2.3.

Distribusi dan Ekspektasi Bersyarat

Pada bagian ini, kita akan membahas distribusi bersyarat, yaitu distribusi salah satu variabel acak
saat yang lain mengasumsikan nilai tertentu. Kami membahas ini terlebih dahulu untuk kasus
diskrit, dengan mengikuti konsep probabilitas bersyarat.
Pada X1 dan X2 menunjukkan variabel acak dari tipe diskrit, yang memiliki gabungan pmf
p x1 , x2 ( x 1 , x 2 ) yang positif pada syarat S dan bernilai 0 . Pada p x1 ( x 1 ) dan p x 2 (x2 )
menunjukkan, masing-masing, fungsi massa probabilitas marjinal dari X 1 dan X2. Pada x 1
menjadi titik dari X1. Karena, p x1 ( x 1 )> 0. Menggunakan definisi probabilitas bersyarat, maka:
P( X 1=x 1 , X 2=x 2 ) p x 1 , x 2( x1 , x2 )
P ( X 2=x 2 ⃓ X 1=x 1 )= =
P( X 1=x1 ) p x 1( x1 )

Untuk x 2 dengan syarat S x 2 dari X 2 . Mendefinisikan fungsi ini menjadi

p X1 , X2 ( x1 , x2 )
P X 2 ⃓ X 1 ( x2 ⃓ x 1) = , x2 ∈ S X 2
P X 1 ( x1 )

Untuk setiap x 1 dengan P X 1 ( x 1)>0 , fungsi ini P X 2 ⃓ X 1 (x 2 ⃓ x 1) memenuhi kondisi sebagai

pmf dari tipe diskrit karena P X 2 ⃓ X 1 ( x 2 ⃓ x 1) tidak negative, dan
P X 1 , X2 ( x1 , x2 )
∑ P X 2 ⃓ X 1 ( x 2 ⃓ x 1 )= ∑ P X 1 ( x 1) p
x2 x2

1 P X 1 ( x1 )
¿ ∑ P X 1 , X 2( x1 , x2 )= =1
P X 1(x 1 ) x2
P X 1 ( x1 )

Kita sebut P X 2 ⃓ X 1 (x 2 ⃓ x 1) sebagai pmf bersyarat dari tipe diskrit variabel acak X2,
mengingat tipe diskrit dari variabel acak X1 = x1. Dengan cara yang sama, disediakan x 2 ∈ S X 2,
kita mendefinisikan symbol P X 1 ⃓ X 2 (x 1 ⃓ x 2) dengan hubungan
p X 1 , X 2 ( x1 , x2 )
P X 1 ⃓ X 2 ( x1 ⃓ x 2) = , x1 ∈ S X 1
P X 2 ( x2 )

dan kita sebut P X 1 ⃓ X 2 (x 1 ⃓ x 2) pmf bersyarat dari tipe diskrit variabel acak X 1, mengingat tipe
diskrit dari variabel acak X2 = x2. Kita sering menyingkat
P X 1 ⃓ X 2 ( x1 ⃓ x 2) menjadi p1 ⃓ 2 ( x 1 ⃓ x 2 ) dan P X 2 ⃓ X 1 ( x2 ⃓ x 1) menjadi p2 ⃓ 1 ( x 2 ⃓ x 1 ).
Demikian pula, p1 ( x1 ) dan p2 (x 2) digunakan untuk menunjukkan masing-masing pmfs marjinal.

Sekarang pada X1 dan X2 menunjukkan variabel acak dari tipe kontinu dan memiliki titik pdf
f X 1 , X 2 (x 1 , x 2 ) dan fungsi kepadatan probabilitas marginal masing-masing f X 1 ( x 1 ) dan f X 2 (x 2 )
,Kita menggunakan hasil paragraf sebelumnya untuk definisi pdf bersyarat dari jenis variabel
acak kontinu. Ketika f X 1 ( x1 )>0 , kita mendefinisikan symbol f X 2 ⃓ X 1 ( x 2 ⃓ x1 ) dengan
hubungan
 f X 1 , X 2( x1 , x2 )
f X 2 ⃓ X 1 ( x 2 ⃓ x1 ) =
f X 1( x1 )

Dalam hubungan ini, x1 dianggap memiliki nilai tetap untuk f X 1 ( x1 )>0. Jelas bahwa
f X 2 ⃓ X 1 ( x 2 ⃓ x1 ) tidak negatif dan,
∞ ∞
f X1 , X 2 ( x1 , x2 )
∫ f X 2 ⃓ X 1 ( x 2 ⃓ x 1 ) d x 2= ∫ f X 1 ( x1 )
d x2
−∞ −∞

∞
1
¿ ∫ f X 1 , X 2( x 1 , x 2 ) dx2
f X 1 ( x 1) −∞

f X 1 ( x 1)
¿ =1
f X 1 ( x 1)

Artinya, f X 2 ⃓ X 1 ( x 2 ⃓ x1 ) memiliki properti pdf dari satu jenis variabel acak kontinu. Ini
disebut pdf bersyarat dari jenis variabel acak kontinu X2, mengingat bahwa jenis variabel acak
berkelanjutan X1 memiliki nilai x1. Jika f X 2 ( x2 )>0 pdf bersyarat dari variabel acak kontinu X1,
berikan bahwa jenis variabel acak kontinu X2 memiliki nilai x2, didefinisikan oleh
f X1 , X 2 ( x1 , x2 )
f X1 ⃓ X 2 ( x1 ⃓ x2 )= , f X 2 (x 2)>0
f X 2 ( x2 )

Kita sering menyingkat pdf bersyarat ini dengan f 1⃓ 2 (x 1 ⃓ x 2 ) dan f 2⃓ 1 (x 2 ⃓ x 1 ). Demikian

pula, f 1 ( x 1 ) dan f 2 ( x 2 ) digunakan untuk menunjukkan masing-masing pdf marginal.

Karena masing-masing dari f 1⃓ 2 ( x 1 ⃓ x 2 ) dan f 2⃓ 1 ( x 2 ⃓ x 1 ) adalah pdf dari satu variabel acak,
masing-masing memiliki semua properti dari pdf seperti itu. Dengan demikian kita dapat
menghitung probabilitas dan ekspektasi matematika-ematical. Jika variabel acak berjenis
kontinu, probabilitas
b
P ( a< X 2< b⃓ X 1 =x1 ) =∫ f 2 ⃓ 1 ( x2 ⃓ x 1)d x 2
a

disebut "probabilitas bersyarat yang a< X 2 <b diberikan X 1 =x1". Jika tidak ada ambiguitas, ini
dapat ditulis dalam bentuk ( a< X 2 <b⃓ x 1 ) . Demikian pula, probabilitas bersyarat bahwa c < X 1 < d
diberikan X 2 =x2 , adalah
d
P ( c < X 1 <d ⃓ X 2 =x2 ) =∫ f 1 ⃓ 2 ( x1 ⃓ x 2)d x 1
c

Jika u (X2) adalah fungsi dari X2, ekspektasi bersyarat dari u (X2), mengingat X1 = x1, jika ada,
diberikan oleh
 ∞
E [ u ( X 2) ⃓ x 1 ]= ∫ u(x 2) f 2⃓ 1 ( x 2 ⃓ x 1 )d x 2
−∞

Perhatikan bahwa E [ u ( X 2) ⃓ x 1 ] adalah fungsi dari x1. Jika memang ada, maka E( X 2 ⃓ x 1 )
2
berarti E {[ X 2−E ( X 2 ⃓ x 1 ) ] ⃓ x 1 } adalah varians bersyarat dari distribusi bersyarat X2,
mengingat X1 = x1, yang dapat ditulis lebih sederhana sebagai Var (X2 | x1). Lebih mudah untuk
merujuk ini sebagai "rata-rata bersyarat" dan "varians bersyarat" dari X2, mengingat X1 = x1.
2
Var ( X ¿ ¿2 ⃓ x 1)=E ( X 22 ⃓ x 1) −[ E ( X 2 ⃓ x 1 ) ] ¿

Dari hasil sebelumnya. Dengan cara yang sama, ekspektasi bersyarat dari u (X1), mengingat X2 =
x2, jika ada, diberikan oleh
∞
E [ u ( X 1 ) ⃓ x 2 ]= ∫ u(x 1) f 1⃓ 2 ( x 1 ⃓ x 2 )d x 1
−∞

Dengan variabel acak dari tipe diskrit, probabilitas bersyarat dan ekspektasi bersyarat ini
dihitung dengan menggunakan penjumlahan alih-alih integrasi.
Contoh 1
Misalkan X1 dan X2 memiliki pdf dengan

Kemudian fungsi kepadatan probabilitas marjinal adalah,

Dan
PDF bersyarat dari X1, mengingat X2 = x2 ,0 <x2 <1, adalah

Di sini rata-rata bersyarat dan varians bersyarat dari X1, mengingat X2 = x2, secara berturut-turut,
Dan

Selanjutnya, kita membandingkan nilai

Kita memiliki

Tetapi ,

Karena E (X2 | x1) adalah fungsi dari x1, maka E (X2 | X1) adalah variabel acak dengan distribusi,
mean, dan variansnya sendiri.
Contoh 2
Misalkan X1 dan X2 memiliki pdf dengan

Kemudian pdf marginal dari X1 adalah

nol di tempat lain. PDF bersyarat dari X2, mengingat X1 = x1, adalah

nol di tempat lain, di mana 0 < x1 <1. Rata-rata bersyarat dari X2, mengingat X1 = x1, adalah

Sekarang E (X2 | X1) = 2X1 / 3 adalah variabel acak, disebut Y.cdf dari Y = 2X1 / 3 adalah

Dari pdf f1(x1), didapati

 2
Tentu , G (y) = 0 jika y <0, dan G (y) = 1 jika < y. PDF, mean, dan varians dari Y = 2X1 / 3
3
adalah

Nol ditempat lainnya,

Dan

Karena pdf marginal dari X2 adalah

1 1
nol di tempat lain, mudah untuk menunjukkan bahwa E (X2) = dan Var (X2) = . Yaitu,
2 20

Dan

Dari contoh 2 sangat bagus, karena ini memberi kita kesempatan untuk menerapkan banyak dari
definisi baru ini serta meninjau teknik cdf untuk menemukan distribusi fungsi dari variabel acak,
yaitu Y = 2X1 / 3. Selain itu, dua pengamatan di akhir contoh ini bukanlah kebetulan karena
keduanya benar-benar umum.
Teorema 2.3.1. Misalkan (X1, X2) adalah vektor acak sehingga varians X2 tidak terbatas.
Kemudian,

Bukti: Buktinya untuk kasus berkelanjutan. Untuk mendapatkannya untuk kasus diskrit, tukar
penjumlahan dengan integral. Kita pertama kali membuktikan (a).
yang merupakan hasil pertama. Selanjutnya kita tampilkan (b). Pertimbangkan dengan μ2 = E
(X2),

Kita menunjukkan bahwa suku terakhir dari anggota kanan dari persamaan sebelumnya adalah
nol. Itu sama dengan

Tapi E (X2 | x1) adalah rata-rata bersyarat dari X2, mengingat X1 = x1. Karena hasil di dalam
kurung kurawal adalah sama dengan

integral ganda sama dengan nol. Oleh karena itu, didapat

Suku pertama di bagian kanan persamaan ini adalah nonnegatif karena ini adalah nilai yang
diharapkan dari fungsi nonnegatif, yaitu [X2 − E (X2 | X1)] 2. Sejak E [E (X2 | X1)] = μ2, suku
kedua adalah Var [E (X2 | X1)]. Oleh karena itu didapat

yang melengkapi buktinya.

Secara intuitif, hasil ini dapat memiliki interpretasi yang berguna. Kedua variabel acak X2 danE
(X2 | X1) memiliki mean μ2 yang sama. Jika kita tidak tahu μ2, kita bisa menggunakan salah satu
dari dua variabel acak untuk menebak μ2 yang tidak diketahui. Karena, bagaimanapun, Var (X2)
≥Var [E (X2 | X1)], kami akan lebih mengandalkan ketidakjelasan E (X2 | X1). Artinya, jika kita
mengamati pasangan (X1, X2) menjadi (x1, x2), kita dapat memilih untuk menggunakan E (X2 | x1)
untuk x2 sebagai tebakan pada yang tidak diketahui μ2. Kita menyelesaikan bagian ini dengan
contoh yang menggambarkan Teorema 2.3.1.
Contoh 3
Misalkan X1 danX2 menjadi variabel acak diskrit. Misalkan pmf kondisional X1 diberikan X2 dan
distribusi marjinal X2 diberikan oleh

Mari kita tentukan mgf dari X1. Untuk x2 tetap, dengan teorema binomial,

Oleh karena itu, dengan deret geometris dan Teorema 2.3.1,

disediakan (1/6) + (1/6) et <1 atau t <log 5 (yang termasuk = 0).

Latihan
2.3.5. Misalkan X1 dan X2 adalah dua variabel acak sehingga distribusi dan sarana bersyarat ada.
Menunjukkan bahwa:
(a) E(X1+X2 | X2) = E(X1 | X2)+X2,
(b) E(u(X2) | X2) = u(X2).
Jawab
Pertama kita periksa kondisi identitas pada X2 = x2: itu
E[X1+X2 | X2 = x2] = E [X1 | X2 = x2] +x2
Dan E[u(X2) | X2 = x2] = u(x2)
mengikuti linearitas ekspektasi dan fakta bahwa X2 dan u(X2) konstan ketika kita
mengkondisikan pada X2 = x2. Karena identitas ini memiliki setiap pilihan x2, identitas ini
berlaku untuk variabel acak umum X2.