
2
1
2
1
) (
: X dari cdf
2
1
) (
: pdf jika (Gaussian) Normal dikatakan X r.v.
x x
X
x
X
d e d e x F
e x f
Rekayasa Trafik, Sukiswo 36
Beberapa Distribusi Khusus
Mean dan Variance Distribusi Normal (Gaussian)


X
= E(X) =

o
X
2
= Var(X) = o
2








Rekayasa Trafik, Sukiswo 37
Beberapa Distribusi Khusus
Distribusi Normal (Gaussian)






Rekayasa Trafik, Sukiswo 38
Contoh:

Rekayasa Trafik, Sukiswo 39
Conditional Distributions
Conditional cdf F
X
(x|B) dari r.v. X diberikan event B:

dx
B x dF
B x f
B x f
B P
B x X P
B x X P B x p
B x p
B P
B x X P
B x X P B x F
X
X
X
k
k k X
k X
X
) | (
) | (
: ) | ( pdf l conditiona kontinyu, r.v. X Jika
) (
} ) {(
) | ( ) | (
: ) | ( pmf l conditiona diskrit, r.v. X Jika
) (
} ) {(
) | ( ) | (
=
=
= = =
s
= s =
Rekayasa Trafik, Sukiswo 40

MULTIPLE RANDOM
VARIABLES
Rekayasa Trafik, Sukiswo 41
Multiple Random variables
Bivariate Random Variables (2-D Random Vector)









R
xy
= {(x,y); e S and X() = x, Y() = y}

Rekayasa Trafik, Sukiswo 42
Multiple Random variables
Bivariate Random Variables (2-D Random Vector)

Jika r.v. X dan Y diskret (X,Y) discrete
bivariate r.v.
Jika r.v. X dan Y kontinyu (X,Y) continuous
bivariate r.v.
Jika salah satu diskret dan lainnya kontinyu
(X,Y) mixed bivariate r.v.


Rekayasa Trafik, Sukiswo 43
Joint Distribution Functions
Joint cdf dari X dan Y, F
XY
(x,y) adalah fungsi:
F
XY
(x,y) = P(X s x, Y s y)

Event (X s x, Y s y) ekivalen dg event A B,
dimana A dan B adalah events dari S:
A = { e S; X() s x} dan B = { e S; Y() s y}
dan P(A) = F
X
(x) P(B) = F
Y
(y)
shg F
XY
(x,y) = P(A B)

Jika utk harga x dan y, A dan B independen:
F
XY
(x,y) = P(A B) = P(A) P(B) = F
X
(x)F
Y
(y)
Rekayasa Trafik, Sukiswo 44
Joint Distribution Functions
Dua r.v. X dan Y independen jika

F
XY
(x,y) = F
X
(x)F
Y
(y)

utk setiap harga x dan y


Rekayasa Trafik, Sukiswo 45
Properties dari F
XY
(x,y)



0 ) , ( ) , ( ) , ( ) , (
maka , dan Jika 7.
) , ( ) , ( ) , (
) , ( ) , ( ) , 2 ( 6.
) , ( ) , ( ) , ( lim
) , ( ) , ( ) , ( lim 5.
0 ) , ( ) , ( lim
0 ) , ( ) , ( lim 4.
1 ) , ( ) , ( lim 3.
) , ( ) , ( ) , (
) , ( ) , ( ) , (
maka , dan , Jika 2.
1 ) , ( 0 1.
1 1 1 2 2 1 2 2
2 1 2 1
1 2 2 1
1 2 1
b y
- y
x
2 2 2 1 1 1
2 2 1 2 1 1
2 1 2 1
> +
s s
= s < s
= s s <
= =
= =
= =
= =
= =
s s
s s
s s
s s
+





+
+
y x F y x F y x F y x F
y y x x
y x F y x F y Y y x X P
y x F y x F y Y x X x P
b x F b x F y x F
y a F y a F y x F
x F y x F
y F y x F
F y x F
y x F y x F y x F
y x F y x F y x F
y y x x
y x F
XY XY XY XY
XY XY
XY XY
XY XY XY
XY XY XY
a x
XY XY
XY XY
x
XY XY
y
XY XY XY
XY XY XY
XY
Rekayasa Trafik, Sukiswo 46
Joint Distribution Functions
Contoh:
Eksperimen lempar coin yg fair dua kali. (X,Y) adalah bivariate r.v.,
dimana X jumlah head dan Y jumlah tail dlm dua lemparan.
a. Berapa range R
X
dari X? b. Berapa range R
Y
dari Y?
c. Gambar range R
XY
dari (X,Y)
d. Cari P(X=2, Y=0), P(X=0, Y=2), dan P(X=1, Y=1)

Jawab:
Sample space S dari eksperimen: S = {HH, HT, TH, TT}
a. R
X
= {0,1,2} b. R
Y
= {0,1,2}
c. R
XY
= {(2,0),(1,1),(0,2)}
d. P(X=2,Y=0) = P{HH} = 1/4
P(X=0,Y=2) = P{TT} = 1/4
P(X=1,Y=1) = P{HT,TH} = 1/2
Rekayasa Trafik, Sukiswo 47






Rekayasa Trafik, Sukiswo 48
Marginal Distribution Functions
Y dan X dari cdf marginal sbg dikenal atas di ) ( dan ) ( cdf
) ( ) , ( ) , ( lim
) ( ) , ( ) , ( lim
maka dipenuhi, selalu kondisi karena
) ( ) , ( ) , ( lim
x
y F x F
y F y F y x F
x F x F y x F
y
x X Y x X y Y x X
Y X
Y XY XY
X XY XY
y
y
= =
= =
s
s = s s = s s



Rekayasa Trafik, Sukiswo 49
Marginal Distribution Functions
Contoh:
Joint cdf dari bivariate r.v. (X,Y) diketahui:



a. Cari marginal cdf dari X dan Y
b. Perlihatkan bahwa X dan Y independen
c. Cari P(Xs1, Ys1), P(Xs1), P(Y>1), dan P(X>x, Y>y)

Jawab:

> > >


=

lainnya 0
0 , , 0 , 0 ) 1 )( 1 (
) , (
| o
| o
y x e e
y x F
y x
XY
Rekayasa Trafik, Sukiswo 50
Marginal Distribution Functions
Jawab:
a.






b. Karena F
XY
(x,y) = F
X
(x)F
Y
(y), X dan Y independen

c. P(Xs1, Ys1) = F
XY
(1,1) = (1 - e
-o
)(1 - e
-|
)
P(Xs1) = F
X
(1) = (1 - e
- o
)
P(Y>1) = 1 - P(Y s 1) = 1 - F
Y
(1) = e
-|

<
>
= =

<
>
= =

0 0
0 1
) , ( ) (
0 0
0 1
) , ( ) (
y
y e
y F y F
x
x e
x F x F
y
XY Y
x
XY X
|
o
Rekayasa Trafik, Sukiswo 51
Discrete Random Variables - Joint
Probability Mass Functions
Untuk (X,Y) discrete bivariate r.v., fungsi p
XY
(x
i
,y
j
)
joint probability mass function (joint pmf) dari (X,Y):
p
XY
(x
i
,y
j
) = P(X=x
i
, Y=y
j
)

Properties dari p
XY
(x
i
, y
j
):

s s
e
=
= e
=
s s
x x y y
j i XY XY
y x R
j i XY
x y
j i XY
j i XY
i j
j i A
i j
y x p y x F
y x p A Y X P
y x p
y x p
) , ( ) , (
: cdf Joint
) , ( ] ) , [( 3.
1 ) , ( 2.
1 ) , ( 0 1.
) , (
Rekayasa Trafik, Sukiswo 52
Discrete Random Variables - Joint
Probability Mass Functions
Marginal Probability Mass Functions:
Mis. Untuk harga tetap X = x
i
, r.v. Y y
j
(j = 1, 2, , n)



dimana penjumlahan dilakukan utk semua kemungkinan pasangan
(x
i
, y
j
) dg x
i
tetap. Hal yang sama:



dimana penjumlahan dilakukan utk semua kemungkinan pasangan
(x
i
, y
j
) dg y
j
tetap

= = =
j
y
j i XY i X i
y x p x p x X P ) , ( ) ( ) (

= = =
i
x
j i XY j Y j
y x p y p y Y P ) , ( ) ( ) (
Marginal pmf dari X
Marginal pmf dari Y
Rekayasa Trafik, Sukiswo 53
Discrete Random Variables - Joint
Probability Mass Functions
Independent Random Variables:
Jika X dan Y r.v. independent:

p
XY
(x
i
, y
j
) = p
X
(x
i
)p
Y
(y
j
)
Rekayasa Trafik, Sukiswo 54
Contoh:

Rekayasa Trafik, Sukiswo 55
Rekayasa Trafik, Sukiswo 56
Rekayasa Trafik, Sukiswo 57
Continuous Random Variables - Joint
Probability Density Functions
Joint Probability Density Functions:
Mis. (X,Y) continuous bivariate r.v dg cdf F
XY
(x,y)
dan mis.


Fungsi f
XY
(x,y) disebut joint probability function
(joint pdf) dari (X,Y)


y x
y x F
y x f
XY
XY
c c
c
=
) , (
) , (
2
} }

=
x y
XY XY
d d f y x F q q ) , ( ) , (
Rekayasa Trafik, Sukiswo 58
Continuous Random Variables - Joint
Probability Density Functions
Properties dari f
XY
(x,y) :

} }
}}
} }
= s < s <
= e
=
>

d
c
b
a
XY
R
XY
XY
XY
XY
dxdy y x f d Y c b X a P
dxdy y x f A Y X P
y x f
dxdy y x f
y x f
A
) , ( ) , ( 5.
) , ( ] ) , [( 4.
y dan x harga semua utk kontinyu ) , ( 3.
1 ) , ( 2.
0 ) , ( 1.
- -
Rekayasa Trafik, Sukiswo 59
Continuous Random Variables - Joint
Probability Density Functions
Marginal Probability Density Functions :







pdf f
X
(x) dan f
Y
(y) yg didp di atas marginal pdf dari
X dan Y

Rekayasa Trafik, Sukiswo 60
Continuous Random Variables - Joint
Probability Density Functions
Independent Random Variables
Jika X dan Y r.v. independent
Rekayasa Trafik, Sukiswo 61
Rekayasa Trafik, Sukiswo 62
Conditional Distributions
Conditional Probability Mass Functions
Jika (X,Y) discrete bivariate r.v. dg joint pmf p
XY
(x
i
,y
j
),
conditional pmf Y, diberikan X = xi:



Dg cara yg sama, p
X|Y
(x
i
|y
j
):

0 ) (
) (
) , (
) | (
|
> =
i X
i X
j i XY
i j X Y
x p
x p
y x p
x y p
0 ) (
) (
) , (
) | (
|
> =
j Y
j Y
j i XY
j i Y X
y p
y p
y x p
y x p
Rekayasa Trafik, Sukiswo 63
Conditional Distributions
Properties dari p
Y|X
(y
j
|x
i
):




Jika X dan Y independent, maka

p
Y|X
(y
j
|x
i
) = p
Y
(y
j
) dan P
X|Y
(x
i
|y
j
) = p
X
(x
i
)

=
s s
j
y
i j X Y
i j X Y
x y p
x y p
1 ) | ( 2.
1 ) | ( 0 1.
|
|
Rekayasa Trafik, Sukiswo 64
Conditional Distributions
Conditional Probability Density Functions:
Jika (X,Y) continuous bivariate r.v. dg joint pdf f
XY
,
conditional pdf dari Y, diberikan X = x:



Dg cara yg sama dp didefinisikan f
X|Y
(x|y):

0 ) (
) (
) , (
) | (
|
> = x f
x f
y x f
x y f
X
X
XY
X Y
0 ) (
) (
) , (
) | (
|
> = y f
y f
y x f
y x f
Y
Y
XY
Y X
Rekayasa Trafik, Sukiswo 65
Conditional Distributions
Properties dari f
Y|X
(y|x):


) ( ) | ( dan ) ( ) | (
: t independen Y dan X Jika
1 ) | ( 2.
0 ) | ( 1.
| |
|
|
x f y x f y f x y f
dy x y f
x y f
X Y X Y X Y
X Y
X Y
= =
=
>
}


Rekayasa Trafik, Sukiswo 66
Covariance & Correlation Coefficient
Moment ke (k,n) dari bivariate r.v. (X,Y)
didefinisikan:





Jika n=0, didp moment ke-k dari X, dan jika k=0,didp
moment ke-n dari Y:
m
10
= E(X) =
X
dan m
01
= E(Y) =
Y

=
} }

- -
kontinyu kasus ) , (
diskrit kasus ) , (
dxdy y x f y x
y x p y x
m
XY
n k
y x
j i XY
n
j
k
i
kn
j i
Rekayasa Trafik, Sukiswo 67
Covariance & Correlation Coefficient
Jika (X,Y) discrete bivariate r.v., maka didp:
Rekayasa Trafik, Sukiswo 68
Covariance & Correlation Coefficient
Dengan cara yg sama:
Rekayasa Trafik, Sukiswo 69
Covariance & Correlation Coefficient
Jika (X,Y) continuous bivariate r.v. :
Rekayasa Trafik, Sukiswo 70
Covariance & Correlation Coefficient
Dg cara yg sama :
Rekayasa Trafik, Sukiswo 71
Covariance & Correlation Coefficient
Joint moment ke (1,1) dari (X,Y):
m
11
= E(XY)
disebut correlation dari X dan Y
Jika E(XY) = 0 X dan Y orthogonal

Covariance dari X dan Y Cov(X,Y) atau o
XY
:

Cov(X,Y) = o
XY
= E[(X -
X
)(Y -
Y
)]

Cov(X,Y) = E(XY) - E(X)E(Y)

Jika Cov(X,Y) = 0 X dan Y uncorrelated :
E(XY) = E(X)E(Y)
Rekayasa Trafik, Sukiswo 72
Covariance & Correlation Coefficient
Correlation coefficient:

1 1 atau 1 | |
) , (
) , (
s s s
= = =
XY XY
Y X
XY
Y X
XY
Y X Cov
Y X

o o
o
o o