04

Fungsi-2 dari
Banyak Variabel Random
 Joint PMF
 Joint pmf dari dua variabel random X dan Y adalah pX,
Y(x, y) = P[(X = x) (Y = y)], di mana

 p
xi y j
X ,Y ( xi , y j )  1

 Joint cdf dari X dan Y adalah

FX ,Y ( x, y)  P( X  x)  (Y  y)   p X ,Y ( xi , y j )
Xi x Yj  y

 Konsep ini dapat diperluas untuk p buah variabel

random X1, X2, …, Xp yang menghasilkan suatu
multivariate distribution.

2
 Contoh 4.1
 Jumlah hari terjadinya angin berintensitas tinggi (> 60 km/jam) dinyatakan
dengan dua variabel random X dan Y, masing2 di mana kecepatan angin
diukur secara akurat (alat ukur 1) dan kurang akurat (alat ukur 2).

Y=0 Y=1 Y=2 Y=3 pX(x)

X=0 0,2910 0,0600 0,0000 0,0000 0,3510
X=1 0,0400 0,3580 0,0100 0,0000 0,4080
X=2 0,0100 0,0250 0,1135 0,0300 0,1785
X=3 0,0005 0,0015 0,0100 0,0505 0,0625

pY(y) 0,3415 0,4445 0,1335 0,0805 1,0000

 Ketelitian alat ukur 2 adalah 0,813.

3
 Conditional PMF
 Conditional pmf dari satu atau beberapa variabel
random diperoleh dengan menetapkan nilai dari satu
atau beberapa variabel random lainnya.
P[(X  x )  (Y  y j )]
pX|Y ( x , y j )  P( X  x|Y  y j ) 
P(Y  y j )
pX ,Y ( x , y j ) pX ,Y ( x , y j )
 
 pX ,Y (xi , y j ) pY ( y j )
X i

 Conditional pmf juga dapat diturunkan untuk Y ≤ y atau

Y ≥ y.

4
 Contoh 4.2
 Pada Contoh 4.1 untuk Y = 1 diperoleh
nilai2 pX, Y(x, 1) 0,0600; 0,3580; 0,0250 dan
0,0015.
 Jika nilai2 ini dibagi jumlah mereka, yaitu
0,4445, diperoleh conditional pmf dari X,
yaitu pX|Y(x, 1) yang x = 0, 1, 2, 3 masing2
adalah 0,1350; 0,8054; 0,0562 dan 0,0034.

5
 Contoh 4.3
 Dari Contoh 4.1 pada x = 0, 1, 2, 3 diperoleh masing2 0,0600; 0,3680; 0,1685
dan 0,0620 sebagai nilai dari
p
y j 1
X ,Y ( x, y j )

 Dengan menjumlahkan semua nilai ini diperoleh p

y j 1
Y ( y j )  0,6585

 Dengan membagi setiap nilai terdahulu dengan jumlah tersebut diperoleh

untuk conditional pmf dari X di mana Y ≥ 1
X 0 1 2 3

pX|Y(x, ≥ 1) 0,0911 0,5588 0,2559 0,0942 1,0000

 Jadi, jika berdasarkan alat ukur 2 paling sedikit terjadi angin kencang pada
satu hari dalam satu tahun, maka terdapat probabilitas sekitar 0,91 bahwa
memang terjadi angin kencang pada tahun tersebut.

6
 Marginal PMF
 Marginal pmf dari satu atau beberapa variabel random
diperoleh dengan mengabaikan nilai dari satu atau
beberapa variabel random lainnya.

p X ( x)  P( X  x)   P[( X  x) | (Y  y j )]P(Y  y j )
y j

  p X ,Y ( x, y j )
y j

 Sehingga,
FX ( x)   p
X i  x y j
X ,Y ( xi , y j )

7
 Contoh 4.4
 Pada Contoh 4.1 untuk X = 0 diperoleh
nilai2 pX, Y(0, y) adalah 0,2910; 0,0600;
0,0000 dan 0,0000.
 Menggunakan marginal pmf dari X
diperoleh
3
p X (0)   p X ,Y (0, y )  0,3510
y 0

8
Independent Discrete Variables
 Jika kedua event (X = x) dan (Y = y) adalah
statistically independent, maka pX|Y(x, y) =
pX(x) dan pY|X(y, x) = pY(y).

 Sehingga, pX, Y(x, y) = pX(x)pY(y).

9
 Joint PDF
 Joint pdf dari dua variabel random X dan Y adalah suatu fungsi
probabilitas fX, Y(x, y) dan

P( x1  X  x2 )  ( y1  Y  y2 )  
x2 y2

x1 
y1
f X ,Y ( x, y)dydx

 Joint cdf dari X dan Y adalah

FX ,Y ( x, y)  P(  X  x)  (  Y  y)  
x y

 
f X ,Y (u, v)dvdu

 Perhatikan bahwa
 2 FX ,Y ( x , y )
 f X ,Y ( x , y )
xy
 Konsep ini dapat diperluas untuk p buah variabel random X1, X2,
…, Xp yang menghasilkan suatu multivariate distribution.

10
 Contoh 4.5
 Dua variabel yang menggambarkan
kemunculan storm adalah durasinya (X) dan
intensitasnya (Y, yaitu curah hujan rata2 yang
menyertainya).
 Masing2 variabel itu memiliki cdf FX(x) = 1 – e–ax
dan FY(y) = 1 – e–by, di mana x, y ≥ 0; a, b > 0.
 Misalkan joint cdf dari kedua variabel tersebut
adalah FX, Y(x, y) = 1 – e–ax – e–by – e–ax–by–cxy, maka
0 ≤ c ≤ ab.

11
 Conditional PDF
 Conditional pdf dari satu atau beberapa variabel
random diperoleh dengan menetapkan nilai dari satu
atau beberapa variabel random lainnya.
f X ,Y ( x , y )
f X|Y ( x , y ) 
fY (x)
 Sehingga,
f X ,Y (x , y )  f X|Y (x , y ) fY (x)  fY|X ( y , x) f X ( y )

 Perhatikan bahwa
x
FX|Y ( x , y )   f (t , y )dt
 X|Y

12
 Marginal PDF
 Marginal pdf dari satu atau beberapa variabel random
diperoleh dengan mengabaikan nilai dari satu atau
beberapa variabel random lainnya.

f X (x)   f ( x , y )dy
 X ,Y


fY ( y )   f ( x , y )dx
 X ,Y

13
 Contoh 4.6
 Misalkan joint cdf dari density (X) dan compressive
strength (Y) dari data pada Tabel A.2 adalah

 1 y  40
 2000 20 2400  x  2500 dan 40  y  60


f X ,Y ( x , y )   1  1  y  60  2400  x  2500 dan 60  y  80
 
 2000  20 


 0 selain itu

14
 Contoh 7.6 (lanjutan)
 Marginal pdf dari Y adalah
  y  40 
 0 ,05   40  y  60
  20 

fY ( y )    y  60 
0 ,05 1   60  y  80
  20 


 0 selain itu
 Marginal pdf dari X adalah
 1
 100 2400  x  2500

f X (x)  
 0 selain itu


15
Independent Continuous Variables
 Jika kedua event (X = x) dan (Y = y) adalah
statistically independent, maka fX|Y(x, y) =
fX(x) dan fY|X(y, x) = fY(y).

 Sehingga, fX, Y(x, y) = fX(x)fY(y).

16
 Contoh 4.7
 Misalkan dua variabel random independent X dan Y
masing2 memiliki marginal pdf
 x 2 /2  y 2 /2
e e
f X (x)  fY ( y ) 
2 2

 Joint pdf X dan Y adalah

( x 2  y 2 ) / 2
e
f X ,Y ( x , y ) 
2

17
 Covariance
 Covariance dari variabel random (kontinyu) X dan Y, yaitu cov[X,
Y] adalah E[(X – E[X])([(Y – E[Y])] = E[XY] – E[X]E[Y],

di mana
 
E[ XY ]    xyfX ,Y ( x , y )dxdy
 

 Jika X dan Y independent,

 
E[ XY ]    xyfX ( x ) f Y ( y )dxdy
 
 
   xf X ( x )dx   yfY ( y )dy 
 
    
 E[ X ]E[Y ]
 Sehingga jika X dan Y independent cov[X, Y] = 0.

18
 Covariance (lanjutan)
 Correlation coefficient,  adalah covariance yang
dinormalkan
cov[ X , Y ]

 X Y
 Dan –1    +1.

19