SIFAT-SIFAT VARIABEL RANDOM

Disusun untuk memenuhi tugas mata kuliah Statistika Matematika

Dosen pengampu:
Dr. Iqbal Kharisudin, S.Pd., M.Sc.

Disusun oleh:
1. 0401517078 Mukeriyanto
2. 0401517071 Ulfany fitri Utami
3. 0401517082 Ari Limay Trisno Putra

A3 Reguler

PROGRAM STUDI PENDIDIKAN MATEMATIKA

PASCASARJANA
UNIVERSITAS NEGERI SEMARANG
2018
 SIFAT-SIFAT VARIABEL RANDOM

PENGANTAR

Penggunaan variabel acak dan distribusi probabilitasnya telah dibahas sebagai cara

mengekspresikan model matematika untuk fenomena fisik nondeterministic. Variabel acak

dapat dikaitkan dengan beberapa karakteristik numerik dari populasi nyata atau konseptual

item, dan pdf merupakan distribusi populasi atas nilai-nilai yang mungkin dari karakteristik.

Cukup sering kepadatan populasi sebenarnya mungkin tidak diketahui. Salah satu

kemungkinan dalam kasus ini adalah mempertimbangkan fungsi kepadatan keluarga yang

diindeks oleh parameter yang tidak diketahui sebagai model yang memungkinkan dan

kemudian berkonsentrasi pada pemilihan nilai untuk parameter. Penekanan utama dalam

statistik adalah untuk mengembangkan perkiraan parameter yang tidak diketahui berdasarkan

data sampel. Dalam beberapa kasus, parameter dapat mewakili kuantitas yang bermakna

secara fisik, seperti rata-rata atau nilai rata-rata populasi. Dengan demikian, penting untuk

mendefinisikan dan mempelajari berbagai properti variabel acak yang mungkin berguna

dalam mewakili dan menafsirkan populasi asli, serta berguna dalam memperkirakan atau

memilih model yang sesuai. Dalam beberapa kasus, properti khusus dari suatu model (seperti

properti tanpa memori dari distribusi eksponensial) mungkin cukup membantu dalam

menunjukkan jenis asumsi fisik yang akan menjadi consiíent dengan model itu, meskipun

implikasi dari suatu model biasanya kurang bersih. Dalam kasus seperti itu, lebih banyak

ketergantungan harus ditempatkan pada ukuran deskriptif dasar seperti mean dan varians dari

suatu distribusi. Dalam bab ini, langkah-langkah deskriptif tambahan dan properti lebih lanjut

dari variabel acak akan dikembangkan.

 SIFAT EKSPEKTASI

Sebagaimana dicatat dalam Bab 2, seringkali perlu mempertimbangkan Ekspektasi

dari beberapa fungsi dari satu atau lebih variabel acak. Sebagai contoh, sebuah penelitian

mungkin melibatkan vektor variabel acak, 𝑋 = ( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 ) dan kami ingin

mengetahui nilai yang diharapkan dari beberapa fungsi 𝑋 , katakanlah 𝑌 = 𝑢 (𝑋). Kita

bisa menggunakannya notasi standar 𝐸 (𝑌), atau kemungkinan lain adalah 𝐸 [𝑢 (𝑋)], atau

𝐸𝑥 [𝑢 (𝑋)], di mana subscript menekankan bahwa jumlah atau integral yang digunakan

untuk mengevaluasi Ekspektasi ini diambil relatif terhadap pdf bersama X. Teorema

berikut menegaskan bahwa kedua pendekatan menghasilkan hasil yang sama.

Teorema 5.2.1

Jika 𝑋 = ( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 ) memiliki pdf 𝑓 (𝑥1 , 𝑥2 , . . . , 𝑥𝑘 ), dan jika

𝑌 = 𝑢( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 ) adalah sebuah fungsi X, lalu

𝐸 (𝑌) = 𝐸𝑥 [𝑢 ( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 )], dimana

jika X diskrit,

𝐸𝑥 [𝑢 ( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 )] = ∑𝑥1 … ∑𝑥𝑘 𝑢(𝑥1 , 𝑥2 , . . . , 𝑥𝑘 ) 𝑓 (𝑥1 , 𝑥2 , . . . , 𝑥𝑘 ) (5.2.1

jika X kontiniu
∞ ∞
𝐸𝑥 [𝑢 ( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 )] = ∫ … ∫ 𝑢(𝑥1 , 𝑥2 , . . . , 𝑥𝑘 ) 𝑓 (𝑥1 , 𝑥2 , . . . , 𝑥𝑘 )𝑑𝑥1 … 𝑑𝑥𝑘
−∞ −∞

(5,2,2)

Buktinya akan dihilangkan di sini, tetapi metode pembuktian akan dibahas di hab 6.
Kami menggunakan hasil teorema untuk memperoleh beberapa properti tambahan Ekspektasi.
Teorema 5.2.2

Jika 𝑋1 𝑑𝑎𝑛 𝑋2 adalah variabel acak dengan bersama pdf 𝑓(𝑥1 , 𝑥2 ), maka

𝐸 ( 𝑋1 + 𝑋2 ) = 𝐸 ( 𝑋1 ) + 𝐸 ( 𝑋2 ) (5.2.3)

Bukti

Perhatikan bahwa nilai yang diharapkan pada sisi kiri persamaan (5.2.3) relatif
terhadap sama pdf dari X = ( 𝑋1 , 𝑋2), sedangkan istilah di sisi kanan bisa relatif
terhadap gabungan atau pdf marjinal. Jadi, pernyataan persamaan yang lebih tepat (5 2
3)

𝐸𝑥 ( 𝑋1 + 𝑋2 ) = 𝐸𝑥 ( 𝑋1 ) + 𝐸𝑥 ( 𝑋2 )

= 𝐸𝑥1 ( 𝑋1 ) + 𝐸𝑥2 ( 𝑋2 )

Kami akan menunjukkan ini untuk kasus berkelanjutan

𝐸 ( 𝑋1 + 𝑋2 ) = 𝐸𝑥 ( 𝑋1 + 𝑋2 )
∞ ∞
= ∫ ∫ (𝑥1 + 𝑥2 ) 𝑓 (𝑥1 , 𝑥2 )𝑑𝑥1 𝑑𝑥2
−∞ −∞
∞ ∞ ∞ ∞
= ∫ ∫ 𝑥1 𝑓 (𝑥1 , 𝑥2 )𝑑𝑥1 𝑑𝑥2 + ∫ ∫ 𝑥2 𝑓 (𝑥1 , 𝑥2 )𝑑𝑥1 𝑑𝑥2
−∞ −∞ −∞ −∞
∞ ∞ ∞ ∞
= ∫ 𝑥1 ∫ 𝑓 (𝑥1 , 𝑥2 )𝑑𝑥2 𝑑𝑥1 + ∫ 𝑥2 ∫ 𝑓 (𝑥1 , 𝑥2 )𝑑𝑥1 𝑑𝑥2
−∞ −∞ −∞ −∞
∞ ∞
= ∫ 𝑥1 𝑓𝑥1 (𝑥1 ) 𝑑𝑥1 + ∫ 𝑥2 𝑓𝑥2 (𝑥2 ) 𝑑𝑥2
−∞ −∞
= 𝐸𝑥1 ( 𝑋1 ) + 𝐸𝑥2 ( 𝑋2 )
= 𝐸 ( 𝑋1 + 𝑋2 )

Kasus diskrit serupa.

Dimungkinkan untuk menggabungkan teorema sebelumnya untuk menunjukkan bahwa
jika 𝑎1 , 𝑎2 , . . , 𝑎𝑘 , adalah konstanta dan 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 adalah variabel acak
terdistribusi secara bersama-sama, maka
 𝑘 𝑘

E (∑ 𝑎𝑖 𝑋𝑖 ) = ∑ 𝑎𝑖 E(𝑋𝑖 )
𝑖=1 𝑖=1
5.2.4
Fungsi lain yang biasa ditemui dari variabel acak adalah produk.

Teorema 5,2,3

Jika X dan Y adalah variabel acak independen dan 𝑔 (𝑥) dan ℎ (𝑦) adalah fungsi,

kemudian
𝐸 [𝑔 (𝑋) ℎ (𝑌)] = 𝐸 [𝑔 (𝑋)] 𝐸 [ℎ (𝑌)] (5.2.5)

Bukti

Dalam kasus kontiniu

∞ ∞
𝐸 [𝑔 (𝑋) ℎ (𝑌)] = ∫ ∫ 𝑔 (𝑥)ℎ (𝑦)𝑓 (𝑥, 𝑦) 𝑑𝑥 𝑑𝑦
−∞ −∞
∞ ∞
= ∫ ∫ 𝑔 (𝑥)ℎ (𝑦) 𝑓1 (𝑥) 𝑓2 (𝑦) 𝑑𝑥 𝑑𝑦
−∞ −∞
∞ ∞
= [∫ 𝑔 (𝑥) 𝑓1 (𝑥) 𝑑𝑥] [∫ ℎ (𝑦) 𝑓2 (𝑦) 𝑑𝑦]
−∞ −∞
= 𝐸 [𝑔 (𝑋)] 𝐸 [ℎ (𝑌)]

Adalah mungkin untuk mengeneralisasikan teorema ini ke lebih dari dua variable, lebih
tepatnya, jika 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐾 , adalah variabel acak independen, dan
𝑢1 (𝑥1 ), . . . , 𝑢𝑘 (𝑥𝑘 ) fungsi, lalu
𝐸 [𝑢1 (𝑋1 ) … 𝑢𝑘 (𝑋𝑘 )] = 𝐸 [𝑢1 (𝑋1 )] … 𝐸 [ 𝑢𝑘 (𝑋𝑘 )]
5.26

Nilai harapan tertentu memberikan informasi tentang hubungan antara dua variable

Definisi 5.2.1

Kovariansi dari sepasang variabel acak X dan Y adalah didefenisikan oleh

𝐶𝑜𝑣 (𝑋, 𝑌) = 𝐸 [(𝑋 − 𝜇𝑋 ) (𝑌 − 𝜇𝑌 )] (5.2.7)

Notasi umum lainnya untuk kovarian adalah 𝜎𝑋𝑌

 Beberapa properti yang berguna dalam menangani kovarian diberikan dalam mengikuti
teorema .

Teorema 5.2.4
Jika 𝑋 𝑑𝑎𝑛 𝑌 adalah variabel acak dan a dan b adalah konstanta, lalu
𝐶𝑜𝑣 (𝑎𝑋, 𝑏𝑌) = 𝑎𝑏 𝐶𝑜𝑣 (𝑋, 𝑌)
(5.2.8)
𝐶𝑜𝑣 (𝑋 + 𝑎, 𝑌 + 𝑏) = 𝐶𝑜𝑣 (𝑋, 𝑌)
(5.2.9)
𝐶𝑜𝑣 (𝑋, 𝑎𝑋 + 𝑏) = 𝑎 𝑉𝑎𝑟 (𝑋) (5.2.10)

X, Y variabel acak, dan a, b, konstanta:

• Temukan 𝒄𝒐𝒗 (𝒂𝑿, 𝒃𝒀)
𝑐𝑜𝑣 (𝑎𝑋, 𝑏𝑌) = 𝐸 (𝑎𝑋 − µ 𝑎𝑋 ) (𝑏𝑌 − µ 𝑏𝑌 )
= 𝐸 (𝑎𝑋 − 𝑎µ 𝑋 ) (𝑏𝑌 − 𝑏µ 𝑌 )
Oleh karena itu, 𝑐𝑜𝑣 (𝑎𝑋, 𝑏𝑌) = 𝑎𝑏𝐸 (𝑋 − µ 𝑋 )(𝑌 − µ 𝑌 )
= 𝒂𝒃 𝒄𝒐𝒗 (𝑿, 𝒀)

Teorema 5.2.5
Jika 𝑋 𝑑𝑎𝑛 𝑌 adalah variabel acak, maka

𝐶𝑜𝑣 (𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋) 𝐸 (𝑌) (5.2.11)

dan 𝐶𝑜𝑣 (𝑋, 𝑌) = 𝑂 setiap kali X dan Y bersifat independen

Teorema 52.2 berurusan dengan nilai yang diharapkan dari jumlah dua variabel acak.
Teorema berikut berkaitan dengan varians dari penjumlahan.

Pembuktian :
Biarkan variabel acak X, Y dengan berarti µ X , µ Y masing-masing. Kovarian,
dilambangkan dengan cov (X, Y), ukuran hubungan antara X dan Y.
 Definisi:
𝑐𝑜𝑣 (𝑋, 𝑌) = 𝐸 (𝑋 − µ 𝑋 ) (𝑌 − µ 𝑌 )
Ini dapat disederhanakan sebagai berikut:
𝑐𝑜𝑣 (𝑋, 𝑌) = 𝐸 (𝑋 − µ 𝑋 ) (𝑌 − µ 𝑌 ) = 𝐸 (𝑋𝑌) − µ 𝑌 𝐸 (𝑋) − µ 𝑋 𝐸 (𝑌) + µ 𝑋 µ 𝑌
Karena itu,
𝑐𝑜𝑣 (𝑋, 𝑌) = 𝐸 (𝑋𝑌) − (𝐸𝑋) (𝐸𝑌)

Catatan: Jika X, Y independen maka 𝐸 (𝑋𝑌) = (𝐸𝑋) 𝐸 (𝑌) Oleh karena itu
𝑐𝑜𝑣 (𝑋, 𝑌) = 0.
CONTOH:
Berikut ini diberikan sebuah tabel yang menggambarkan distribusi peluang gabungan X
dan Y.

3x, 0  y  x  1
f x, y   
0, selainnya

Jawab:
Cov( X , Y ) ?
E XY , E X , EY 
1 x
E  XY     xy 3x dydx
a.
0 0
1
x 
  3x 2   ydy dx
0 0 
1 1
3
  3x 2 12 x 2 dx   32 x 4 dx 
0 0
10

b. E  X ?
1
E  X    xf x x dx
0

yx

f X x    f x, y dy
y 0

 
x
  3xdy  3x y 0
x

0
 f X x   3x 2 , untuk 0  x  1

 
1 1
E  X    x 3x 2 dx   3x 3dx
0 0

EX  
3
4

c. E Y ?
1
E Y    yf y  y dy
0
x 1
fY  y    f x, y dx
x y
1
  3 xdx  32 x 2
1

y
y

 
fY  y   32 1  y 2 , untuk 0  y  1

 1  y dy   y1  y dy

1 1
E Y    y 3
2
2 3
2
2

0 0

E Y  
3
8
Jadi :

E  XY   103 , E  X   34 , E Y   83

Cov( X , Y )  E XY   E X EY 

Cov( X , Y )  103  34 83  160

3

Teorema 5.2.6

Jika X1 dan X2 adalah variabel acak dengan pdf f (x1, x2), maka untuk :

Var(X1 + X2) = Var(X1) + Var(X2) + 2 Cov(X1,X 2) (5.2.12)

dan

Var(X1 + X2) = Var(X1) + Var(X2) (5.2.13)

Dengan syarat

jika X1 dan X2 tersebut saling bebas .

Bukti

Untuk memudahkan, kita tunjukkan nilai yang diharapkan dari X1 dan X2 untuk μi= E (Xi );

i = 1,2.

Var(X1 + X2) = E[(X1 + X2) - (μ1 + μ2)]2

= E[(X1 - μ1) + (X2 - μ2)]2

= E[(X1 - μ1)2] + E[(X2 - μ2)]2+ 2E[(X1 - μ1)(X2 – μ2)]

= Var(X1) + Var(X2) + 2 Cov(X1, X2)

Dan menetapkan persamaan (5.2.12). Persamaan (5.2.13) yang mengikuti dari Teorema 5.2.5.

Ini juga dapat ditunjukkan bahwa jika X1, ..., Xk adalah variabel acak a1,. ., ak adalah konstanta,
maka :

Var(∑𝑘𝑖=1 𝑎iXi) =∑𝑘𝑖=1 𝑎i2Var (Xi ) + 2 ∑ ∑𝑖<𝑗 𝑎𝑖 𝑎𝑗 Cov (Xi,Xj) (5.2.14)

dan jika X1, ..., Xk adalah bebas, maka:

Var(∑𝑘𝑖=1 𝑎iXi) =∑𝑘𝑖=1 𝑎i2Var (Xi ) (5.2.14)

Contoh 5.2.2
Pendekatan dari contoh sebelumnya juga dapat digunakan jika Y ~ HYP (n, M, N), tetapi
penurunan tersebut lebih sulit karena harus ditunjukkan bahwa samplingnya saling bebas
bersyarat yang dilakukan tanpa penggantian .
Misalnya, anggaplah bahwa satu himpunan komponen N berisi M yang tidak lengkap, dan n
komponen diambil secara acak tanpa penggantian. Jika Xi. mewakili jumlah komponen yang
rusak (baik 0 atau 1) diperoleh pada engan engan, maka X1, X2, ..., X tergantung variabel
Bernoulli.
Asumsikan pasangan (X1, X2). Tidak sulit untuk melihat distribusi marjinal dari variabel pertama
adalah X1 ~ BIN (l, Pi) di mana p1 = M / N, dan tergantung pada X1 = x1, X2 ~BIN(1, P2), di
mana P2 = (M - x1)/(N - 1).
Dengan demikian, pdf bersama (X1, X2) adalah
f(x1, x2) = 𝒑𝒙𝟏 𝟏−𝒙𝟏
𝟏 𝒒𝟏 𝒑𝒙𝟐 𝟏−𝒙𝟐
𝟐 𝒒𝟐 untuk xi = 0, 1 (5.2.16)
dari situ kita dapat memperoleh kovarian,

𝑀 𝑀 1
Cov(X1, X2 ) = - 𝑁 (1 − 𝑁 ) (5.2.17)
𝑁−1

Sebenarnya, dapat ditunjukkan bahwa untuk setiap pasangan (Xi, Xj) dimana i≠ j,

Cov(Xi,, Xj) diberikan oleh persamaan (5.2.17), dan untuk setiap i,berlaku:

𝑀
E(Xi) = 𝑁 (5.2.18)

dan

𝑀 𝑀
Var(Xi) = 𝑁 (1 − 𝑁 ) (5.2.19)

Ini mengikuti dari persamaan (5.2.4) dan (5.2.14) , maka

𝑀
E(Y) = n 𝑁 (5.2.20)

𝑀 𝑀 𝑁−𝑛
Var(Y) = n (1 − 𝑁 ) ( 𝑁−1) (5.2.21)
𝑁

Dalam kasus persamaan (5.2.21), ada n syarat bentuk (5.2.19) dan n (n - 1) dari bentuk (5.2.17),
dan hasilnya mengikuti setelah penyederhanaan.

Perhatikan bahwa mean dan varians dari distribusi hipergeometrik telah bentuk mirip dengan
mean dan varians dari binomial, dengan p digantikan oleh M / N, kecuali untuk faktor terakhir
dalam varians, (N - n) / (N - 1), yang disebut sebagai istilah pengganda yang terbatas. Karena
variabel acak hypergeometric, Y, mewakili jumlah cacat yang diperoleh saat sampling dari
populasi yang terbatas tanpa penggantian, jelas bahwa Var (Y) harus mendekati nol sebagai
pendekatan n

N Artinya, Y = M ketika n = N, dengan nol varians, sedangkan efek ini tidak terjadi untuk kasus
binomial, yang berhubungan dengan pengambilan sampel dengan penggantian.

PENDEKATAN NILAI MEAN DAN VARIANS

Bab 2 membahas metode untuk mendekati mean dan varians dari a fungsi dari variabel acak X.
Hasil serupa dapat dikembangkan untuk suatu fungsi lebih dari satu variabel Misalnya,
pertimbangkan sepasang variabel acak (X, Y) dengan sarana μ1 dan μ2, varians σ12 and σ22 , and
 kovarians σ12 lebih lanjut misalkan fungsi H (xy) memiliki turunan parsial dalam persegi panjang
terbuka mengandung (μ1, μ2) Menggunakan pendekatan Taylor, kami memperoleh yang berikut
ini rumus perkiraan untuk mean dan varians dari H (X, Y)

𝜕2 𝐻 𝜕2 𝐻
E[H (X,Y )] = H(μ1, μ2) + 𝜎2 + 𝜎22
𝜕𝑥 2 1 𝜕𝑦 2

𝛿𝐻 2 𝛿𝐻 2 𝛿𝐻 𝛿𝐻
Var [H(X,Y)] = ( 𝛿𝑥 ) 𝜎12 + ( 𝛿𝑦 ) 𝜎22 + 2 ( 𝛿𝑥 ) ( 𝛿𝑦 ) σ12

di mana derivatif parsial dievaluasi pada koefisien (μ1, μ2)

5.3 KORELASI

Definisi 5.3.1

Jika X dan Y adalah variabel acak dengan varians 𝜎𝑥2 and 𝜎𝛾2 dan kovarian 𝜎𝑋𝑌 = Cov(X, Y),
kemudian koefisien korelasidari X and Y adalah
𝜎
ρ = 𝜎 𝑋𝑌 (5.3.1)
𝜎
𝑋 𝑌

maka Variabel acak X dan Y dikatakan tidak berkorelasi jika ρ = 0; jika tidak

mereka dikatakan berkorelasi.

Notasi subskrip, Pxy, juga terkadang digunakan. Teorema berikut memberikan beberapa sifat
penting dari koefisien korelasi.

Contoh:

Misalnya Fungsi peluang gabungan dari X dan Y berbentuk :

1
P (x,y) = (21) (x+y) ; x = 1,2,3, dan y =1,2

Hitung koefisien korelasi ρ dengan cara perumusan ekspektasi

Jawab :
a. Perumusan ekspektasi

E(XY) − E(X)E(Y)
ρ=
√E (𝑋 2 )– (E (𝑋)2 ). E (𝑌 2 ) – (E (𝑌)2 )

kita akan menghitung besaran-besaranyang terdapat dalam perumusan diatas .

i. E(XY) =∑𝑥 ∑𝑦 𝑥𝑦 . 𝑝(𝑥, 𝑦)
𝑥+𝑦
= ∑3𝑥=1 ∑2𝑦=1(𝑥𝑦) ( )
21
1
= (21) {(1)(2) + (2)(3) + (2)(3) + (4)(4) + (3)(4) + (6)(5)}
1
= (21) {2 + 6 + 6 + 16 + 12 + 30}
72
E(XY) = 21

ii. E(X) = ∑𝑥 𝑥 . 𝑝1 (𝑥)

= ∑𝑥 𝑥 (∑𝑦 𝑝(𝑥, 𝑦))
𝑥+𝑦
=∑3𝑥=1 𝑥 (∑2𝑦=1 21
)
1
= 21 ∑3𝑥=1 𝑥 (2𝑥 + 3)
1
= (21) {(1)(5) + (2)(7) + (3)(9)}
1
= (21) {5 + 14 + 27}

72
E(X) = 21

iii. E(X2) = ∑𝑥 𝑥 2 𝑝1 (𝑥)

𝟏
Dari hasil penyelesaian E(X) diperoleh p1 (x) = (𝟐𝟏) (2x+3) ; x = 1,2,3

2𝑥+3
E(X2) = ∑3𝑥=1 𝑥 2 ( )
21

1
= (21) {(1)(5) + (4)(7) + (9)(9)}
1
= (21) {(5) + 28 + 81}
114
E(X2) = 21

iv. E(Y) = ∑𝑦 𝑦 . 𝑝2 (𝑦)

= ∑𝑦 𝑦 (∑𝑥 𝑝(𝑥, 𝑦))
𝑥+𝑦
=∑2𝑦=1 𝑥 (∑3𝑥=1 )
21
1
= 21 ∑2𝑦=1 𝑦 (6 + 3𝑦)
1
= (21) {(1)(9) + (2)(12)}
1
= (21) {9 + 24}
 33
E(Y) = 21

v. E(Y2) = ∑𝑦 𝑦 2 𝑝2 (𝑦)
𝟏
Dari hasil penyelesaian E(Y) diperoleh p2 (y) = (𝟐𝟏) (6+3y) ; x = 1,2
6+3𝑦
E(Y2) = ∑2𝑦=1 𝑦 2 ( )
21

1
= (21) {(1)(9) + (4)(12)}
1
= (21) {9 + 48}
57
E(Y2) =
21

Jadi koefisien korelasinya adalah:

72 46 33
−( )( )
21 21 21
ρ= = - 0,0370
114 46 2 57 33 2
√{ – ( ) }. { – ( ) }.
21 21 21 21

Teorema 5.3.1

jika ρ adalah koefisien korelasi dari X and Y, maka

-1 ≤ ρ ≤1 (5.3.2)

dan

ρ = ±1 if dan hanya jika Y = aX + b dengan kemungkinan 1 untuk beberapa a ≠ 0 dan b

(5.3.3)

Bukti

Untuk kenyamanan kita akan menggunakan notasi yang disederhanakan

μ1= μx, μ2 = μγ ,

σ1 = σx , σ2 = σγ and σ12 = σxy

Untuk menunjukkan persamaan (5.3.2), lihat

 𝑌 𝑋
W=𝜎 –ρ𝜎
2 1

kemudian

1 2 𝑝 2 𝜎
Var (W) = (𝜎 ) 𝜎22 + (𝜎 ) 𝜎12 – 2p 𝜎 12
2 1 𝜎 1 2

= 1 + p2 – 2p2

= 1- p2 ≥ 0

karena Var(W) ≥ 0.

Untuk menunjukkan (5.3.3), perhatikan bahwa ρ = ± 1 menyiratkan Var(W) = 0, dengan teorema

2.4.7 tunjukkan bahwa P[W = μ w] = 1 , kemudian dengan kemungkinan peluang 1,

Y/σ2 - X ρ / σ1 = μ 2/ σ1 - μ 1 ρ / σ1,

Atau

Y = aX + b dimana a = ρ σ2 / σ1 and b = μ 2- μ 1 ρ σ2 / σ1.

Disisi lain jika Y = aX + b, maka dengan Teorema 2.4.3 and 5.2.4, didapat:

𝜎22 = a2 𝜎12 and σ12 = 𝑎 𝜎12 , dengan kasus 𝛒 = 𝑎/|𝑎|, yang seperti itu 𝛒 = 1 jika 𝑎 > 0 dan 𝛒 =
-1 jika 𝑎 < 0 .

EKSPEKTASI BERSYARAT

Definisi 5.4.1
Jika X dan Y adalah variabel acak yang terdistribusi sama, maka nilai peluang fungsi bersyarat
dari Y diberikan X = x dirrumuskan sebagai berikut
E(Y|x) = ∑y y𝑓(y|x) jika X dan Y adalah diskrit
∞
E(Y|x) = ∫−∞ y𝑓(y|x) dy jika X dan Y adalah kontinu
Notasi umum lainnya untuk ekspektasi bersyarat adalah EY|x (Y) dan E(Y|X = x).
Contoh 5.4.2
Misal fungsi ekspektasi bersyarat dari Y diberikan X = x adalah
 2 x
𝑓(y|x) = x 0<y<2

Ekspektasi bersyarat adalah

x
2
E(Y|x) = ∫02 y (x) dy
2 2 2
( )( )
x x
= 2
x
=4

Jika kita mencoba “prediksi” nilai vertikal (X, Y), maka E(Y|x) seharusnya lebih baik daripada
ekspektasi marjinal, E(Y), karena menggunakan formasi koordinat horizontal. Tentu saja, ini
mengasumsikan bahwa formasi semacam itu tersedia.
Perhatikan bahwa ekspektasi bersyarat yang diberikan X = x adalah fungsi dari x, katakan
u(x) = E(Y|x). Teorema berikut mengatakan bahwa, secara umum, variabel acak u(X) = E(Y|X)
memiliki ekspektasi marginal dari Y, E(Y).
Teorema 5.4.1
Jika X dan Y adalah variabel acak yang terdistribusi sama, maka
E[E(Y|X)] = E(Y)
Bukti
Pertimbangkan kasus kontinu
∞
E[E(Y|X)] = ∫−∞ E(Y|x) 𝑓1 (x)dx
∞ ∞
= ∫−∞ ∫−∞ y𝑓(y|x) 𝑓1 (x)dy dx
∞ ∞
= ∫−∞ y ∫−∞ 𝑓(y, x)dx dy
∞
= ∫−∞ y 𝑓2 (y)dy
= E(Y)
Dalam contoh sebelumnya, anggaplah kita ingin mengetahui ekspektasi marginal E(Y). Satu
kemungkinan adalah menggunakan teorema sebelumnya, dengan
x x
E(Y|x) = 4 dan 𝑓1 (x) = 2 untuk 0 < x < 2

Penyelesaian :
2 x x 1
E(Y) = E[E(Y|X)] = ∫0 (4) (2) dx = 3

Teorema 5.4.2
Jika X dan Y adalah variabel acak yang saling bebas, maka E(Y|x) = E(Y) dan E(X|y) = E(X).
Bukti
Jika X dan Y adalah saling bebas, maka 𝑓(x, y) = 𝑓1 (x)f2 (y), jadi 𝑓(x|y) dan 𝑓(x|y) = 𝑓1 (x).
Dalam kasus kontinu :
∞
E(Y|x) = ∫−∞ y(y|x) dy
∞
= ∫−∞ y 𝑓2 (y) dy
= E(Y)
Serupa dengan kasus diskrit.

E(Y|x) = ∑ 𝑓(y|x)
y

𝑓(x, y)
= ∑y .
𝑓1 (𝑥)
y

𝑓1 (𝑥). 𝑓2 (𝑦)
= ∑y .
𝑓1 (𝑥)
y

= ∑ y . 𝑓2 (𝑦)
y

E(Y|x) = E(Y)
Latihan :

2 (1 − 𝑥), 0 < 𝑥 < 1

1. Misalkan X memiliki fkp 𝑓 (𝑥) = 𝑓(𝑥) = {
0, 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Hitung :
(a) 𝐸 [𝑋],
(b) 𝐸 [𝑋 2 ], dan
(c) 𝐸 [(6𝑋 – 3𝑋 2 ]

2. Dari dalam kotak yang terdiri atas 5 bola merah dan 3 bola putih diambil 2 bola secara acak.
Untuk setiap terambil bola merah diberi hadiah 1.000 rupiah dan setiap terambil bola putih
diberi hadiah 2.000 rupiah. Hitung ekspektasi besar hadiah yang diperoleh !
3. Diketahui fungsi peluang gabungan berikut,
1
P (x,y) = (30) (x+y) ; x = 0,1,2,3, dan y = 0,1,2

Untuk mencari koefisien korelasi Hitunglah:

a. E(XY)
b. EX) dan E(X2)
c. E(Y) dan E(Y2 )
d. Tentukan niloi koefisien korelasi dari ρ
4. Misal fungsi densitas bersyarat dari X diberikan Y = y adalah
3
f(x|y) = 5 x 2 , 1<x<2

Hitung E(3X 2 |y)

1
5. Diberikan X dan Y adalah variabel acak diskrit dengan fungsi peluang (x, y) = (30) x + y,

jika x = 0,1,2,3 dan y = 0,1,2,3

Tentukan E(X|y)
 JAWAB

𝟐 (𝟏 − 𝒙), 𝟎 < 𝒙 < 𝟏

1. Misalkan X memiliki fkp 𝒇 (𝒙) = 𝒇(𝒙) = {
𝟎, 𝒙 𝒍𝒂𝒊𝒏𝒏𝒚𝒂
Hitung (a) 𝑬 [𝑿],
(b) 𝑬 [𝑿𝟐 ], dan (c) 𝑬 [(𝟔𝑿 – 𝟑𝑿𝟐 ]

Penyelesaian
Jelas, X peubah acak kontinu
(a). Dalam hal ini 𝒖 (𝒙) = 𝑿, maka ;
∞ 0 1 ∞
1 1 1 1
𝐸 [𝑋] = ∫ 𝑥 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 2(1 − 𝑥)𝑑𝑥 + ∫ 𝑥 𝑑𝑥 = 2 [ 𝑥 2 𝑥 3 ] =
−𝑥 −𝑥 0 1 2 3 0 3

(b). Dalam hal ini 𝒖 (𝒙) = 𝑿𝟐 , maka ;

∞ 1
1 1 1 1
𝐸 [𝑋] = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 = 2 ∫ (𝑥 2 − 𝑥 3 )𝑑𝑥 = 2 [ 𝑥 2 − 𝑥 3 ] =
−𝑥 0 3 3 0 6

(c). Dalam hal ini 𝒖 (𝒙) = 𝟔𝑿 + 𝟑𝑿𝟐 , maka ;

∞ 1
3 4 1
𝐸 [𝑋] = ∫ 6𝑋 + 3𝑋 𝑓(𝑥) 𝑑𝑥 = 2 ∫ (6𝑋 + 3𝑋 2 )𝑑𝑥 = 2 [3𝑥 2 − 𝑥 3 −
2
𝑥 ]
−𝑥 0 4 0
5
=
2

2. Dari dalam kotak yang terdiri atas 5 bola merah dan 3 bola putih diambil 2 bola secara
acak. Untuk setiap terambil bola merah diberi hadiah 1.000 rupiah dan setiap terambil
bola putih diberi hadiah 2.000 rupiah. Hitung ekspektasi besar hadiah yang diperoleh !
Penyelesaian :
Harus ditentukan dulu ruang sampel S, peubah acak X, dan distribusinya, dalam hal ini
𝑆 = {𝑚1, 𝑚2, . . . . 𝑚4, 𝑚5, 𝑚1, 𝑝1, . . . . , 𝑚5, 𝑝3, 𝑝1, 𝑝2, 𝑝1, 𝑝3, 𝑝2, 𝑝3}, 𝑑𝑒𝑛𝑔𝑎𝑛 𝑁 (𝑆)
5+3
=( ) = 28
2
dan peubah acak X. S R, dengan X ≡ “besar hadiah” sehingga 𝑆𝑥 {2000, 3000, 4000}
 Perhatikan diagram pada gambar

Berdasarkan gambar diperoleh fkp dari X, yakni :

10
, 𝑥 = 2000
28
15
, 𝑥 = 3000
𝐹 (𝑥) = 𝑃(𝑋 = 𝑥) = 𝑓(𝑥) = 28
3
, 𝑥 = 4000
28
{ 0, 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Sehingga 𝐸 [𝑋] = Ekspektasi besar hadiah

∑ 𝑥𝑓 (𝑥) = ∑ 𝑥, 𝑃(𝑋 = 𝑥)
𝑥 𝑥 𝜖𝑆𝑥

10 15 3
= 2000. + 3000 . + 4000 .
28 28 28
= 2750
Jadi besar hadiah yang diharapkan dari X dan Y, adalah 2750 rupiah
3. a. E(XY) =∑𝑥 ∑𝑦 𝑥𝑦 . 𝑝(𝑥, 𝑦)
𝑥+𝑦
=∑3𝑥=0 ∑2𝑦=0(𝑥𝑦) ( 30
)
1
= (30) {0 + 0 + 0 + 0 + (1)(2) + (2)(3) + 0 + (2)(3) + (4)(4) + 0 +
(3)(4) + (6)(5)}
1
= (30) {0 + 0 + 0 + 0 + 2 + 6 + 0 + 6 + 16 + 0 + 12 + 30}
72
E(XY) =
30

b. E(X) = ∑𝑥 𝑥 . 𝑝1 (𝑥)
= ∑𝑥 𝑥 (∑𝑦 𝑝(𝑥, 𝑦))
𝑥+𝑦
=∑3𝑥=0 𝑥 (∑2𝑦=0 )
30
1
= ∑3 𝑥 (3𝑥 + 3)
30 𝑥=0
1
= (30) {(0)(3) + (1)(6) + (2)(9) + (3)(12)}
1
= ( ) {0 + 6 + 18 + 36}
30

60
E(X) = =2
30

c. E(X2) = ∑𝑥 𝑥 2 𝑝1 (𝑥)
𝟏
Dari hasil penyelesaian E(X) diperoleh p1 (x) = (𝟑𝟎) (3x+3) ; x = 0,1,2,3
3𝑥+3
E(X2) =∑3𝑥=0 𝑥 2 ( 30
)

1
= (30) {(0)(3) + (1)(6) + (4)(9) + (9)(12)}
1
= (30) {0 + 6 + 36 + 108}
150
E(X2) = 30

d. E(Y) = ∑𝑦 𝑦 . 𝑝2 (𝑦)

= ∑𝑦 𝑦 (∑𝑥 𝑝(𝑥, 𝑦))

𝑥+𝑦
=∑2𝑦=0 𝑥 (∑3𝑥=0( 30
)
1
= 30 ∑2𝑦=0 𝑦 (6 + 4𝑦)
1
= (30) {(0)(6) + (1)(10) + (2)(14)}
1
= ( ) {0 + 10 + 28}
30
 38
E(Y) = 30

E(Y2) = ∑𝑦 𝑦 2 𝑝2 (𝑦)
𝟏
Dari hasil penyelesaian E(Y) diperoleh p2 (y) = (𝟑𝟎) (6+4y) ; x = 0,1,2

6+4𝑦
e. E(Y2) = ∑2𝑦=0 𝑦 2 ( 30
)

1
= (30) {(0)(0) + (1)(10) + (4)(14)}
1
= (30) {0 + 10 + 56}
66
E(Y2) = 30

f. Jadi koefisien korelasinya adalah:

E(XY) − E(X)E(Y)
ρ=
√E (𝑋 )– (E (𝑋)2 ). E (𝑌2 ) – (E (𝑌)2 )
2

72 60 38
30
−(30)(30)
ρ= = - 0,1728
150 60 2 66 38 2
√{
30
– (30) }. {30 – (30) }.

3
4. 𝑓(x|y) = 5 x 2 , 1<x<2
1
Jadi (x|y) = (3) x 2
2
E(5X 2 |y) = ∫ 5X 2 . 𝑓(x|y) dx
1
2 1
= ∫1 (5X 2 ). (3) x 2 dx
5
= 15 x 5 |2𝑥=1
31
E(3X 2 |y) = 3

5. E(X|y) = ∑x 𝑥. 𝑓′(y|x)
Mencari fungsi peluang marginal dari Y
𝑓2 (y) = ∑x 𝑓(x, y)
1
= ∑3𝑥=0 (30) (x + y)
1
= (30) {y + (1 + y) + (2 + y) + (3 + y)}
1
= (30) (6 + 4y), y = 0,1,2,3
Maka
𝑓(x, y)
𝑓 ′ (𝑥|𝑦) =
𝑓2 (y)
1
( )(x+y)
30
= 1
( )(6+4y)
30

(x+y)
= , x = 0,1,2,3 dan y = 0,1,2,3
(6+4y)

Sehingga
(x+y)
E(X|y) = ∑3𝑥=0 x . (6+4y)
1
= (6+4y) {(0)(𝑦) + (1)(1 + 𝑦) + (2)(2 + 𝑦) + (3)(3 + 𝑦)}
14+6y
= 6+4y
7+3y
= 3+2y