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
PENGANTAR
Penggunaan variabel acak dan distribusi probabilitasnya telah dibahas sebagai cara
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 beberapa fungsi dari satu atau lebih variabel acak. Sebagai contoh, sebuah penelitian
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
Teorema 5.2.1
jika X diskrit,
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 )
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 )
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
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
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)
Teorema 5.2.5
Jika 𝑋 𝑑𝑎𝑛 𝑌 adalah variabel acak, maka
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 , EY
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
yx
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
EX
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
0 0
E Y
3
8
Jadi :
E XY 103 , E X 34 , E Y 83
Cov( X , Y ) E XY E X EY
Teorema 5.2.6
Jika X1 dan X2 adalah variabel acak dengan pdf f (x1, x2), maka untuk :
dan
Dengan syarat
Untuk memudahkan, kita tunjukkan nilai yang diharapkan dari X1 dan X2 untuk μi= E (Xi );
i = 1,2.
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 :
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)
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.
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
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
Notasi subskrip, Pxy, juga terkadang digunakan. Teorema berikut memberikan beberapa sifat
penting dari koefisien korelasi.
Contoh:
E(XY) − E(X)E(Y)
ρ=
√E (𝑋 2 )– (E (𝑋)2 ). E (𝑌 2 ) – (E (𝑌)2 )
72
E(X) = 21
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
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
72 46 33
−( )( )
21 21 21
ρ= = - 0,0370
114 46 2 57 33 2
√{ – ( ) }. { – ( ) }.
21 21 21 21
Teorema 5.3.1
-1 ≤ ρ ≤1 (5.3.2)
dan
Bukti
μ1= μx, μ2 = μγ ,
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.
Y/σ2 - X ρ / σ1 = μ 2/ σ1 - μ 1 ρ / σ1,
Atau
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
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. 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
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
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
∑ 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)
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
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