KOVARIANSI

 Kovarian adalah ukuran dari seberapa

banyak dua set data yang berbeda-
beda.Kovarian menentukan sejauh mana
dua variabel yang berkaitan atau
bagaimana mereka bervariasi
bersama.Kovarian adalah rata-rata hasil
dari penyimpangan dari titik data masing-
masing mean
 Kovarian adalah ukuran korelasi antara
dua (atau lebih) variabel acak.
  Jika X dan Y perubah acak dengan distribusi probabilitas gabungan
f(x,y), maka kovariansi X dan Y adalah

a. untuk kasus X dan Y diskret

 = E [(X −  )(Y −  )]
XY X Y
=  (x −  X )(y −  Y ) f(x,y)
x y
b. untuk kasus X dan Y kontinu

 = E [(X −  )(Y −  )]
XY X Y
 
=
  (x −  X )(y −  Y )f(x,y)dxdy
− −
Kovariansi dua perubah acah X dan Y dengan rata-rata dan diberikan oleh
rumus:  = E(XY) −  x y
XY
Contoh 1:
Jika X dan Y suatu perubah acak dengan distribusi peluang
gabungan seperti tabel berikut:

Tabel 1. Distribusi Peluang Gabuangan X dan Y

X Jumlah
f(x,y) baris
0 1 2
3 9 3 15
0 28
28 28 28
3 3 6
Y 1 14 14
14
1 1
2 28 28

Jumlah 10 15 3 1
kolom 28 28 28

Hitung nilai harapan g(X,Y) = XY 3

Jawab:
[g(x,y)] = E[g(X,Y)]

= E(XY)
2 2
=   (xy) f(x,y)
x =0 y =0

= (0)(0)f (0,0) + (0)(1)f (0,1) + (0)(2)f (0, 2) + (1)(0)f (1,0)

+ (1)(1)f (1,1) + (2)(0)f (2,0)
= f (1,1)

= 3
14

4
Contoh 2 :
Jika perubah acak X dan Y diberikan seperti pada contoh 1 dengan
distribusi probabilitas gabungan pada tabel 1 maka carilah kovariansi dari
X dan Y

Jawab:
Dari contoh 1 diperoleh E( XY) = 14
3

Sekarang pada kasus ini diperoleh:

2 2 2
 x = E(X) =   x f(x,y) =  x g(x)
x =0 y =0 x =0
= (0)( 5 ) + (1)( 15 ) + ( 2)( 3 )
14 28 28
=3
4

5
dan
2 2 2
 y = E(Y) =   y f(x,y) =  y h(y)
x =0 y =0 y =0
= (0)( 15 ) + (1)( 3 ) + ( 2)( 1 )
28 7 28
=1
2
Sehingga diperoleh kovariansi dari X dan Y adalah:

 = E(XY) −  x  y
XY
= 3 − ( 3 )( 1 )
14 4 2
=− 9
56

6
Contoh 3 :
Jika perubah acak X dan Y dengan fungsi padat gabungan
diberikan sbb:  8xy; 0  x  1, 0  y  x
f(x,y) = 
0; untuk x,y yanglainya

maka carilah kovariansi dari X dan Y

Jawab:
Kemudian diperoleh hasil : g(x) = 4x3 ;0  x  1 dan

h(y) = 4y(1 − y 2 ) ; 0  y  1

Dan dapat dinyatakan sebagai:

4 x3 ; 0  x  1
g(x) = 
 0 ;x yanglain
dan 4y(1 − y 2 ) ; 0  y  1
h(y) = 
 0 ;x yanglain
7
Fungsi padat gabungan diatas, diperoleh:
1


 x = E(X) = 4x 4dx = 4
5
0
1
y = E(Y) =  4y 2 (1 − y 2 )dy = 8
15
0
Dan
11
E(XY) =
 8x 2 y 2dxdy = 4
9
0y

Jadi kovariansi dari X dan Y

 = E(XY) −  x  y = 4 − ( 4 )( 8 )
XY 9 5 15
= 4
225

8
 Ketaksamaan Markov &
Chebyshev
 Telah dikemukakan diatas bahwa variansi perubah acak akan memberikan
gambaran mengenai keragaman pengamatan di sekitar rata-rata. Bila
variansi dan simpangan baku dari perubah acak kecil maka dapat
diharapkan bahwa pengamatan akan mengelompok di sekitar nilai rata-
rata. Sehingga probabilitas perubah acak dalam selang tertentu di sekitar
rata-rata akan lebih besar dari perubah acak serupa, yang lebih besar
simpangan bakunya.
 Tetapi jika nilai  besar menyatakan keragaman yang lebih besar,
sehingga dapat diharapkan pengamatan akan lebih menyebar. Perhatikan

gambar dibawah ini.

9
 Distribusi Kontinyu

1.5
 = 0 ; 2 = 0.25
1.0
dnorm(x, 0, 0.25)

0.5

 = 0 ; 2 = 1
0.0

-4 -2 0 2 4

Gambar 1. Keragaman pengamatan di sekitar rata-rata

10
 0.25
 = −1; 2 = 1.5
0.20
dnorm(x, -1, 1.5)

0.15
0.10

 = 2 ;  2 = 1.5
0.05
0.00

-6 -4 -2 0 2 4 6 8

Gambar 2. Keragaman pengamatan dengan 1  2; 12 = 22

11
Ketaksamaan Markov dan Chebyshev
membantu kita dalam menentukan
rentang peluang (batas atas dan batas
bawah suatu peluang) jika distribusi
peluang ataupun fungsi distribusi tidak
diketahui, tapi melalui rata-rata dan
variansi dari variabel acak tersebut.

12
Teorema : Ketaksamaan CHEBYSHEV

Misalkan variabel acak X mempunyai

distribusi Peluang ( asumsikan hanya
diketahui varians  2
dan rata-rata  , )
maka  k>0

 2
P  X −   k  2
k
13
Bukti :
Karena ( X −  )  0,
2

maka dengan ketaksamaan Markov,

E( X )
P( X  k) 
k
E ( X −  ) 
2


P ( X − )  k
2 2
  
k 2


14
 (X − ) k ==== X −  k
2 2

Jadi
 2
P( X −   k)  2
k
Selanjutnya apabila k diganti dengan k,
maka :
P( X −   k )  2
1
k
15
Jadi, teorema Chebyshev mengatakan,
Misalkan X variabel acak dengan mean ,
variansi  . Untuk suatu konstanta c dan k,
2

pernyataan berikut ekivalen :

1. P ( X −   k  )  2
1 Batas atas
k
2. P ( X −   k )  1 − 2
1
Batas bawah
k
 2
3. P ( X −   c )  2
c 16
Contoh:

1. Jika X adalah variabel acak dengan

E ( X ) = 3, E ( X ) = 13, dengan menggunakan
2

ketaksamaan Chebyshev,
tentukan batas bawah untuk
P ( −2  X  8 )

17
Jawab
 = E( X ) = 3
 = E ( X ) −  E ( X )  = 13 − 3 = 4
2 2 2 2

 = 2
Dengan ketaksamaan Chebyshev,
1
P  X −   k   1 − 2
k
1
P  X −   2k   1 − 2
k
1
P  −2k  ( X − 3)  2k   1 − 2 18

k
 1
P  −2k  ( X − 3)  2k   1 − 2
k
1
P  −2k + 3  X  2k + 3  1 − 2
k
Batas untuk P ( −2  X  8 ) :
5 5
−2k + 3 = −2 → k = dan2k + 3 = 8 → k =
2 2
Maka batas bawahnya adalah:
1 4 21
1− 2 = 1− = = 0,84.
k 25 25 19