Bab Iv

BAB IV: DISTRIBUSI BERSAMA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER

Departemen Matematika
Indonesia
DISTRIBUSI DISKRIT BERSAMA
Table of Contents
1 DISTRIBUSI DISKRIT BERSAMA
2 DISTRIBUSI KONTINU BERSAMA
3 VARIABEL ACAK INDEPENDEN
4 DISTRIBUSI BERSYARAT
5 SAMPEL ACAK
6 ASSIGNMENT 4
by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2 / 51


Definition 1
Fungsi kepadatan peluang bersama (pdf bersama) dari variabel acak diskrit
berdimensi-k, X = (X1 , X2 , · · · , Xk ) didefinisikan sebagai
f (x1 , x2 , · · · , xk ) = P [X1 = x1 , X2 = x2 , · · · , Xk = xk ] (1)
untuk semua nilai x = (x1 , x2 , · · · , xk ) dari X.
Notasi
[X1 = x1 , X2 = x2 , · · · , Xk = xk ]
merepresentasikan irisan dari k kejadian
[X1 = x1 ] ∩ [X2 = x2 ] ∩ · · · ∩ [Xk = xk ]
. Notasi lain untuk menyatakan pdf bersama adalah
fX1 ,X2 ,··· ,Xk (x1 , x2 , · · · , xk )
.

Example 1
Sebuah tempat sampah berisi 1000 benih bunga dan 400 diantaranya adalah benih
berbunga merah. Dari benih yang tersisa, 400 berbunga putih dan 200 berbunga
merah muda. Jika 10 biji dipilih secara acak tanpa pengembalian, maka banyaknya
benih berbunga merah, X1 , dan banyaknya benih berbunga putih, X2 , dalam sam-
pel merupakan peubah acak diskrit yang terdistribusi bersama. Pdf bersama dari
pasangan (X1 , X2 ) adalah sebagai berikut

400 400 200
x1 x2 10 − (x1 + x2 )
f (x1 , x2 ) = (2)
1000
10
untuk setiap 0 ≤ x1 dan x1 +x2 ≤ 10. Peluang terambilnya tepat 2 benih berbunga
merah, 5 putih, dan 3 merah muda adalah f (2, 5) = 0.0331.


EXTENDED HYPERGEOMETRIC DISTRIBUTION
Misalkan koleksi terdiri dari sejumlah item N dengan k + 1 jenis berbeda; M1 tipe
1, M2 tipe 2, dan seterusnya. Pilih n item secara acak tanpa pengembalian,
dan misalkan Xi adalah jumlah item yang dipilih dari tipe ke-i. Vektor X =
(X1 , X2 , · · · , Xk ) berdistribusi hypergeometric yang diperluas dengan pdf sebagai
berikut
M1 M2 Mk Mk+1
···
x1 x2 xk xk+1
f (x1 , x2 , · · · , xk ) = (3)
N
n
Pk Pk
untuk setiap 0 ≤ xi ≤ Mi , dengan Mk+1 = N − i=1 Mi dan xk+1 = n− i=1 xi .
Notasi khusus bagi distribusi ini adalah
X ∼ HY P (n, M1 , M2 , · · · , Mk , N )


MULTINOMIAL DISTRIBUTION
Masalah terkait ketika item dipilih dengan pengembalian dapat diselesaikan den-
gan bentuk yang lebih umum dari distribusi binomial yang dikenal sebagai distribusi
multinomial.
Misalkan ada k + 1 kejadian saling lepas dan lengkap, katakanlah E1 , E2 , · · · ,
Ek , Ek+1 , yang dapat terjadi pada uji coba percobaan apa pun, dan misalkan pi =
P (Ei ) untuk i = 1, 2, · · · , k + 1. Pada percobaan independen n, misalkan Xi
menyatakan jumlah kemunculan kejadian Ei . Vektor X = (X1 , X2 , · · · , Xk )
dikatakan memiliki distribusi multinomial dengan pdf bersama sebagai berikut
n! xk+1
f (x1 , x2 , · · · , xk ) = px1 px2 · · · pk+1 (4)
x1 !x2 ! · · · xk+1 ! 1 2
Pk Pk
untuk setiap 0 ≤ xi ≤ n, dengan xk+1 = n − i=1 xi dan pk+1 = 1 − i=1 pi .
Notasi khusus untuk distribusi multinomial adalah
X ∼ M U LT (n, p1 , p2 , · · · , pk )


Example 2
Misalkan nilai f (2, 5) pada contoh 1 didekati menggunakan Persamaan 4 dengan
p1 = p2 = 0.4 dan p3 = 0.2. Pendekatan nilainya adalah f (2, 5) = 0.033, dimana
nilainya hampir sama dengan hasil perhitungan menggunakan Persamaan 3.
Theorem 1
Suatu fungsi f (x1 , x2 , · · · , xk ) adalah pdf bersama untuk vektor variabel acak X =
(X1 , X2 , · · · , Xk ) jika dan hanya jika memenuhi sifat-sifat berikut:
f (x1 , x2 , · · · , xk ) ≥ 0 untuk setiap kemungkinan nilai (x1 , x2 , · · · , xk )
dan X X
··· f (x1 , x2 , · · · , xk ) = 1
x1 xk

Dalam beberapa masalah dua dimensi, menyajikan pdf bersama dalam bentuk tabel
lebih mudah. Misalkan (X1 , X2 ) ∼ M U LT (3; 0.4, 0.4) pada Contoh 1. Peluang
untuk setiap (x1 , x2 ) dapat dinyatakan dalam tabel berikut.
x2
f (x1 , x2 ) f1 (x1 )
0 1 2 3
0 0.008 0.048 0.096 0.064 0.216
x1 1 0.048 0.192 0.192 0 0.432
2 0.096 0.192 0 0 0.288
3 0.064 0 0 0 0
f2 (x2 ) 0.216 0.432 0.288 0.064 1


Sekarang kita tertarik pada pdf marginal P [X1 = 0]. Dengan mengasumsikan
A menyatakan kejadian X1 = 0 dan Bj menyatakan kejadian X2 = j dengan
j = 0, 1, 2, 3. Peluang marginal, P (A) = P [X1 = 0] dapat dihitung menggunakan
teorema peluang total sebagai berikut,
3
X
P (A) = P (A ∩ Bj )
j=0
3
X
= P [X1 = 0, X2 = j]
j=0
X
= f (0, x2 )
x2
= 0.216
Nilai dari f1 (x1 ) = P [X1 = x1 ] diberikan di kolom paling kanan tabel untuk setiap
nilai yang mungkin dari x1 dan f1 (x1 ) disebut sebagai marginal pdf dari X1 .


Definition 2
Jika sepasang (X1 , X2 ) variabel acak diskrit memiliki pdf bersama f (x1 , x2 ),
maka pdf marginal dari X1 and X2 adalah
X
f1 (x1 ) = f (x1 , x2 ),
x2
dan X
f2 (x2 ) = f (x1 , x2 ).
x1
Notasi lain untuk menyatakan pdf marginal adalah fX1 (x1 ) dan fX2 (x2 ). Kita
dapat menurunkan suatu formula pdf marginal f1 (x1 ) dan f2 (x2 ) jika pdf bersama
f (x1 , x2 ) dapat dinyatakan dalam bentuk fungsi analitik.
Sebagai contoh, (X1 , X2 ) ∼ M U LT (n, p1 , p2 ). Pdf marginal dari X1 adalah
!
n
f1 (x1 ) = px1 1 (1 − p1 )n−x1
x1

Jika X menyatakan variabel acak diskrit berdimensi k dan A sebuah kejadian, maka
X X
P [X ∈ A] = · · ·x∈A f (x1 , x2 , · · · , xk )
Sebagai contoh, pada soal benih bunga sebelumnya, kita ingin mengetahui pelu-
ang bahwa jumlah benih berbunga merah, X1 kurang dari jumlah benih berbunga
putih,X2 .
P [X1 < X2 ] = f (0, 1) + f (0, 2) + f (0, 3) + f (1, 2) = 0.4
x2
3
(1, 2)
2
x2
=
x1
x1
1 2 3

Definition 3
Fungsi distribusi kumulatif (CDF) bersama dari k variabel acak X1 , X2 , · · · , Xk
adalah suatu fungsi yang didefinisikan oleh
F (x1 , x2 , · · · , xk ) = P [X1 ≤ x1 , · · · , Xk ≤ xk ]
F (x1 , x2 , · · · , xk ) menyatakan bahwa peluang bersama vektor variabel acak X

berdimensi k terletak pada suatu wilayah, A yang berbentuk persegi panjang.


Theorem 2
Suatu fungsi F (x1 , x2 ) adalah CDF bersama dari variabel acak X1 dan X2
(bivariat CDF) jika dan hanya jika
lim F (x1 , x2 ) = F (−∞, x2 ) = 0; untuk setiap x2 (5)

x1 →−∞
lim F (x1 , x2 ) = F (x1 , −∞) = 0; untuk setiap x1 (6)

x2 →−∞
lim F (x1 , x2 ) = 1 (7)

x1 → ∞
x2 → ∞
F (b, d) − F (b, c) − F (a, d) + F (a, c) ≥ 0 untuk setiap a < b dan c < d (8)
lim F (x1 + h, x2 ) = lim+ F (x1 , x2 + h) = F (x1 , x2 ) (9)
h→0+ h→0
untuk setiap x1 dan x2


EXERCISES
1 Lima kartu diambil tanpa pengembalian dari setumpuk 52 kartu biasa. Mis-
alkan X menyatakan jumlah kartu as, Y jumlah kartu King, dan Z jumlah
kartu Queen yang diperoleh. Dapatkan peluang dari setiap kejadian berikut:
(a) A = [X = 2]; (d) A ∪ B; (g) [X < 2]
(b) B = [Y = 2]; (e) A given B; (h) [X ≥ 2]
(c) A ∩ B; (f) [X = x]; (i) [X = 2, Y = 2, Z = 1]
2 Jika X dan Y adalah variabel acak dengan pdf bersama
2x+y
f (x, y) = c ; x = 0, 1, 2, · · · ; y = 0, 1, 2, · · ·
x!y!
dan nol untuk lainnya.
(a) Dapatkan konstanta c.
(b) Dapatkan marginal pdf dari X dan Y .

DISTRIBUSI KONTINU BERSAMA
Table of Contents
5 SAMPEL ACAK
6 ASSIGNMENT 4

Definition 4
Suatu vektor variabel acak berdimensi k, X = (X1 , X2 , · · · , Xk ) dikatakan kontinu
jika terdapat fungsi pdf bersama, f (x1 , x2 , · · · , xk ) dari X, sehingga CDF bersama
dapat dinyatakan sebagai
Z xk Z x1
F (x1 , x2 , · · · , xk ) = ··· f (t1 , · · · , tk ) dt1 · · · dtk (10)
−∞ −∞
untuk setiap x = (x1 , x2 , · · · , xk ).
Pdf bersama dapat diperoleh dari CDF bersama dengan diferensiasi selama turunan-
nya ada.
∂k
f (x1 , x2 , · · · , xk ) = F (x1 , x2 , · · · , xk )
∂x1 · · · ∂xk

Theorem 3
Fungsi sebarang f (x1 , x2 , · · · , xk ) merupakan suatu pdf bersama dari variabel acak
berdimensi k jika dan hanya jika
f (x1 , x2 , · · · , xk ) ≥ 0; untuk setiap x1 , x2 , · · · , xk ,
dan Z ∞ Z ∞
··· f (x1 , · · · , xk ) dx1 · · · dxk = 1.
−∞ −∞

Example 3
Misalkan X1 menunjukkan konsentrasi zat tertentu dalam satu uji coba dari suatu
percobaan dan X2 menyatakan konsentrasi zat dalam uji coba kedua dari percobaan
tersebut. Diasumsikan bahwa pdf bersamanya diberikan oleh
(
4x1 x2 ; 0 < x1 < 1; 0 < x2 < 1
f (x1 , x2 ) =
0; lainnya
CDF bersama adalah sebagai berikut

Z x2 Z x1
F (x1 , x2 ) = f (t1 , t2 ) dt1 dt2
−∞ −∞
Z x2 Z x1
= 4t1 t2 dt1 dt2
0 0
2 2
= x1 x2 ; 0 < x1 < 1; 0 < x2 < 1


Daerah lainnya dari F (x1 , x2 ) ditampilkan pada gambar berikut
Dengan demikian kita dapat menyatakan CDF nya sebagai berikut:



 0; x1 ≤ 0; x2 ≤ 0
2 2

 1 2 0 < x1 < 1; 0 < x2 < 1
x x ;


F (x1 , x2 ) = x22 ; x1 ≥ 1; 0 < x2 < 1
2



 x1 ; x2 ≥ 1; 0 < x1 < 1

1; x1 ≥ 1; x2 ≥ 1


Contoh lainnya, kita tertarik untuk mendapatkan peluang bahwa dalam kedua uji
coba tersebut menghasilkan ”rata-rata kandungan zatnya kurang dari 0.5”. Kita
dapat mendefinisikan daerahnya sebagai A = (x1 , x2 )|(x1 + x2 )/2 < 0.5.

X1 + X2
P < 0.5 = P [(X1 , X2 ) ∈ A]
2
Z 1 Z (1−x2 )
= 4x1 x2 dx1 dx2
0 0
1
=
6
Untuk memudahkan, kita dapat menggambar sketsa grafik dan daerahnya untuk
mendapatkan batas-batas daerahnya.

Definition 5
Jika sepasang variabel acak kontinu, (X1 , X2 ) memiliki pdf bersama, f (x1 , x2 ),
maka pdf marginal dari X1 and X2 adalah
Z ∞
f1 (x1 ) = f (x1 , x2 ) dx2 ,
−∞
dan Z ∞
f2 (x2 ) = f (x1 , x2 ) dx1 .
−∞
Berdasarkan pdf bersama dalam Contoh 3, marginal pdf dari X1 sebagai berikut
Z 1
f1 (x1 ) = 4x1 x2 dx2
0
= 2x1 ; 0 < x1 < 1


Definition 6
Jika X = (X1 , X2 , · · · , Xk ) adalah variabel acak berdimensi k dengan CDF
bersama, F (x1 , x2 , · · · , xk ), maka CDF marginal dari Xj is
Fj (xj ) = lim F (x1 , x2 , · · · , xk )

xi → ∞
all i ̸= j
Example 4
Misalkan X1 , X2 , X3 adalah variabel acak kontinu dengan pdf bersama,
f (x1 , x2 , x3 ) = 6 untuk 0 < x1 < x2 < x3 < 1dan nol lainnya. Pdf marginal
dari X3 adalah
Z x3 Z x2
f3 (x3 ) = 6 dx1 dx2
0 0
= 3x23 ; 0 < x3 < 1

Example 5
Contoh lainnya, pdf bersama, f (x1 , x2 ) dapat diperoleh dengan
Z ∞
f (x1 , x2 ) = f (x1 , x2 , x3 ) dx3
−∞
Z 1
= 6 dx3
x2
= 6(1 − x2 ); 0 < x1 < x2 < x3 < 1


EXERCISES
1 Perhatikan fungsi F (x1 , x2 ) yang didefinisikan sebagai berikut


2
0.25(x1 + x2 ) ; 0 ≤ x1 < 1; 0 ≤ x2 < 1

F (x1 , x2 ) = 0; x1 < 0; x2 < 0

1; lainnya

Apakah F (x1 , x2 ) sebuah CDF bivariat?

2 Misalkan pdf bersama dari masa pakai suatu bagian dan cadangan tertentu
diberikan oleh
f (x, y) = e−(x+y) 0 < x < ∞; 0 < y < ∞

dan nol lainnya. Dapatkan:
1 Pdf marginal dari X dan Y .
2 CDF bersama
3 P [X > 2]
4 P [X < Y ]
5 P [X + Y > 2]
VARIABEL ACAK INDEPENDEN
Table of Contents
5 SAMPEL ACAK
6 ASSIGNMENT 4

Misalkan bahwa X1 dan X2 adalah variabel acak diskrit dengan peluang bersama
disajikan dalam tabel berikut.
x2
f (x1 , x2 ) f1 (x1 )
0 1 2
0 0.1 0.2 0.1 0.4
x1 1 0.1 0.2 0.1 0.4
2 0.1 0.1 0 0.2
f2 (x2 ) 0.3 0.5 0.2 1
Berdasarkan tabel tersebut, kita tahu bahwa [X1 = 1] dan [X2 = 1] adalah inde-
penden karena f (1, 1) = 0.2 = f1 (1)f2 (2). Namun, f (1, 2) = 0.1 ̸= f1 (1)f2 (2),
sehingga kejadian-kejadian ini tidak independen.


Definition 7
Variabel acak X1 , · · · , Xk dikatakan independen jika untuk setiap ai < bi ,
k
Y
P [a1 ≤ X1 ≤ b1 , · · · , ak ≤ Xk ≤ bk ] = P [ai ≤ Xi ≤ bi .] (11)
i=1
Theorem 4
Variabel acak X1 , · · · , Xk dikatakan independen jika dan hanya jika memenuhi
sifat-sifat berikut:
F (x1 , · · · , xk ) = F1 (x1 ) · · · Fk (xk ) (12)

f (x1 , · · · , xk ) = f1 (x1 ) · · · fk (xk ) (13)
dimana Fi (xi ) dan fi (xi ) adalah CDF marginal dan pdf marginal dari Xi .


Theorem 5
Dua variabel acak X1 dan X2 dengan pdf bersama f (x1 , x2 ) adalah independen
jika dan hanya jika:
1 ”Himpunan pembangunnya”, {(x1 , x2 )|f (x1 , x2 ) > 0} merupakan sebuah
Cartesian product, A × B, dan
2 pdf bersamanya dapat difaktorkan dalam perkalian dari fungsi x1 dan x2 ,
f (x1 , x2 ) = g(x1 )h(x2 ).
Example 6
Misalkan sepasang variabel acak X1 dan X2 adalah
f (x1 , x2 ) = 8x1 x2 ; 0 < x1 < x2 < 1
dan nol lainnya. Dengan memperhatikan Teorema 5, pdf bersamanya dapat di-
faktorkan, tetapi himpunan pendukungnya tidak dapat dinyatakan dalam bentuk
Cartesian product. Sehingga, X1 dan X2 adalah dependen.


Example 7
Misalkan pdf bersama dari sepasang variabel acak X1 dan X2 adalah
f (x1 , x2 ) = x1 + x2 ; 0 < x1 < 1, 0 < x2 < 1
dan nol lainnya. Pada kasus ini, himpunan pembangunnya dapat dinyatakan dalam
Cartesian product, tetapi fungsi pdf bersamanya tidak dapat difaktorkan menjadi
g(x1 )h(x2 ). Jadi, X1 dan X2 adalah dependen.
Example 8
Dua komponen dalam roket beroperasi secara independen, dan probabilitas bahwa
setiap komponen gagal saat diluncurkan adalah p. Misalkan X menunjukkan jum-
lah peluncuran yang diperlukan untuk kegagalan komponen 1 dan Y menunjukkan
jumlah peluncuran yang diperlukan untuk kegagalan komponen 2. Dengan asumsi
percobaan peluncuran independen, setiap variabel X, Y ∼ GEO(p).


Example
Pdf bersama dari (X, Y ) adalah
fX,Y (x, y) = fX (x)fY (y)

= pq x−1 pq y−1
= p2 q x+y−2 ; x = 1, 2, · · · ; y = 1, 2, · · ·
dan CDF bersama dari X dan Y adalah

y X
X x
FX,Y (x, y) = fX,Y (x, y)
j=1 i=1
Xy Xx
j−1 i−1
= pq pq
j=1 i=1
= (1 − q y )(1 − q x )
= FX (x)FY (y)


Example
Dalam kasus lain, didefinisikan bahwa T = X + Y adalah jumlah percobaan yang

diperlukan untuk mendapatkan kegagalan di kedua komponen. Pdf bersama dari
X dan T diberikan oleh
fX,T (x, t) = P [X = x, T = t]
= P [X = x, Y = t − x]
= fX,Y (x, (t − x))
= p2 q t−2 ; t = x + 1, x + 2, · · · ; x = 1, 2, · · · , t − 1
apakah X dan T independen ?


Example
CDF bersama dari X dan T adalah

x
X t
X
FX,T (x, t) = p2 q t−2
k=1 t=k+1
= 1 − q − pxq t−1 ;
x
t = x + 1, x + 2, · · · ; x = 1, 2, · · · , t − 1
Marginal CDF dari X dan T adalah
FX (x) = lim FX,T (x, t) = 1 − q x ; x = 1, 2, · · ·

t→∞
FT (t) = lim FX,T (x, t) = FX,T (t − 1, t)

x→∞
= 1 − q t−1 − p(t − 1)q t−1 ; t = 2, 3, · · ·


Example
Pdf marginal dari T diperoleh dengan mengambil selisih CDF,
fT (t) = FT (t) − FT (t − 1); atau menggunakan definisi

t−1
X
= fX,T (x, t)
x=1
= (t − 1)p2 q t−2 ; t = 2, 3, · · ·
Distribusi apa yang sesuai dengan pdf marginal dari X dan pdf marginal dari T ?


Exercise
1 Jika X dan Y adalah variabel acak diskrit dengan pdf bersama
2x+y
f (x, y) = c ; x = 0, 1, 2, · · · ; y = 0, 1, 2, · · ·
x!y!
dan nol lainnya. Apakah X dan Y independen ?
2 Misalkan pdf bersama dari masa pakai suatu bagian dan cadangan tertentu
diberikan oleh
f (x, y) = e−(x+y) 0 < x < ∞; 0 < y < ∞
dan nol lainnya. Apakah X dan Y independen ?

DISTRIBUSI BERSYARAT
Table of Contents
5 SAMPEL ACAK
6 ASSIGNMENT 4

Definition 8
Jika X1 dan X2 adalah variabel acak diskrit atau kontinu dengan pdf bersama,
f (x1 , x2 ), maka pdf bersyarat dari X2 yang diberikan X1 = x1 didefinisikan sebagai
f (x1 , x2 )
f (x1 |x1 ) = (14)
f1 (x1 )
untuk semua nilai x1 sehingga f1 (x1 ) > 0 dan nol lainnya.
Pdf bersyarat dari X1 yang diberikan X2 = x2 adalah
f (x1 , x2 )
f (x1 |x2 ) =
f2 (x2 )
untuk semua nilai x2 sehingga f2 (x2 ) > 0 dan nol lainnya.

EXAMPLE
Example 9
Misalkan X1 , X2 , X3 adalah kontinu dengan pdf bersama f (x1 , x2 , x3 ) = 6 untuk
0 < x1 < x2 < x3 < 1 dan nol lainnya. Pdf bersyarat X3 yang diberikan (X1 , X2 )
adalah
f (x1 , x2 , x3 )
f (x3 |x1 , x2 ) =
f (x1 , x2 )
6
=
6(1 − x2 )
1
= ; 0 < x1 < x2 < x3 < 1
1 − x2
dan nol lainnya.

Theorem 6
Jika X1 dan X2 adalah variabel acak dengan pdf bersama f (x1 , x2 ) dan pdf
marginal dari f1 (x1 ) dan f2 (x2 ), maka
f (x1 , x2 ) = f1 (x1 )f (x2 |x1 ) = f2 (x2 )f (x1 |x2 ), (15)
dan jika X1 dan X2 adalah independen, maka
f (x2 |x1 ) = f2 (x2 ),
dan
f (x1 |x2 ) = f1 (x1 )
Notasi lain untuk pdf bersyarat dari Y yang diberikan X adalah fY |X (y|x) atau
fY |X (y). Namun kita dapat menggunakan notasi yang lebih sederhana f (y|x),
dimana Y |X atau Y |X = x, sering disebut dengan ”variabel acak bersyarat”.

Example 10
Misalkan X dan T = X + Y adalah independen dan X, Y ∼ GEO(p). Pdf
bersyarat dari T yang diberikan X = x adalah
f (x, t)
f (t|x) =
f (x)
p2 q t−2
= = pq t−x−1 ; t = x + 1, x + 2, · · ·
pq x−1
Asumsikan untuk setiap x = 1, 2, · · · . Pdf besama dari U = T − X yang diberikan

X = x adalah
f (u|x) = P [T − x = u|X = x]
= P [T = u + x|X = x]
= f (u + x|x) = pq u−1 ; u = 1, 2, · · ·
Kita tahu bahwa U yang diberikan X ∼ GEO(p).

Example cont.
Contoh lainnya, pdf bersyarat untuk X yang diberikan T = t adalah
f (x, t)
f (x|t) =
f (t)
p2 q t−2
=
(t − 1)p2 q t−2
1
= ; x = 1, 2, · · · , t − 1
t−1
Dengan demikian, pdf bersyarat pada T = t, X ∼ DU (t − 1).

Example 11
Sebidang tanah datar berbentuk segitiga siku-siku dengan batas selatan sepanjang
dua mil dan batas timur sepanjang satu mil.
1
y
y = x/2
0.7
0.25
0.1
x
0.5 2
Titik mendarat dari benih di udara adalah kejadian yang diamati. Diasumsikan
bahwa: benih mendarat di dalam batas, dengan koordinatnya X dan Y
terdistribusi secara merata di atas permukaan segitiga.

Example cont.
Dengan kata lain, sepasang (X, Y ) memiliki sebuah pdf konstan f (x, y) = c > 0
untuk titik yang berada dalam batas, dan nol lainnya. Memperhatikan sifat-sifat
pdf bersama, kita dapat memperoleh konst c = 1. Pdf bersama dari X dan Y
adalah Z x/2
x
f1 (x) = (1) dy = ; 0 < x < 2,
0 2
dan Z 2
f2 (y) = (1) dx = 2(1 − y); 0 < y < 1.
2y
Pdf bersyarat dari Y yang diberikan X = x adalah

1 2 x
f (y|x) = = ; 0<y< .
x/2 x 2
Pdf bersyarat pada X = x dari Y ∼ U N IF (0, x/2).

Example cont.
Jika kita ingin mengamati saat X = 0.5, maka peluang bersyarat bahwa Y ∈
[0.1, 0.7] dengan mempertimbangkan batas y dalam f (y|x) adalah
Z 0.7
P [0.1 ≤ Y ≤ 0.7|X = 0.5] = f (y|0.5) dy
0.1
Z 0.25
= 4 dy
0.1
= 0.6
Peluang marginal Y ∈ [0.1, 0.7] adalah

Z 0.7 Z 2
P [0.1 ≤ Y ≤ 0.7|X = 0.5] = f (x, y) dx dy
0.1 2y
Z 0.7
= f2 (y) dy
0.1
= 0.72

Example 12
Perhatikan pdf bersama, f (x, y) = x + y untuk 0 < x < 1 dan 0 < y < 1.
Peluang bersyarat dari Y yang diberikan X adalah
f (x, y)
f (y|x) =
f1 (x)
x+y
= ; 0 < y < 1.
x + 0.5
Misalkan X = 0.25 dan Y ∈ (0, 0.5), maka
0.5
0.25 + y
Z
P [0 < Y < 0.5|X = 0.25] = dy
0 0.75
1
=
3

EXERCISE
1 Misalkan bahwa X dan Y memiliki pdf bersama

2
f (x, y) =
(x + 1); 0 < x < 1, 0 < y < 1
3
dan nol lainnya. Dapatkan:
1 f1 (x) dan f2 (y)
2 f (y|x)
3 P [X + Y ≤ 1]
4 P [X < 2Y < 3X]
5 Apakah X dan Y independen?
2 Misalakan X dan Y adalah variabel acak kontinu dengan pdf bersama,
f (x, y) = k(x + y); 0≤x≤y≤1
Dapatkan:
1 nilai k sehingga f (x, y) adalah pdf bersama.
2 pdf marginal, f1 (x1 ) dan f2 (x2 )
3 CDF
4 pdf bersyarat f (y|x) dan f (x|y)
SAMPEL ACAK
Table of Contents
5 SAMPEL ACAK
6 ASSIGNMENT 4

SAMPEL ACAK
SAMPEL ACAK
Definition 9
Himpunan variabel acak X1 , X2 , ·, Xn dikatakan sampel acak berukuran n dari
suatu populasi dengan pdf, f (x) jika pdf bersamanya memiliki bentuk
f (x1 , x2 , · · · , xn ) = f (x1 )f (x2 ) · · · f (xn )
Pengambilan sampel acak mengasumsikan bahwa sampel diambil sedemikian rupa

sehingga variabel acak untuk setiap percobaan independen dan mengikuti fungsi
kepadatan populasinya.

SAMPEL ACAK
SAMPEL ACAK
Example 13
Umur (dalam tahun) dari jenis bola lampu tertentu diasumsikan mengikuti fungsi
kepadatan populasi ”eksponensial” yang diberikan oleh
f (x) = e−x ; 0<x<∞
Jika sampel acak berukuran dua diperoleh dari populasi ini, maka kita akan
mendapatkan
f (x1 , x2 ) = e−(x1 +x2 ) ; 0 < xi < ∞
Misalkan umur total dari dua bola lampu adalah x1 + x2 = 0.5 tahun. Kemudian,
Z 0.5 Z 0.5−x2
P [X1 + X2 ≤ 0.5] = e−(x1 +x2 ) dx1 dx2
0 0
= 1 − 1.5e−0.5 = 0.09

SAMPEL ACAK
SAMPEL ACAK
EXERCISE
1 Misalkan X1 dan X2 adalah sampel acak berdistribusi diskrit dengan pdf

yang diberikan oleh f (1) = f (3) = 0.2 dan f (2) = 0.6.
1 Tabulasikan nilai pdf gabungan dari X1 dan X2 .
2 Tabulasikan nilai dari CDF bersama
3 Dapatkan P [X1 + X2 ≤ 4]
2 Misalkan X1 , X2 , · · · , Xn menotasikan sampel acak dari sebuah populasi
dengan pdf f (x) = 3x2 ; 0 < x < 1 dan nol lainnya.
1 Tuliskan pdf bersamanya.
2 Dapatkan peluang bahwa pengamatan pertama kurang dari 0.5.
3 Dapatkan peluang bahwa semua pengamatan kurang dari0.5.

ASSIGNMENT 4
Table of Contents
5 SAMPEL ACAK
6 ASSIGNMENT 4

ASSIGNMENT 4
Assignments
Buat 5 kelompok dan hasilkan video penyelesaian dari beberapa soal yang sesuai
berikut (lihat halaman 165-170):
Group 1: 1, 7, 15, 20, 27
Group 2: 2, 9, 16, 23, 28
Group 3: 4, 10, 17, 24, 29
Group 4: 5, 11, 18, 25, 30
Group 5: 6, 13, 20, 26, 31
Upload tugas ini pada myITS classroom paling lambat pada 5 Mei 2023.
Catatan Satu video untuk satu soal; Sepanjang video, pemateri harus ada dalam
frame dan tuliskan nama-nama dari pemateri pada 3-5 detik pertama dari video.
Anda bisa mengupload video tersebut di YouTube, kemudian tuliskan linknya di
Classroom.

Bab Iv

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab Iv

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB IV: DISTRIBUSI BERSAMA

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

1 DISTRIBUSI DISKRIT BERSAMA

2 DISTRIBUSI KONTINU BERSAMA

3 VARIABEL ACAK INDEPENDEN

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2 / 51

DISTRIBUSI DISKRIT BERSAMA

f (x1 , x2 , · · · , xk ) = P [X1 = x1 , X2 = x2 , · · · , Xk = xk ] (1)

untuk semua nilai x = (x1 , x2 , · · · , xk ) dari X.

[X1 = x1 ] ∩ [X2 = x2 ] ∩ · · · ∩ [Xk = xk ]

. Notasi lain untuk menyatakan pdf bersama adalah

fX1 ,X2 ,··· ,Xk (x1 , x2 , · · · , xk )

DISTRIBUSI DISKRIT BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 4 / 51

DISTRIBUSI DISKRIT BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 5 / 51

DISTRIBUSI DISKRIT BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 6 / 51

DISTRIBUSI DISKRIT BERSAMA

f (x1 , x2 , · · · , xk ) ≥ 0 untuk setiap kemungkinan nilai (x1 , x2 , · · · , xk )

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 7 / 51

DISTRIBUSI DISKRIT BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 8 / 51

DISTRIBUSI DISKRIT BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 9 / 51

DISTRIBUSI DISKRIT BERSAMA

DISTRIBUSI DISKRIT BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 11 / 51

DISTRIBUSI DISKRIT BERSAMA

F (x1 , x2 , · · · , xk ) menyatakan bahwa peluang bersama vektor variabel acak X

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 12 / 51

DISTRIBUSI DISKRIT BERSAMA

lim F (x1 , x2 ) = F (−∞, x2 ) = 0; untuk setiap x2 (5)

lim F (x1 , x2 ) = F (x1 , −∞) = 0; untuk setiap x1 (6)

lim F (x1 , x2 ) = 1 (7)

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 13 / 51

DISTRIBUSI DISKRIT BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 14 / 51

1 DISTRIBUSI DISKRIT BERSAMA

2 DISTRIBUSI KONTINU BERSAMA

3 VARIABEL ACAK INDEPENDEN

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 15 / 51

DISTRIBUSI KONTINU BERSAMA

untuk setiap x = (x1 , x2 , · · · , xk ).

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 16 / 51

DISTRIBUSI KONTINU BERSAMA

f (x1 , x2 , · · · , xk ) ≥ 0; untuk setiap x1 , x2 , · · · , xk ,

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 17 / 51

DISTRIBUSI KONTINU BERSAMA

CDF bersama adalah sebagai berikut

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 18 / 51

DISTRIBUSI KONTINU BERSAMA

Dengan demikian kita dapat menyatakan CDF nya sebagai berikut:

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 19 / 51

DISTRIBUSI KONTINU BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 20 / 51

DISTRIBUSI KONTINU BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 21 / 51

DISTRIBUSI KONTINU BERSAMA

Fj (xj ) = lim F (x1 , x2 , · · · , xk )

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 22 / 51

DISTRIBUSI KONTINU BERSAMA

by Team Teaching (Teori Peluang) INSTITUT TEKNOLOGI SEPULUH NOPEMBER 23 / 51