SIFAT VARIABEL ACAK

Fokus utama dalam statistika adalah mengembangkan pendugaan parameter

yang tidak diketahui berdasarkan data sampel. Dalam beberapa kasus, parameter dapat
mewakili suatu kuantitas bermakna, seperti nilai rata-rata atau rata-rata populasi. Jadi,
perlu untuk mendefinisikan dan mempelajari berbagai sifat variabel acak yang dapat
berguna dalam merepresentasikan dan menafsirkan populasi asli, serta berguna dalam
memperkirakan atau memilih model yang sesuai. Dalam beberapa kasus, khusus sifat
model (seperti sifat no-memory dari sebaran eksponensial distribusi) mungkin cukup
membantu dalam menunjukkan jenis asumsi fisik yang akan sesuai dengan model itu,
meskipun implikasi dari model biasanya kurang jelas. Dalam kasus seperti itu, lebih
banyak digunakan ukuran deskriptif seperti mean dan varian dari suatu distribusi. Di
dalam bab ini, langkah-langkah deskriptif tambahan dan sifat lebih lanjut dari variabel
acak akan dikembangkan.

1. Sifat Nilai Harapan

Teorema 1:
Jika 𝑿 = (X1 , . . . , Xk) memiliki fungsi kepadatan peluang (fkp) bersama f(x1 , . . . , xk ) dan
jika Y = u(X1 , . . . , Xk) merupakan fungsi dari 𝑿, maka E(Y) = Ex [u(X1 , . . . , Xk)], dengan:
Ex[u(X1 , . . . , Xk )] = ∑x1. . . ∑x2 u(X1 , . . . , X k)f(x1 , . . . , xk), jika 𝑿 merupakan variabel acak
diskrit, dan
∞ ∞
Ex[u(X1 , . . . , Xk )] = ∫-∞. . . ∫-∞ u(X1 , . . . , Xk )f(x1 , . . . , xk) dx1 . . . dx2 , jika 𝑿 merupakan variabel
acak kontinu.

Teorema 2:
Jika X1 dan X2 merupakan variabel acak dengan fkp bersama f(x1 , x2 ), maka:
E(X1 + X 2 ) = E(X1 ) + E(X2 )
Bukti:
Ingat bahwa nilai harapan pada sisi kiri berhubungan dengan fkp Bersama dari 𝑿 =
(X1 , X2 ), oleh karena itu, teorema 2 dapat ditulis juga sebagai berikut:
E 𝑿 (X 1 + X 2 ) = E 𝑿 (X 1 ) + E 𝑿 (X 2 )
= E X 1 (X 1 ) + E X 2 (X 2 )

Akan dilakukan pembuktian untuk kasus variabel acak kontinu.

E (X 1 + X 2 ) = E 𝑿 (X 1 + X 2 )
∞ ∞
= ∫ ∫ (x1 + x2 )𝑓 (x1 , x2 )𝑑x1 𝑑x2
-∞ -∞
∞ ∞ ∞ ∞
= ∫ ∫ x1 𝑓(x1 , x2 )𝑑x1 𝑑x2 + ∫ ∫ x2 𝑓 (x1 , x2 )𝑑x2 𝑑x1
-∞ -∞ -∞ -∞
∞ ∞ ∞ ∞
= ∫ x1 ∫ 𝑓(x1 , x2 )𝑑x1 𝑑x2 + ∫ x2 ∫ 𝑓 (x1 , x2 )𝑑x2 𝑑x1
-∞ -∞ -∞ -∞
∞ ∞
= ∫ x1 𝑓 (x1 )𝑑x1 + ∫ x2 𝑓(x2 )𝑑x2
-∞ -∞

= E X 1 (X 1 ) + E X 2 (X 2 )
= E(X1 ) + E(X2 )

TUGAS NOMOR 1: BUKTIKAN TEOREMA 2 UNTUK KASUS DISKRIT

Berdasarkan teorema 1 dan 2, jika a1 , a2 , . . . , ak adalah konstanta dan X1 , X2 , . . . , Xk
adalah variabel acak yang memiliki sebaran bersama, maka:
k k

E (∑ ai Xi ) = ∑ ai E(Xi )
i=1 i=1

Teorema 3:
Jika 𝑋 dan 𝑌 merupakan variabel acak, g(x) dan h(y) adalah fungsi, maka:
E[g(x)h(y)] = E[g(x)]E[h(y)]

TUGAS NOMOR 2: BUKTIKAN TEOREMA 3

Secara umum, jika X1 , X2 , . . . , Xk merupakan variabel acak yang saling bebas dan
u1 (x1 ), u2 (x2 ), . . . , uk (xk) adalah fungsi, maka:
E[u1 (X1). . . uk(xk )] = E[u1 (x1 )]. . . E[uk(xk )]
Definisi 1:
Covarian dari sepasang variabel acak 𝑋 dan 𝑌 didefinisikan sebagai:
Cov(X, Y) = E[(X − 𝜇X )(X − 𝜇Y )]
Covarian disimbolkan juga dengan 𝜎XY.

Teorema 4:
Jika 𝑋 dan 𝑌 adalah variabel acak, a dan b adalah konstanta, maka:
𝐶𝑜𝑣(𝑎𝑋, 𝑏𝑌) = 𝑎𝑏 𝐶𝑜𝑣 (𝑋, 𝑌)
Cov(X + a, Y + b) = Cov(X, Y)
Cov(X, aX + b) = a Var(X)

Teorema 5:
Jika 𝑋 dan 𝑌 adalah variabel acak, maka:
Cov(X, Y) = E(XY)-E(X)E(Y)
dan Cov(X, Y) = 0, jika 𝑋 dan 𝑌 saling bebas.

Teorema 6:
Jika X1 dan X2 merupakan variabel acak dengan fkp bersama f(x1 , x2 ), maka:
Var(X1 + X2 ) = Var(X1 ) + Var(X2 ) + 2 Cov(X1 , X2 )
dan
Var(X1 + X2 ) = Var(X1 ) + Var(X2 ) jika X1 dan X2 saling bebas.
Bukti:
Misalkan nilai harapan dari X1 dan X2 dinyatakan dengan 𝜇i = E(Xi ), i = 1,2.
𝑉𝑎𝑟(X1 + X2 ) = 𝐸 [(X1 + X2 ) − (𝜇1 + 𝜇2 )]2
= 𝐸 [(X1 − 𝜇1 ) + (X2 − 𝜇2 )]2
= 𝐸 [(X1 − 𝜇1 )2 ] + 𝐸[(X2 − 𝜇2 )2 ] + 2𝐸 [(X1 − 𝜇1 )(X2 − 𝜇2 )]
= Var(X1 ) + Var(X2 ) + 2 Cov(X1 , X2 )
Secara umum, jika a1 , a2 , . . . , ak adalah konstanta dan X1 , X2 , . . . , Xk adalah variabel acak,
maka:
 k k

Var (∑ ai Xi ) = ∑ a2i Var(Xi ) + 2 ∑ ∑ ai aj Cov(Xi , Xj )

i≠j
i=1 i=1

dan jika X1 , X2 , . . . , Xk saling bebas, maka:

k k

Var (∑ ai Xi ) = ∑ a2i Var(Xi )

i=1 i=1

Contoh:
Suatu percobaan menghasilkan dua macam keluaran, yaitu sukses (x = 1) dan gagal (x
= 0). Jika P(x = 0) = 1 − 𝜃 dan P(x = 1) = 𝜃, tentukan E(X) dan Var(X)!
Penyelesaian:
Percobaan tersebut merupakan percobaan dari sebaran Bernoulli, maka X memiliki
fungsi kepadatan peluang:
P(X = x) = 𝜃 x (1 − 𝜃 )1-x, x = 0,1
sehingga:
1

𝐸 (𝑋) = ∑ 𝑖𝑃(𝑥 = 𝑖 )
i=0

= 0. 𝑃(𝑥 = 0) + 1. 𝑃 (𝑥 = 1)
= 0(1 − 𝜃) + 1(𝜃)
=𝜃
dan
𝑉𝑎𝑟(𝑋) = 𝐸 (X − 𝜃 )2 = (0 − 𝜃 )2 𝑃(𝑥 = 0) + (1 − 𝜃 )2 𝑃(𝑥 = 1)
= 𝜃 2 ( 1 − 𝜃 ) + (1 − 𝜃 )2 𝜃
= 𝜃 (1 − 𝜃 )(𝜃 + 1 − 𝜃 )
= 𝜃 (1 − 𝜃 )
2. Korelasi
Definisi 2:
Jika 𝑋 dan 𝑌 adalah variabel acak dengan varian 𝜎X2 dan 𝜎Y2 dan covarian 𝜎XY =
Cov(X, Y), maka koefisien korelasi dari 𝑋 dan 𝑌 adalah:
𝜎XY
𝜌=
𝜎X 𝜎Y
Variabel acak 𝑋 dan 𝑌 dikatakan tidak berkorelasi jika 𝜌 = 0, jika sebaliknya maka
disebut berkorelasi. Symbol korelasi juga dapat dinyatakan dengan 𝜌XY.

Teorema 7:
Jika 𝜌 adalah koefisien korelasi dari 𝑋 dan 𝑌, maka:
(i) −1 ≤ 𝜌 ≤ 1, dan
(ii) 𝜌 = ±1 jika dan hanya jika Y = aX + b dengan peluang 1 untuk beberapa a ≠ 0
dan b

TUGAS NOMOR 3: BUKTIKAN TEOREMA 7

3. Nilai Harapan Bersyarat

Definisi 3:
Jika 𝑋 dan 𝑌 merupakan variabel acak yang memiliki sebaran Bersama, maka nilai
harapan bersyarat dari 𝑌 diberikan 𝑋 didefinisikan oleh:
E(Y|x) = ∑y y f(y|x) jika 𝑋 dan 𝑌 merupakan variabel acak diskrit.
∞
E(Y|x) = ∫-∞ y f(y|x) dy jika 𝑋 dan 𝑌 merupakan variabel acak kontinu.

Contoh:
Diketahui 𝑋 dan 𝑌 merupakan variabel acak yang memiliki fkp bersyarat:
2 x
f(y|x) = x , 0 < y < 2

nilai harapan bersyarat adalah:

x⁄2
2
𝐸(𝑌|𝑥 ) = ∫ y ( ) 𝑑𝑦
0 x
 2
(2⁄x)(x⁄2)
=
2
x
= , 0<x<2
4

Teorema 9:
Jika 𝑋 dan 𝑌 adalah variabel acak yang memiliki sebaran Bersama, maka:
E[E(Y|X)] = E(Y)
Bukti untuk kasus kontinu:
∞
𝐸 [𝐸 (𝑌|𝑋)] = ∫ 𝐸 (𝑌|𝑥 )f1 (𝑥 )𝑑𝑥
-∞
∞ ∞
= ∫ ∫ yf(y|x) f1 (𝑥 ) dy dx
-∞ -∞
∞ ∞
= ∫ y ∫ f(x, y) dx dy
-∞ -∞
∞
= ∫ 𝑦f2 (𝑦)𝑑𝑦
-∞

= E(Y)

TUGAS NOMOR 4: BUKTIKAN TEOREMA 9 UNTUK KASUS DISKRIT

Contoh:
Misalkan variabel acak X merupakan banyaknya typo pada suatu skripsi mahasiswa A,
dimana X memiliki sebaran Poisson dengan rata-rata E(X) = 20. Mahasiswa B diminta
mengoreksi untuk menemukan typo pada skripsi si A. si B menemukan rata-rata typo
sebesar 85%.
Jika terdapat x typo pada skripsi si A, maka banyaknya typo merupakan suatu variabel
berdistribusi binomial dengan parameter n = x dan p = 0,85. Dengan kata lain
Y~Binomial(x, 0,85).
E(Y) = np
Nilai harapan bersyarat:
E(Y|x) = 0,85x
Jadi, rata-rata typo pada skripsi si A yang akan ditemukan oleh si B adalah:
𝐸 (𝑌) = 𝐸 [𝐸 (𝑌 |𝑋)]
= E(0,85X)
= 0,85𝐸 (𝑋)
= 17

Teorema 10:
Jika 𝑋 dan 𝑌 adalah variabel acak yang saling bebas, maka E(Y|x) = E(Y) dan E(X|y) =
E(X).
Bukti untuk kasus kontinu:
Jika 𝑋 dan 𝑌 saling bebas, maka f(x, y) = f1 (x)f2 (y), sehingga f(y|x) = f2 (y) dan f(x|y) =
f1 (x).
∞
𝐸 (𝑌|𝑥 ) = ∫ 𝑦𝑓(𝑦|𝑥 )𝑑𝑦
-∞
∞
= ∫ yf2 (y) dy
-∞

= E(Y)

Definisi 4:
Varian bersyarat dari 𝑌 diberikan 𝑋 didefinisikan oleh:
Var(Y|x) = E{[Y − E(Y|x)]2 |x}

Bentuk lain dari definisi 4 diformulasikan dengan:

Var(Y|x) = E(Y 2 |x) − [E(Y|x)]2

Teorema 11:
Jika 𝑋 dan 𝑌 adalah variabel acak yang memiliki sebaran Bersama, maka:
Var(Y|x) = EX[Var(Y|X)] + VarX [E(Y|X)]
Bukti:
EX [Var(Y|X)] = EX {E(Y2 |X) − [E(Y|X)]2 }
= {E(Y2 ) − EX [E(Y|X)]2 }
 = E(Y2 ) − [E(Y)]2 − {EX [E(Y|X)]2 − [E(Y)]2 }
= Var(Y) − VarX [E(Y|X)]

Teorema 11 mengindikasikan bahwa varian bersyarat lebih kecil daripada varian. Varian
bersyarat akan sama dengan varian jika 𝑋 dan 𝑌 adalah variabel acak yang saling bebas,
karena E(Y|X) bukan merupakan fungsi dari X dan Var[E(Y|X)] = 0.

Teorema 12:
Jika 𝑋 dan 𝑌 adalah variabel acak yang memiliki sebaran bersama dan h(x, y) adalah
suatu fungsi, maka:
E[h(X, Y] = EX{E[h(X, Y)|X]}

Teorema 12 merupakan teorema yang menyatakan nilai harapan bersama. Kuantitas

pada sisi kiri dapat diselesaikan dengan dua Langkah. Langkah pertama, menemukan
nilai harapan bersyarat E[h(X, Y)|X]. Langkah kedua, menemukan nilai harapan dari nilai
harapan bersyarat (pada Langkah pertama) yang berelasi dengan sebaran marjinal dari
X.

Teorema 13:
Jika 𝑋 dan 𝑌 adalah variabel acak yang memiliki sebaran bersama dan g(x) adalah suatu
fungsi, maka:
E[g(X)Y|x] = g(x)E(Y|x)

Contoh:
Jika (X, Y)~Multinomial(n, p1 , p2 ), maka
X~Binomial(n, p1 )
Y~Binomial(n, p2 )
p2
Y|x~Binomial(n-x, p), dengan p =
1 − p1
(n−x)p2
dan E(Y|x) =
1−p1

Tentukan Cov(X,Y)!
Penyelesaian:
𝐸 (𝑋𝑌) = 𝐸 [𝐸 (𝑋𝑌|𝑋)]
= E[XE(Y|X)]
X(n − X)p2
= E( )
1 − p1
p2
=[ ] [nE(X) − E(X2 )]
1 − p1
Substitusi E(X) = np1 dan E(X2 ) = Var(X) + (np1 )2 = np1 [1 + (n − 1)p1 ], sehingga
diperoleh:
E(XY) = n(n-1)p1 p2
Jadi,
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋)𝐸(𝑌)
= n(n-1)p1 p2 − (np1 )(np2 )
= −np1 p2

4. Fungsi Pembangkit Momen Bersama

Definisi 5:
Fungsi Pembangkit Momen Bersama dari 𝑿 = (X1 , X2 , . . . , Xk ) didefinisikan oleh:
k

M𝑿 (t) = E [exp (∑ ti X i )]
i=1

Dengan 𝒕 = (t1 , t2 , . . . , tk ) dan −h < t1 < h untuk beberapa h > 0.

Berdasarkan definisi 5, dapat ditentukan fungsi pembangkit momen sebaran marjinal

dari fungsi pembangkit momen Bersama. Sebagai contoh:
MX (t1 ) = MX,Y(t1 , 0)
MY (t2 ) = MX,Y(0, t2 )
Teorema 14:
Jika MX,Y(t1 , t2 ) ada, maka variabel acak 𝑋 dan 𝑌 saling bebas jika dan hanya jika
MX,Y(t1 , t2 ) = MX (t1 )MY (t2 )

Contoh:
Misalkan 𝑿 = (X1 , . . . , Xk )~Multinomial(n, p1 , . . . , pk ).
Berdasarkan contoh sebelumnya diketahui bahwa sebaran marjinal adalah binomial,
Xi ~Binomial(n, pi ).
Fungsi pembangkit momen Bersama adalah:
k

M𝑿 (𝑡) = 𝐸 [exp (∑ ti X i )]
i=1

n
= ∑. . . ∑ (p et1 )x1 … (pk etk )xk pxk+1
k+1
x1 !. . . xk+1 ! 1
= (p1 et1 +. . . +pk etk + pk+1 )n
dengan pk+1 = 1 − p1 −. . . −pk .
berdasarkan contoh tersebut, jelas bahwa sebaran marjinal Bersama juga merupakan
multinomial. Sebagai contoh, jika (X1 , X 2 , X3 )~Multinomial(n, p1 , p2 , p3 ), maka
MX1,X2 (t1 , t2 ) = MX1 ,X2 ,X3 (t1 , t2 , 0)
n
= (p1 et1 + p2 et2 + p3 + (1 − p1 − p2 − p3 ))
= (p1 et1 + p2 et2 + 1 − p1 − p2 )n
Jadi, (X1 , X2 )~Multinomial(n, p1 , p2 ).