FUNGSI VARIABEL RANDOM

EKSPEKTASI & VARIANSI

Mean (Rata-Rata) Variabel Random
Jika X adalah variabel random dengan distribusi probabilitas f(x), maka
mean (rata-rata) atau nilai ekspektasi (harapan) dari X adalah μ,
yaitu (diskrit dan kontinu) sbb:

  E ( X ) =  xf ( x)   E ( X ) =  xf ( x)dx
x −

Contoh.
Dilempar 2 buah mata uang, jika X adalah variabel random yg
menyatakan banyaknya muncul Angka (A) dalam percobaan tsb,
hitunglah nilai ekspektasi X.

Jawab.
Ruang sampel percobaan ini S = {AA,AG,GA,HH}
Probabilitasnya masing-masing
P(X=0) = P(GG)= ¼ P(X=1) =P(AG)+P(GA)= ½ dan
P(X=2)= P(AA)=1/4
Mean (Rata-Rata) Variabel Random
Nilai ekspekstasi X adalah:
2
  E ( X ) =  xP( x) = 0 * P(0) + 1* P(1) + 2 * P(2) = 0 + 1 / 2 + 2(1 / 4) = 1
x =0

Hasil ini berarti rata-rata jikalau percobaan ini dilakukan berulang-ulang

dalam jumlah besar, rata-rata jumlah mata angka (A) yg muncul
dalam 1x percobaan adalah 1 buah.

Contoh.
Sekotak komponen 7buah diperiksa oleh inspektur QC. Isi kotak tsb 4
komponen baik dan 3 cacat. QC mengambil sampel 3 buah dari
kotak tsb. Carilah nilai harapan (rata-rata) banyaknya komponen
yang baik yg diperoleh dalam sampel tsb
Mean (Rata-Rata) Variabel Random
Jawab:
Kita hitung dulu banyak titik ruang sampel jika diambil 3 dari kotak
tsb yg berisi 7. Ini adalah masalah banyak kombinasi 3 obyek yg
diambil dari 7 obyek, jadi n(S)=
n(S) = C73 = 7!/(3!*(7-3)!) = 35.

7 komponen tsb berisi 4 baik dan 3 cacat. Jika diambil 3 buah acak
banyaknya kombinasi yg berisi 1 sampel baik (berarti 2 cacat)
adalah (ingat urutan tdk berpengaruh):
banyak kombinasi 1 sampel baik dari 4 sampel baik (KALI)
banyak kombinasi 2 sampel cacat dari 3 sampel cacat
n(1baik, 2cacat) = C41*C32 = 4!/(1!3!) * 3!/(2!1!) = 12 buah
Jadi probabilitas terambilnya sampel 3 buah = 1baik +2cacat,
P(1baik, 2cacat) = 12/35.
Mean (Rata-Rata) Variabel Random
Jawab:
Definisikan variabel random X= banyak komponen baik dari 3
sampel yg terambil, maka, jika f(x) menyatakan probabilitas
mendapatkan X=x, berarti
f(X=1) = 12/35.  4  3 
  
 x  3 − x 
f ( x) =
Mengikuti pola tsb maka secara umum: 7
 
 3

Nilai rata-rata X diperoleh dari:

3
  E ( X ) =  xf ( x) = 0 * f (0) + 1* f (1) + 2 * f (2) + 3 * f (3)
x =0
 1   12   18   4  12
 = 0*  + 1 *   + 2 *   + 3 *  = = 1.7
 35   35   35   35  7

Jadi secara rata-rata dalam 1 pengambilan sampel akan berisi 1.7

komponen yg baik
Mean (Rata-Rata) Variabel Random
Soal.

Dalam sebuah permainan si Badu akan mendapat hadiah Rp. 5000

jika hasil pelemparan 3 buah koin menunjukkan angka semua
atau gambar semua. Tapi dia harus membayar Rp 3000 jika yang
muncul 1 atau 2 gambar yg muncul dari 3 pelemparan tsb.
Berapakah nilai harapan perolehannya?
Mean fungsi Variabel Random
Jika X adalah variabel random dengan distribusi probabilitas f(x),
maka nilai ekspektasi variabel random g(X) adalah:

 g ( X ) = E[ g ( X )] =  g ( x) f ( x)
Diskrit
x
 g ( X ) = E[ g ( X )] =  g ( x) f ( x)dx
kontinu
−

Contoh.
Misalkan probabilitas jumlah mobil X yg masuk ke sebuah pencucian
mobil antara jam 4 dan 5 adalah sbb:

x 4 5 6 7 8 9
P(X=x) 1/12 1/12 ¼ ¼ 1/6 1/6
Misalkan g(X)=2X-1 adalah bonus yg diberikan perusahaan cuci
mobil tsb. Hitunglah nilai ekspektasi dari bonus yg didapat.
Mean fungsi Variabel Random
Jawab.
Ekspektasi bonus :
 g ( X ) = E[ g ( X )] =  g ( x) f ( x) =  (2 x − 1) P( x)
x x
E(2X-1) = 7(1/12)+9(1/12)+11(1/4)+13(1/4)+15(1/6)+17(1/6)=12.67
VARIANSI
Nilai rata-rata hanya memberikan info ttg kecenderungan pemusatan
data, akan tetapi tidak memberikan gambaran ttg bentuk
distribusi atau penyebaran data.

X X
1 2 3 1 2 3
Distribusi dengan mean sama tetapi memiliki dispersi yg berbeda
VARIANSI
Misal X adalah variabel random dengan distribusi probabilitas f(x)
dan rata-rata (mean) μ, maka variansi dari X adalah:

 2 = E[( X −  ) 2 ] =  (x −  )2 f ( x) For discrete x and

x

 = E[( X −  ) ] =
2 2
 ( x −  )2
f ( x)dx For continous x
−

Besaran (x-μ) disebut penyimpangan atau deviasi x thd mean.

Akar (positif) dari variansi yaitu σ dinamakan standard deviasi.
VARIANSI

Contoh.
Misalkan X adalah jumlah mobil yg dipergunakan dalam satu hari
dalam sebuah perusahaan. Andaikan distribusi probabilitas dari X
untuk perusahaan A diberikan sbb:
x 1 2 3
f(x)1 0.3 0.4 0.3
Sedangkan untuk perusahaan B diberikan sbb:
x 0 1 2 3 4
f(x) 0.2 0.1 0.3 0.3 0.1
a) Hitunglah rata-rata (mean) dari jumlah mobil yg dipakai
b) Hitunglah variansi dari X untuk masing-masing perusahaan,
berikan komentar.
VARIANSI

Jawab.
a) rata-rata untuk masing-masing perusahaan:
N
 = E[ X ] =  x k f ( x k )
k =1

 A = 1* 0.3 + 2 * 0.4 + 3 * 0.3 = 2.0

 B = 0 * 0.2 + 1* 0.1 + 2 * 0.3 + 3 * 0.3 + 4 * 0.1 = 2.0
N

b) Variansinya:  = E[( X −  ) ] =  ( xk −  ) 2 f ( xk )
2 2

k =1

 A = (1 − 2) 2 * 0.3 + (2 − 2) 2 * 0.4 + (3 − 2) 2 * 0.3 = 0.6

 B = (0 − 2) 2 * 0.2 + (1 − 2) 2 * 0.1 + (2 − 2) 2 * 0.3 + (3 − 2) 2 * 0.3 + (4 − 2) 2 * 0.1 = 1.6
VARIANSI

Rumus alternatif untuk variansi (buktikan):  2 = E[ X 2 ] −  2

Keuntungannya sebenarnya kita tak perlu hitung mean dahulu!

Contoh.
Hitung ulang contoh sebelumnya dg rumus ini!

2
Jawab: atau N
 N 
 2 = E[ X 2 ] −  2  =  xk f ( xk ) −   xk f ( xk ) 
2 2

k =1  k =1 
Untuk perusahaan A:

 A2 = (1) 2 * 0.3 + (2) 2 * 0.4 + (3) 2 * 0.3 − 2 2 = 0.6

 B = (0) 2 * 0.2 + (1) 2 * 0.1 + (2) 2 * 0.3 + (3) 2 * 0.3 + (4) 2 * 0.1 − 2 2 = 1.6
VARIANSI

Soal.
Permintaan mingguan Pepsi adalah X (dalam ribuan liter) dengan
fungsi rapat probabilitas:
2( x − 1) 1  x  2
f ( x) = 
 0 lainnya
Hitunglah:
a) Mean dari X
b) Variansi dari X
VARIANSI

Misal X adalah variabel random dengan distribusi probabilitas f(x)

Maka variansi dari variabel random g(x) yg memiliki rata-rata μg,

 g2( X ) = E[( g ( X ) −  g ) 2 ] =  (g ( x) −  g )2 f ( x) For discrete x and

x


 g2( X ) = E[( g ( X ) −  g ) 2 ] =  (g ( x) −  )
2
g f ( x)dx For continous x
−

Contoh.
Hitung variansi g(X)=2X+3, dimana X adalah variabel random dg
distribusi probabilitas x 0 1 2 3
f(x) ¼ 1/8 ½ 1/8
VARIANSI

Misal X adalah variabel random dengan distribusi probabilitas f(x)

Maka variansi dari variabel random g(x) yg memiliki rata-rata μg,

 g2( X ) = E[( g ( X ) −  g ) 2 ] =  (g ( x) −  g )2 f ( x)
x
For discrete x and

 g2( X ) = E[( g ( X ) −  g ) 2 ] =  (g ( x) −  )
2
g f ( x)dx For continous x
−

Contoh.
Pertama hitung mean dari g(X):  g ( X ) = E[ g ( X )] =  g ( x) f ( x)
x
2 X +3 = (2 * 0 + 3) *1 / 4 + (2 *1 + 3) *1 / 8 + (2 * 2 + 3) *1 / 2 + (2 * 3 + 3) *1 / 8
2 X +3 = 3 / 4 + 5 / 8 + 7 / 2 + 9 / 8 = (6 + 5 + 28 + 9) / 8 = 6
Variansi g(x) :  g ( X ) =  (2 x + 3 − 6) f ( x) =  4 x − 12 x + 9 f ( x)
2 22
( )
x x
 g2( X ) = 4 x 2 f ( x) − 12 xf ( x) + 9 f ( x) = 4
x x x
 KOVARIANSI

Misal X dan Y adalah variabel random dengan distribusi probabilitas

bersama (joint) f(x,y) kovariansi dari X dan Y adalah:

 XY = E[( X −  X )(Y − Y )] =  ( x −  x )( y −  y ) f ( x, y )
x y
X,Y diskrit


 XY = E[( X −  X )(Y − Y )] =  X,Y kontinu
− 
−
( x −  x )( y −  y ) f ( x , y ) dxdy

Kovariansi dari dua variabel random X dan Y merupakan ukuran asosiasi antara
keduanya:
- jika nilai X besar cenderung menghasilkan Y besar atau
X kecil cenderung menghasilkan nilai Y kecil, maka berarti deviasi X yg
positif akan cenderung menghasilkan deviasi Y yg positif juga. Sehingga
produk (X-μX)(Y-μY) akan cenderung positif.
- sebaliknya jika nilai X besar cenderung menghasilkan Y kecil atau
sebaliknya, maka produk (X-μX)(Y-μY) akan negatif.
- Jadi tanda kovariansi menyatakan sifat asosiasi antara 2 variabel random.
- Jika X dan Y secara statistik independen maka kovariansi nya =0, tetapi
sebaliknya tidaklah selalu benar.
- Demikian juga nilai kovariansi =0 hanya mengukur linear kovariansi.
KOVARIANSI

Rumus alternatif untuk kovariansi (buktikan):

 XY = E[( X −  X )(Y − Y )] = E ( XY ) −  X Y

Contoh. Berikut ini adalah fungsi distribusi probabilitas bersama antara

variabel X dan Y. Carilah kovariansi X dg Y

X Total
f(x,y) baris
0 1 2 h(y)
0 3/28 9/28 3/28 15/28
y 1 3/14 3/14 0 3/7
2 1/28 0 0 1/28
g(x) 5/14 15/28 3/28 1
KOVARIANSI
Pertama hitung mean masing-masing variabel:

 X = E[ X ] =  xg ( x) = 0 * 5 / 14 + 1*15 / 28 + 2 * 3 / 28 = 3 / 4
Y = E[Y ] = x yh( y ) = 0 *15 / 28 + 1* 3 / 7 + 2 *1 / 28 = 1 / 2
x
Kemudian hitung E(XY)=

E[ XY ] =   xyf ( x, y) = (0 * 0)(3 / 28) + (0 *1)(9 / 28) + (0 * 2)(3 / 28) +

y x

(1* 0) * (3 / 14) + (1*1)(3 / 14) + (1* 2)(0) + (2 * 0)(1 / 28) + (2 *1)(0) + (2 * 2) * 0 =

E(XY)=0+0+0+0+3/14+0+0+0+0 = 3/14

Sehingga kovariansi X dg Y adalah:

3 3 1 9
 XY = E[ XY ] −  X Y = − ( )( ) = −
14 4 2 56
KOVARIANSI
Soal.
Persentase pelari pria X dan pelari wanita Y yg bertanding di suatu
maraton memiliki fungsi rapat distribusi bersama:

8 xy 0  y  x  1
f ( x, y ) = 
 0 lainnya
Hitunglah
a) Fungsi rapat probabilitas marginal untuk X dan Y
b) Kovariansi antara X dan Y
KORELASI
Walaupun kovariansi memberikan info ttg sifat hubungan asosiasi
(linear) antara dua variabel random X dan Y, tetapi besarnya
kovariansi TIDAK memberi info tentang kekuatan asosiasinya
sebab nilai kovariansi tidak bebas skala X dan Y!

Versi kovariansi yg bebas skala (sehingga bisa mengukur kekuatan

asosiasi linearnya) diberikan oleh koefisien korelasi, yg
didefinisikan sbb:
 XY
 XY =
 XY
Nilai ρXY akan berkisar dari -1 hingga 1, sebab ρ bebas skala X dan
Y.
Generalisasi : Mean dan Kovariansi Kombinasi
Linear Variabel Random
Jika a dan b adalah konstanta, dan X adalah variabel random, maka
nilai rata-rata dari Y=aX+b adalah:
(i) E [Y] = E[aX+b] = aE[X]+b
(ii) Jika a=0, maka E[b] = b
(iii) Jika b=0, maka E[aX] =a E[X]

Jika X adalah variabel random, dan g(X) serta h(X) adalah fungsi-
fungsi dari X tsb maka nilai rata-rata dari g(X)+h(X) diberikan
oleh:
E[ g(X)+h(X)] = E[g(X)]+E[h(X)]
Generalisasi : Mean dan Kovariansi Kombinasi
Linear Variabel Random
Jika X dan Y adalah dua variabel random yg independen (saling
bebas), maka
E[XY] = E[X]*E[Y]

Contoh.
Dalam produksi Ga-As chips diketahui rasio antara Ga:As adalah
independen dalam menghasilkan prosentase yg tinggi dari chips
yg baik. Misalkan X adalah rasio dari Ga:As dan Y prosentase dari
chips yg baik. Diketahui X dan Y adalah variabel random dengan
distribusi rapat probabilitas bersama:

 x(1 + 3 y 2 )
 0  x  2,0  y  1
f ( x, y ) =  4
 0 lainnya

Tunjukkan bahwa E[XY] = E[X]*E[Y]

Generalisasi : Mean dan Kovariansi Kombinasi
Linear Variabel Random
Jawab:
Dengan menggunakan definisi E[X], E[Y] dan E[XY]:
 
x(1 + 3 y 2 )
1 2
E[ X ] =   xf ( x, y )dxdy =   x dxdy
− −  y =0 x =0
4
1 2 1 1
x3 2 2 2 4
E[ X ] =  (1 + 3 y 2 ) dy =  (1 + 3 y 2 )dy = y + y 3 =
y =0
12 x =0 y =0
3 3 3 y =0 3
 
x(1 + 3 y 2 )
1 2
E[Y ] =   yf ( x, y )dxdy =   y dxdy
− −  y =0 x =0
4
1 2 1 1
x2 1 1 3 5
E[Y ] =  y (1 + 3 y 2 ) dy =  y (1 + 3 y 2 )dy = y 2 + y 4 =
y =0
8 x =0 y =0
2 4 8 y =0 8
 
x(1 + 3 y 2 )
1 2
E[ XY ] =   xyf ( x, y )dxdy =   xy dxdy
− −  y =0 x =0
4
1 2 1 1
x3 2 1 1 5
E[ XY ] =  y (1 + 3 y 2 ) dy =  y (1 + 3 y 2 )dy = y 2 + y 4 =
y =0
12 x =0 y =0
3 3 2 y =0 6
4 5 5
E[ X ] * E[Y ] = * = = E[ XY ]
3 8 6
Generalisasi : Mean dan Kovariansi Kombinasi
Linear Variabel Random
Soal:
Jika a dan b konstanta buktikan bahwa:

 2
aX +b =a 
2 2
X