lOMoARcPSD|29644094

Bahan Ajar Pengantar Statistika Matematika BA Properties OF

Random Variables
Mathematics Education (Universitas Negeri Semarang)

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Studocu is not sponsored or endorsed by any college or university

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

(PROPERTIES OF RANDOM VARIABLES)

Disusun oleh:

Dr. Walid, S.Pd., M.,Si.

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2022

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

5.1 Perkenalan

Penggunaan variabel acak dan distribusi probabilitasnya telah dibahas sebagai cara untuk
mengekspresikan model matematika untuk fisik non deterministik fenomena. Variabel acak
dapat dikaitkan dengan beberapa karakteristik numerik dari populasi item yang nyata atau
konseptual, dan fkp mewakili distribusi populasi atas kemungkinan nilai karakteristik. Cukup
seringkali kepadatan populasi yang sebenarnya mungkin tidak diketahui. Salah satu
kemungkinan dalam kasus ini adalah untuk mempertimbangkan keluarga fungsi kepadatan
yang diindeks oleh parameter yang tidak diketahui sebagai suatu model yang mungkin dan
kemudian berkonsentrasi pada pemilihan nilai untuk parameter. Penekanan utama dalam
statistik adalah mengembangkan perkiraan parameter yang tidak diketahui berdasarkan data
sampel. Dalam beberapa kasus, parameter dapat mewakili suatu fisik secara kuantitas
bermakna, seperti nilai rata-rata atau rata-rata populasi. Jadi, hal itu bermanfaat untuk
mendefinisikan dan mempelajari berbagai properti variabel acak tersebut semoga bermanfaat
dalam merepresentasikan dan menafsirkan populasi asli, juga berguna dalam memperkirakan
atau memilih model yang sesuai. Dalam beberapa kasus, khusus properti model (seperti
properti tanpa memori dari eksponensial distribusi) mungkin cukup membantu dalam
menunjukkan jenis asumsi fisik yang akan sesuai dengan model itu, meskipun implikasi dari
model biasanya kurang jelas.
5.2 Sifat-Sifat Nilai Harapan

Seperti disebutkan di Bab 2, sering kali perlu mempertimbangkan nilai harapan dari
beberapa fungsi dari satu atau lebih variabel acak. Misalnya, studi mungkin melibatkan
vektor k variabel acak, 𝑋 = (𝑋1, 𝑋2, … , 𝑋𝑘), dan kami berharap untuk mengetahui nilai yang
diharapkan dari beberapa fungsi 𝑋, dikatakan 𝑌 = 𝑢(𝑋). Kita bisa menggunakan notasi
standar𝐸(𝑌), atau kemungkinan lain adalah 𝐸[𝑢(𝑋)], atau 𝐸𝑥[𝑢(𝑋)], dimana subskrip
menekankan bahwa penjumlahan atau integral digunakan untuk mengevaluasi nilai harapan
yang diambil relatif terhadap gabungan fkp dari 𝑋. Teorema berikut menegaskan bahwa
kedua pendekatan tersebut menghasilkan hasil yang sama.

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Teorema 5.2.1 Jika 𝑋 = (𝑋1, 𝑋2, … , 𝑋𝑘) memiliki suati gabungan fkp 𝑓(𝑥1, … , 𝑥𝑘), dan jika
𝑌 = 𝑢(𝑋1, … , 𝑋𝑘) adalah suatu fungsi dari 𝑋, maka 𝐸(𝑌) = 𝐸𝑥[𝑢(𝑋1, … , 𝑋𝑘)], di mana
𝐸𝑥[𝑢(𝑋1, … , 𝑋𝑘)] = ∑𝑥1 … ∑𝑥𝑘 𝑢(𝑥1, … , 𝑥𝑘) 𝑓(𝑥1, … , 𝑥𝑘) (5.2.1)
Jika 𝑋 diskrit, dan
∞ ∞
𝐸𝑥[𝑢(𝑋1, … , 𝑋𝑘)] = ∫ … ∫ 𝑢(𝑥1, … , 𝑥𝑘)𝑓(𝑥1, … , 𝑥𝑘) 𝑑𝑥1, … , 𝑑𝑥𝑘
−∞ −∞

Jika 𝑋 adalah kontinu

(5.2.2)
Bukti akan dihilangkan di sini, tetapi metode pembuktian akan dibahas di Bab 6. Kita
menggunakan hasil dari teorema untuk mendapatkan beberapa properti tambahan dari nilai
harapan.
Teorema 5.2.2 Jika 𝑋1 dan 𝑋2 adalah variabel acak dengan fkp bersama𝑓(𝑥1, 𝑥2), maka
𝐸(𝑋1 + 𝑋2) = 𝐸(𝑋1) + 𝐸(𝑋2) (5.2.3)
Bukti:

Perhatikan bahwa nilai harapan di sisi kiri persamaan (5.2.3) adalah relatif terhadap fkp
gabungan dari 𝑋 = (𝑋1, 𝑋2), sedangkan suku-suku di sisi kanan bisa relatif baik terhadap fkp
bersama atau fkp marginal. Jadi, pernyataan persamaan yang lebih tepat(5.2.3) akan menjadi
𝐸𝑥(𝑋1 + 𝑋2) = 𝐸𝑥(𝑋1) + 𝐸𝑥(𝑋2)

= 𝐸𝑥1 (𝑋1) + 𝐸𝑥2 (𝑋2)

Kami akan menunjukkan ini untuk kasus kontinu:

𝐸(𝑋1 + 𝑋2) = 𝐸∞
𝑥(𝑋1∞+ 𝑋2)
= (𝑥 + 𝑥 )𝑓(𝑥 , 𝑥 ) 𝑑𝑥 𝑑𝑥
∫−∞ ∫−∞ 1 2 1 2 1 2
=
𝑥 ∞ ∞ 𝑓(𝑥 ,𝑥 ) 𝑑𝑥 𝑑𝑥 + ∞ ∞ 𝑥 𝑓(𝑥 ,𝑥 ) 𝑑𝑥 𝑑𝑥
∫−∞ ∫−∞ 1 1 2 1 2 ∫−∞ ∫−∞ 2 1 2 1 2
= ∞ 𝑥 ∞
𝑓(𝑥 ,𝑥 ) 𝑑𝑥 𝑑𝑥 + ∞ 𝑥 ∞ 𝑓(𝑥 ,𝑥 ) 𝑑𝑥 𝑑𝑥
∫− 1 ∫ 1 2 1 2 2 ∫−∞ 1 2 1 2
−∞
∞ ∫ −∞
∞ ∞
= ∫−∞ 𝑥1𝑓𝑥1(𝑥1) 𝑑𝑥1 + ∫−∞ 𝑥2𝑓𝑥2(𝑥2) 𝑑𝑥2
= 𝐸𝑥1 (𝑋1) + 𝐸𝑥2 (𝑋2)
= 𝐸(𝑋1) + 𝐸(𝑋2)
Kasus diskritnya serupa.
Mungkin untuk menggabungkan teorema sebelumnya untuk menunjukkan bahwa jika
𝑎1, 𝑎2, … , 𝑎𝑘 adalah konstan dan 𝑋1, 𝑋2, … , 𝑋𝑘 adalah variabel acak terdistribusi bersama, lalu
𝑘
𝑖=1 𝑎𝑖𝑋𝑖) = 𝑖 𝑎𝑖𝐸(𝑋𝑖) (5.2.4)
𝐸(
∑𝑘

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Fungsi lain yang umum ditemui dari variabel acak adalah product(perkalian).
Teorema 5.2.3 Jika X dan Y adalah variabel acak independen dan g(x) dan h(y) adalah fungsi,
kemudian
𝐸[𝑔(𝑋)ℎ(𝑌)] = 𝐸[𝑔(𝑋)]𝐸[ℎ(𝑌)] (5.2.5)
Bukti:
Di kasus kontinu,
∞ ∞
𝐸[𝑔(𝑋)ℎ(𝑌)] = ∫ ∫ 𝑔(𝑥)ℎ(𝑦)𝑓(𝑥, 𝑦)𝑑𝑥 𝑑𝑦
−∞ −∞
∞ ∞
= 𝑔(𝑥)ℎ(𝑦)𝑓 (𝑥)𝑓 (𝑦)𝑑𝑥 𝑑𝑦
∫−∞ ∫−∞ 1 2
∞ ∞
=[ 𝑔(𝑥)𝑓 (𝑥)𝑑𝑥][ ℎ(𝑦)𝑓 (𝑦) 𝑑𝑦]
∫−∞ 1 ∫−∞ 2

= 𝐸[𝑔(𝑋)]𝐸[ℎ(𝑌)]
Mungkin untuk menggeneralisasi teorema ini ke lebih dari dua variabel, Secara khusus, jika
𝑋1, … , 𝑋𝑘 adalah variabel acak independen, dan 𝑢1(𝑥1),
..., u, (x) adalah fungsi, lalu 𝑢1(𝑥1), … , 𝑢𝑘(𝑥𝑘) adalah fungsi, maka
𝐸[𝑢1(𝑋1) … 𝑢𝑘(𝑋𝑘)] = 𝐸[𝑢1(𝑋1)] … 𝐸[𝑢𝑘(𝑋𝑘)]]
Nilai-nilai tertentu yang diharapkan memberikan informasi tentang hubungan antara dua
variabel.
Definisi 5.2.1
Kovariansi dari pasangan variabel acak 𝑋 dan 𝑌ditentukan oleh
𝐶𝑜𝑣 (𝑋, 𝑌) = 𝐸[(𝑋 − 𝜇𝑥)(𝑌 − 𝜇𝑦)]
Notasi umum lainya untuk kovarian adalah 𝜎𝑥𝑦. (5.2.7)
Beberapa properti yang berguna dalam menangani kovarian diberikan di teorema.
Teorema 5.2.4 Jika 𝑋 dan 𝑌 adalah variabel aacak dan 𝑎 dan 𝑏 adalah konstanta, maka
𝐶𝑜𝑣(𝑎𝑋𝑏𝑌) = 𝑎𝑏 𝐶𝑜𝑣(𝑋, 𝑌0 (5.2.8)
𝐶𝑜𝑣(𝑋 + 𝑎, 𝑌 + 𝑏) = 𝐶𝑜𝑣(𝑋, 𝑌) (5.2.9)
𝐶𝑜𝑣(𝑋, 𝑎𝑋 + 𝑏) = 𝑎 𝑉𝑎𝑟(𝑋) (5.2.10)

Bukti
Lihat latihan 26.
Teorema 5.2.5 Jika 𝑋 dan 𝑌 adalah variabel acak, maka
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌) (5.2.11)
Dan 𝐶𝑜𝑣 (𝑋, 𝑌) = 0di mana 𝑋 dan 𝑌 adalah independen.
Bukti

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Lihat latihan 27.

Teorema 5.2.2 berurusan dengan nilai yang diharapkan dari jumlah dua variabel acak. Teorema
berikut berkaitan dengan varians dari suatu penjumlahan.
Teorema 5.2.6 Jika 𝑋1dan 𝑋2 adalah variabel acak dengan fkp 𝑓(𝑥1, 𝑥2), maka
𝑉𝑎𝑟(𝑋1 + 𝑋2) = 𝑉𝑎𝑟(𝑋1) + 𝑉𝑎𝑟(𝑋2) + 2 𝐶𝑜𝑣(𝑋1, 𝑋2) (5.2.12)
dan
𝑉𝑎𝑟(𝑋1 + 𝑋2) = 𝑉𝑎𝑟(𝑋1) + 𝑉𝑎𝑟(𝑋2) (5.2.13)
Jika 𝑋1 dan 𝑋2 independen
Bukti
Untuk koefisien, tunjukkan nilai harapan dari 𝑋1 dan 𝑋2 oleh 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)
yang membentuk persamaan (5.2.12). Persamaan (5.2.13) mengikuti Teorema 5.2.5.
Juga dapat dibuktikan bahwa jika 𝑋1, ..., 𝑋𝑘 adalah variabel acak dan 𝑎1, 𝑎𝑘 adalah konstanta,
lalu
𝑉𝑎𝑟(∑ 𝑎𝑖𝑋𝑖) = 𝑎2𝑉𝑎𝑟( 𝑋𝑖) + 2 ∑𝑖< ∑𝑗 𝑎𝑖𝑎𝑗𝐶𝑜𝑣( 𝑋𝑖, 𝑋𝑗) (5.2.14)
𝑖 𝑖 �
𝑘 ∑𝑘
Dan jika 𝑋1, ..., 𝑋𝑘 adalah independen, maka
𝑉𝑎𝑟(∑
𝑎𝑖𝑋𝑖) = 𝑖 𝑎2𝑉𝑎𝑟(
� 𝑋𝑖) (5.2.15)
𝑘 𝑖
∑𝑘

Contoh 5.2.1
Misal jika 𝑌~𝐵𝐼𝑁(𝑛, 𝑝). Karena variabel acak binomial mewakili jumlah keberhasilan dalam
percobaan independen n dari percobaan Bernoulli, 𝑌 adalah berdístribusi sebagai suatu jumlah,
𝑛
𝑌= 𝑖=1 𝑋𝑖 , 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛 𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖, 𝑋𝑖~𝐵𝐼𝑁(1, 𝑝)

Berdasarkan persamaan (5.2.4) dan (5.2.15) mean dan varians dari 𝑌 adalah
𝐸 (𝑌) = 𝑛𝑝 dan 𝑉𝑎𝑟 (𝑌) = 𝑛𝑝𝑞, karena mean dan varians dari suatu variabel Bernoulli
adalah 𝐸 (𝑋𝑖) = 𝑝 dan 𝑉𝑎𝑟 (𝑋𝑖) = 𝑝𝑞. Ini agak lebih mudah daripada pendekatannya yang
digunakan dalam Bab 3.

Contoh 5.2.2

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Pendekatan contoh sebelumnya juga dapat digunakan jika 𝑌~𝐻𝑌𝑃 (𝑛, 𝑀, 𝑁), tetapi
penurunannya lebih sulit karena penarikan bergantung pada pengambilan sampel dilakukan
tanpa penggantian Misalnya, anggaplah satu set komponen 𝑁, berisi 𝑀 yang defective, dan 𝑛
komponen ditarik secara acak tanpa penggantian. Jika 𝑋𝑖 mewakili jumlah komponen yang
rusak (baik 0 atau 1) didapat pada undian ke-i, maka 𝑋1, 𝑋2,…, 𝑋𝑛 merupakan variabel
dependen Bernoulli.

Pertimbangkan pasangannya (𝑋1, 𝑋2). Tidak sulit untuk melihat bahwa distribusi marjinal
dari variabel pertama adalah , 𝑋1~𝐵𝐼𝑁(1, 𝑝1) dimana 𝑝1 = 𝑀 / 𝑁, dan bersyarat
𝑥1 = 𝑥1, 𝑋2~𝐵𝐼𝑁(1, 𝑝2), di mana 𝑝2 = (𝑀 − 𝑥1) / (𝑁 − 1). Jadi, fkp gabungan dari
(𝑋1, 𝑋2) adalah
𝑓(𝑥1, 𝑥2) = 𝑝𝑥1𝑞1−𝑥1𝑝𝑥2𝑞1−𝑥2 𝑥1 = 0,1 (5.2.16)
1 1 2 2

Dari mana kita mendapatkan kovarian,

𝑀
𝐶𝑜𝑣 (𝑋 , 𝑋 )= − (1 −
𝑁 𝑀 1 (5.2.17)
1 2 𝑁 )𝑁−1

Sebenarnya, dapat ditunjukkan bahwa untuk sembarang pasangan (𝑋𝑖, 𝑋𝑗) dengan 𝑖 ≠
𝑗, 𝐶𝑜𝑣 (𝑋𝑖, 𝑋𝑗) adalah diberikan oleh persamaan (5.2.17), dan untuk setiap 𝑖,

𝑀
𝐸( 𝑋 ) = (5.2.18)
𝑖 𝑁
dan
𝑀 𝑀
𝑉𝑎𝑟(𝑋 ) = (1 − ) (5.2.19)
𝑖 𝑁 𝑁

Ini mengikuti dari persamaan (5.2.4) dan (5.2.14)

𝑀
𝐸( 𝑌 ) = 𝑛
𝑁 (5.2.20)
𝑉𝑎𝑟 𝑀
(1 − 𝑀)( 𝑁−𝑛)
(𝑌) = (5.2.21)
𝑁 𝑁 𝑁−1
𝑛

Dalam kasus persamaan (5.2.21), ada n suku bentuk (5.2.19) dan 𝑛 (𝑛 − 1) dari bentuk
(5.2.17), dan hasilnya mengikuti setelah penyederhanaan.
Perhatikan bahwa mean dan varians dari distribusi hipergeometrik memiliki bentuk yang
mirip dengan mean dan varians binomial, dengan 𝑝 diganti dengan 𝑀 / 𝑁, kecuali untuk
faktor terakhir dalam varians, (𝑁 − 𝑛) / (𝑁 − 1), yang disebut sebagai istilah pengali
berhingga. Karena variabel acak hipergeometrik, 𝑌, mewakili jumlah cacat yang diperoleh
saat pengambilan sampel dari populasi yang terbatas tanpa penggantian, jelas bahwa 𝑉𝑎𝑟 (𝑌)
harus

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

mendekati nol saat 𝑛 mendekati 𝑁 Yaitu, 𝑌 = 𝑀 ketika 𝑛 = 𝑁, dengan varians nol,

sedangkan efek ini tidak terjadi untuk kasus binomial, yang sesuai dengan pengambilan
sampel dengan penggantian.

PERKIRAAN RATA-RATA DAN VARIANSI

Bab 2 membahas metode untuk mendekati mean dan varians dari fungsi suatu variabel dari
variabel acak 𝑋. Hasil serupa dapat dikembangkan untuk suatu fungsi lebih dari satu variabel
Misalnya, pertimbangkan sepasang variabel acak (𝑋, 𝑌) dengan mean 𝜇1 𝑑𝑎𝑛 𝜇2, varians
𝜎2dan 𝜎2, dan kovarian 𝜎12selanjutnya.
1 2

Misalkan fungsi 𝐻 (𝑥, 𝑦) memiliki turunan parsial dalam persegi panjang terbuka
mengandung (𝜇1 , 𝜇2) Menggunakan pendekatan Taylor, kami mendapatkan yang berikut
rumus perkiraan untuk mean dan varians dari 𝐻 (𝑋, 𝑌)

𝐸[𝐻 (𝑋, 𝑌)] = 𝐻(𝜇1 , 𝜇2) + 𝜕2𝐻 2 𝜕2𝐻

𝜎 + 22
𝜕𝑥2 1 𝜕𝑦2 𝜎
𝜕𝐻 2 𝜕𝐻 2 𝜕 𝜕
𝑉𝑎𝑟[𝐻 (𝑋, 𝑌)] = ( ) 𝜎2 + ( ) 𝜎2 + 2 (
𝜕𝑥 𝜕𝑦 𝐻 ) (𝐻 ) 𝜎12
1 2
𝜕𝑥 𝜕𝑦
Di mana turunan parsial dievaluasi pada mean (𝜇1 , 𝜇2).
Tambahan Materi : Deret Taylor
Andaikan f dan semua turunannya f’ , f’ , f’” , …, adalah kontinu didalam selang tertutup [a,
b].

Misalkan 𝑋𝑜 ∈ [𝑎, 𝑏], maka untuk nilai-nilai x disekitar 𝑥𝑜 dan 𝑥 ∈ [𝑎, 𝑏], 𝑓(𝑥) dapat diperluas
(diekspansi) ke dalam deret Taylor:

(𝑥 − 𝑥0) ′ (𝑥 − (𝑥 −
𝑓( 𝑥 ) = 𝑓( 𝑥 0 ) + 𝑓 (𝑥0) + 𝑓′′(𝑥0) + ⋯ + 𝑥0)𝑚 𝑓(𝑚)(𝑥0) + ⋯
1! 𝑥0)2
2! 𝑚!
Persamaan di atas merupakan penjumlahan dari suku-suku (term) yang disebut deret

Jika dimisalkan 𝑥 − 𝑥0 = ℎ, maka deret Taylor dapat ditulis:

ℎ ℎ2 ℎ3 ℎ ( )
𝑓(𝑥) = 𝑓(𝑥0) + 𝑓′(𝑥0) + 𝑓′′(𝑥0) + 𝑓′′′(𝑥0) + ⋯ 𝑓 𝑚
(𝑥0) + ⋯
1! 2! 3! 𝑚!

5.3 Korelasi
Pengertian Korelasi
Korelasi merupakan istilah yang digunakan untuk mengukur kekuatan hubungan
antarvariabel. Analisis korelasi adalah cara untuk mengetahui ada atau tidak adanya
hubungan antarvariabel. Kekuatan hubungan antar variabel dapat dilihat dari hasil nilai
koefisien korelasi. Koefisien korelasi (KK) merupakan indeks atau bilangan yang
digunakan untuk mengukur keeratan

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

(kuat, lemah, atau tidak ada) hubungan antarvariabel. Koefisien korelasi ini memiliki nilai
antara -1 dan +1 (-1≤ KK ≤ +1), dengan arti yaitu:

1. Jika KK bernilai positif, maka variabel-variabel berkorelasi positif. Semakin dekat nilai
KK ini ke +1 semakin kuat korelasinya, demikian pula sebaliknya.

2. Jika KK bernilai negatif, maka variabel-variabel berkorelasi negatif. Semakin dekat nilai
KK ini ke -1 semakin kuat korelasinya, demikian pula sebaliknya.

3. Jika KK bernilai 0 (nol), maka variabel – variabel tidak menunjukkan korelasi.

4. Jika KK bernilai +1 atau -1, maka variabel menunjukkan korelasi positif atau negatif yang
sempurna.

Keeratan hubungan atau korelasi antarvariabel diberikan nilai – nilai dari KK sebagai patokan.
Berikut ini adalah patokan dari nilai KK tersebut.

1. KK = 0, tidak ada korelasi.

2. 0 < KK ≤ 0,20, korelasi sangat rendah atau lemah sekali.

3. 0,20 < KK ≤ 0,40, korelasi rendah atau lemah tapi pasti.

4. 0,40 < KK ≤ 0,70, korelasi yang cukup berarti.

5. 0,70 < KK ≤ 0,90, korelasi yang tinggi; kuat.

6. 0,90 < KK < 1,00, korelasi sangat tinggi; kuat sekali; dapat diandalkan.

7. KK = 1, korelasi sempurna.

Jenis-Jenis Koefisien Korelasi

Jenis – jenis koefisien korelasi yang sering digunakan adalah koefisien korelasi pearson,
koefisien korelasi rank spearman, koefisien korelasi kontingensi, dan koefisien penentu.

A. Koefisien Korelasi Pearson

Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel yang
datanya berbentuk data interval atau rasio. Disimbolkan dengan “r” dan dirumuskan:
𝑛 ∑ 𝑋𝑌 − ∑ 𝑋 ∑ 𝑌
𝑟=
√(𝑛 ∑ 𝑋2 − (∑ 𝑋)2)(𝑛 ∑ 𝑌2 − (∑ 𝑌)2)

B. Koefisien Korelasi Rank Spearmen

Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan antara dua variabel
yang datanya berbentuk data ordinal (data bertingkat/data ranking). Disimbolkan dengan “𝑟𝑠”
dan dirumuskan:

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

6 ∑ 𝑑2
𝑟𝑠 = 1 −
𝑛3 − 𝑛
Keterangan:

D = selisih ranking X dan Y

n = banyaknya pasangan

data
C. Koefisien Korelasi Kontingensi
Koefisien korelasi kontingensi ini digunakan untuk mengukur keeratan hubungan antara dua
variabel yang datanya berbentuk data nominal (data kualitatif). Disimbolkan dengan “C” dan
dirumuskan:

𝐶= 𝑥2
√ 𝑥2 + 𝑛

Keterangan:

𝑥2 = 𝑘𝑎𝑖 𝑘𝑢𝑎𝑑𝑟𝑎𝑡

𝑛 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑓𝑟𝑒𝑘𝑢𝑒𝑛𝑠𝑖

D. Koefisien Penentu (KP) atau Koefisien Determinasi (R)

Koefisien penentu (KP) atau koefisien determinasi yang artinya penyebab perubahan pada
variabel Y yang datang dari variabel X, sebesar kuadrat koefisien korelasinya. Koefisien
penetu ini menjelaskan besarnya pengaruh nilai suatu variabel (variabel X) terhadap
naik/turunnya (variasi) nilai variabel lainnya (variabel Y). Dirumuskan:

𝐾𝑃 = 𝑅 = 𝑟2 𝑥 100%

Pentingnya rata-rata dan variansi dalam mencirikan distribusi variabel acak dibahas
sebelumnya, dan kovarians digambarkan sebagai ukuran ketergantungan yang berguna antara
dua variabel acak. Ini ditunjukkan pada Teorema 5.2.5 bahwa 𝐶𝑜𝑣(𝑋, 𝑌) = 0 setiap kali 𝑋
dan
𝑌 tidak bergantung atau berdiri sendiri. Sebaliknya, secara umum, tidak benar.

Contoh 5.3.1
1
Pertimbangkan sepasang variabel acak diskrit 𝑋 dan 𝑌 dengan bersama fkp 𝑓(𝑥, 𝑦) = jika
4
1 1
(𝑥, 𝑦) = (0,1), (1,0), (0,1) atau (−1,0). Fkp dari marjinal 𝑋 adalah 𝑓 (±1) = , 𝑓 (0) = ,
𝑥 4 𝑥 2
dan 𝑓𝑥(0) = 0 sebaliknya. Fkp dari Y sama. Dengan demikian, 𝐸(𝑋) = − 1(1/4) +
0(1/2) + 1(1/4) = 0. Karena 𝑥𝑦 = 0 setiap kali 𝑓(𝑥, 𝑦) > 0, ini mengikuti 𝐸(𝑋𝑌) = 0.
Akibatnya, 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌) = 0. Namun, 𝑓(0,0) = 0 ≠ 𝑓𝑋(0)𝑓𝑌(0),

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

sehingga 𝑋 dan 𝑌 bergantung atau dependen. Secara umum, kita dapat menyimpulkan bahwa
𝑋 dan 𝑌 bergantung atau dependen jika 𝐶𝑜𝑣(𝑋, 𝑌) ≠ 0, tetapi 𝐶𝑜𝑣(𝑋, 𝑌) = 0 tidak selalu
menyiratkan bahwa 𝑋 dan 𝑌 adalah bebas atau independen.

Definisi 5.3.1

Jika 𝑋 dan 𝑌 adalah variabel acak dengan variansi 𝜎2

𝑋 dan 𝜎2
𝑌 dan kovarians 𝜎𝑋𝑌 = 𝐶𝑜𝑣(𝑋, 𝑌),
maka koefisien korelasi dari X dan Y adalah

𝜌= 𝜎𝑋𝑌
(5.3.1)
𝜎𝑋𝜎𝑌

Variabel acak 𝑋 dan 𝑌 dikatakan tidak berkorelasi jika 𝜌 = 0; sebaliknya mereka dikatakan
berkorelasi. Notasi subskrip, 𝜌𝑋𝑌, juga kadang-kadang digunakan. Teorema berikut
memberikan beberapa sifat penting dari koefisien korelasi.

Teorema 5.3.1
Jika 𝜌 adalah koefisien korelasi dari 𝑋 dan 𝑌, maka
−1 ≤ 𝜌 ≤ 1
(5.3.2)
Dan
𝜌 = ±1 jika dan hanya jika 𝑌 = 𝑎𝑋 + 𝑏 dengan probabilitas 1 untuk 𝑎 ≠ 0 dan 𝑏
(5.3.3)
Pembuktian
Agar lebih mudah dipahami kita gunakan notasi yang disederhanakan 𝜇1 = 𝜇𝑋, 𝜇2 = 𝜇𝑌, 𝜎1 =
𝜎𝑋, 𝜎2 = 𝜎𝑌, dan 𝜎12 = 𝜎𝑋𝑌.
Untuk menunjukkan persamaan (5.3.2), misalkan
𝑌 𝑋
𝑊 = −𝜌
𝜎2 𝜎1
Jadi
2
1 2 2
( ) 𝜌 𝜎12

2
𝑉𝑎𝑟 = ( ) 𝜎 + ( ) 𝜎1 − 2𝜌
𝜎 2 𝜎 𝜎1𝜎2
𝑊 2 1

= 1 + 𝜌2 − 2𝜌2
= 1 − 𝜌2 ≥ 0
Karena 𝑉𝑎𝑟(𝑊) ≥ 0.

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Untuk menunjukkan (5.3.3), perhatikan bahwa 𝜌 = ± 1 menyiratkan 𝑉𝑎𝑟(𝑊) = 0, dimana

oleh Teorema 2.4.7 menyiratkan bahwa 𝑃[𝑊 = ] 𝑌

= 1, sehingga dengan probabilitas 1, −
𝜇𝑊 𝜎2
𝑋𝜌 𝜇2 𝜇 1𝜌 𝜌𝜎2
= − , atau 𝑌 = 𝑎𝑋 + 𝑏 dimana 𝑎 = dan 𝑏 = 𝜇 − 𝜌𝜎2. Di sisi lain, jika 𝑌 =
𝜇
𝜎1 𝜎 𝜎1 𝜎1 2 1 𝜎
1
2
𝑎𝑋 + 𝑏, maka oleh Theorema 2.4.3 dan 5.2.4, 𝜎2 = 𝜎2𝜎2 dan 𝜎12 = 𝑎𝜎2, dalam hal ini 𝜌 =
2 1 1
𝑎
, sehingga 𝜌 = 1 jika 𝑎 > 0 dan 𝜌 = −1 jika 𝑎 < 0. ∎
|𝑎|

Contoh 5.3.2
Pertimbangkan variabel acak 𝑋 dan 𝑌 dengan fkp dari bentuk 𝑓(𝑥, 𝑦) 1
jika (𝑥, 𝑦) ∈ 𝐶,
20
=

dan nol sebaliknya, di mana

𝐶 = {(𝑥, 𝑦)|0 < 𝑥 < 10, 𝑥 − 1 < 𝑦 < 𝑥 + 1}
Dimana ditunjukkan pada Gambar 5.1

Gambar 5.1
Wilayah yang terkait dengan 0 < 𝑥 < 10 dan 𝑥 − 1 < 𝑦 < 𝑥 + 1

Meskipun 𝑌 bukan fungsi dari 𝑋, distribusi bersama 𝑋 dan 𝑌 "berkerumun" di sekitar garis
𝑦 = 𝑥, dan kita harus mengharapkan 𝜌 berada di dekat 1.
(10)2 25
2
Variansi dari 𝑋 adalah 𝜎 = = (10)2 (2)2 26
𝑌 adalah 𝜎2 = + = dan
1 , variansi dari 2
12 3 12 12 3

kovarians adalah 𝜎12 25

= 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌) . Dengan demikian, koefisiennya korelasi
3
25
3 25
adalah 𝜌 = =√ 26
= 0.981 dimana, seperti yang diharapkan mendekati 1.
√25√ 26

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

3 3

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

5.4 EKSPEKTASI BERSYARAT

Sangat memungkinkan untuk memperpanjang gagasan ekspektasi dan varian pada kerangka
bersyarat.

Definisi 5.4.1

Jika 𝑋 dan 𝑌 didistribusikan bersama variabel acak, maka ekspektasi bersyarat dari 𝑌 yang
diberikan 𝑋 = 𝑥 diberikan oleh

𝐸 (𝑌 | 𝑥) = ∑𝑦 𝑦 𝑓(𝑦 | 𝑥) jika x dan y diskrit (5.4.1)

∞
𝐸 (𝑌 | 𝑥) = ∫−∞ 𝑦 𝑓(𝑦 | 𝑥) 𝑑𝑦 jika x dan y berkelanjutan (5.4.2)

Notasi umum lainnya untuk ekspektasi bersyarat adalah 𝐸𝑦|𝑥(𝑌) 𝑑𝑎𝑛 𝐸(𝑌|𝑋 = 𝑥).

Contoh 5.4.1

Anggap contoh 4.5.2, dimana partikel udara tertentu mendarat secara acak (𝑋, 𝑌) pada bidang
segitiga. Pada contoh ini, fkp bersyarat dari Y yang diberikan X = x adalah :
2 𝑥
𝑓 (𝑦|𝑥) = 0 < 𝑦 <
𝑥 2

Ekspektasi bersyarat adalah

𝐸 (𝑌 | 𝑥) = 𝑥/2 2
∫0 𝑦 ( ) 𝑑𝑦
𝑥

(2/𝑥) (𝑥/2)2
= 2

𝑥
= ,0 < 𝑥 < 2
4

Jika kita mencoba untuk “memprediksi” nilai koordinat vertikal dari (𝑋, 𝑌), maka 𝐸(𝑌 | 𝑥)
harus lebih berguna daripada ekspektasi marjinal 𝐸(𝑌), karena itu gunakan informasi tentang
koordinat horizontal. Tentu saja, ini mengasumsikan bahwa informasi tersebut tersedia.

Perhatikan bahwa ekspektasi bersyarat dari Y yang diberikan X = x adalah fungsi dari x,
katakanlah 𝑢(𝑥) = 𝐸(𝑌 | 𝑥). Teorema berikut mengatakan bahwa, secara umum variabel
acak 𝑢(𝑋) = 𝐸(𝑌 | 𝑋) memiliki ekspektasi marjinal 𝑌, 𝐸(𝑌).

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Teorema 5.4.1

Jika X dan Y didistribusikan bersama variabel acak, maka

𝐸[𝐸(𝑌 | 𝑋)] = 𝐸(𝑌) (5.4.3)

Bukti

Anggap kasus berkelanjutan

𝐸[𝐸(𝑌 | 𝑋)] = ∞
∫− 𝐸(𝑌 | 𝑥) 𝑓1(𝑥) 𝑑𝑥
∞

∞ ∞
= ∫−∞ ∫−∞ 𝑦𝑓(𝑦|𝑥) 𝑓1(𝑥) 𝑑𝑦 𝑑𝑥
∞ ∞
= ∫−∞ 𝑦 ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦
∞
= ∫−∞ 𝑦 𝑓2(𝑦) 𝑑𝑦

= 𝐸(𝑌)

Dalam contoh sebelumnya, misalkan kita ingin mengetahui ekspektasi marjinal E(Y). Salah
satu kemungkinan adalah menggunakan teorema sebelumnya, dengan 𝐸(𝑌 𝐼 𝑥) = 𝑥/4 dan
𝑓1(𝑥) = 𝑥/2 untuk 0 < 𝑥 < 2. Khususnya,

𝐸(𝑌) = 𝐸[𝐸(𝑌 | 𝑋)] =

2 𝑥 𝑥 1
∫0 ( 4 ) ( 2 ) 𝑑𝑥 = 3

Contoh 5.4.2

Misalkan jumlah kata yang salah eja dalam makalah semester siswa adalah variabel acak X
yang didistribusikan oleh Poisson dengan rata- rata 𝐸(𝑋) = 20. Teman sekamar siswa
diminta untuk mengoreksi makalah tersebut dengan harapan menemukan kesalahan ejaan.
Rata-rata, teman sekamar menemukan 85% dari kesalahan tersebut, jika kesalahan x ada di
dalam makalah, maka masuk akal untuk mempertimbangkan jumlah kesalahan ejaan yang
ditemukan sebagai variabel binominal dengan parameter 𝑛 = 𝑥 dan p = .85. Dengan kata lain,
syarat 𝑋 = 𝑥, 𝑌 ~ 𝐵𝐼𝑁(𝑥, .85), dan karena, secara umum, rata-rata distribusi binominal
adalah np, ekspektasi bersyarat adalah 𝐸(𝑌 | 𝑥) = .85𝑥. Dengan demikian, perkiraan jumlah
kesalahan ejaan yang ditemukan oleh teman sekamar akan menjadi 𝐸(𝑌) = 𝐸[𝐸(𝑌 | 𝑋)] =
𝐸(.85𝑋) = .85𝐸(𝑋) = 17.

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Sebuah situasi menarik terjadi ketika X dan Y independen.

Teorema 5.4.2

Jika X dan Y adalah variabel acak independen, maka E(Y | x) = E(Y) dan E(X | y) = E(X).

𝐸(𝑌 | 𝑥) = ∞
∫− 𝑦 𝑓(𝑦 | 𝑥) 𝑑𝑦
∞

∞
= ∫−∞ 𝑦 𝑓 2(𝑦) 𝑑𝑦

= 𝐸(𝑌)

Kasus diskrit serupa

Hal ini juga berguna untuk mempelajari varian distribusi bersyarat, yang biasanya disebut
sebagai varian bersyarat.

Definisi 5.4.2

Varian bersyarat Y yang diberikan X = x diberikan oleh

𝑉𝑎𝑟(𝑌 | 𝑥) = 𝐸{[𝑌 − 𝐸(𝑌 | 𝑥)]2 | 𝑥} (5.4.4)

Bentuk yang sama, yang dianalogikan dengan persamaan (2.4.8), adalah

𝑉𝑎𝑟(𝑌 | 𝑥) = 𝐸(𝑌2|𝑥) − [𝐸(𝑌|𝑥)]2 (5.4.5)

Teorema 5.4.3

Jika X dan Y didistribusikan bersama variabel acak, maka

𝑉𝑎𝑟(𝑌) = 𝐸𝑥[𝑉𝑎𝑟(𝑌 | 𝑋)] + 𝑉𝑎𝑟𝑥[𝐸(𝑌 | 𝑋)] (5.4.6)

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}

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

= 𝑉𝑎𝑟(𝑌) − 𝑉𝑎𝑟𝑥[𝐸(𝑌|𝑋)] ∎

Teorema ini menunjukkan bahwa, rata-rata (lebih dari X), varian bersyarat akan lebih kecil
daripada varian tak bersyarat. Tentu saja, mereka akan sama jika X dan Y independen, karena
𝐸(𝑌|𝑋) tidak akan menjadi fungsi X, dan 𝑉𝑎𝑟{𝐸(𝑌|𝑋)] akan menjadi nol. Jika seseorang
tertarik untuk memperkirakan rata-rata tinggi individu, 𝐸(𝑌), maka teorema menyarankan
bahwa mungkin lebih mudah untuk memperkirakan tinggi individu (bersyarat) jika kamu
mengetahui berat badan orang tersebut, karena populasi tak bersyarat dari ketinggian
memiliki varian yang lebih besar daripada berkurangnya semua populasi individu dengan
berat tetap, 𝑥. Fakta ini mengarah ke area penting analisis regersi, dimana informasi tentang
satu variabel digunakan untuk membantu memahami variabel terkait.

Argumen yang serupa dengan Teorema 5.4.1 menghasilkan teorema lebih umum seperti
berikut:

Teorema 5.4.4

Jika 𝑋 dan 𝑌 didistribusikan bersama variabel acak dan ℎ(𝑥, 𝑦) adalah fungsi, maka

𝐸[ℎ(𝑋, 𝑌)] = 𝐸𝑋{𝐸[ℎ(𝑋, 𝑌) | 𝑋]} (5.4.7)

Teorema ini mengatakan bahwa ekspektasi bersama, seperti persamaan pada sisi kiri (5.4.7),
dapat diselesaikan dengan terlebih dahulu menemukan ekspektasi bersyarat 𝐸[ℎ(𝑥, 𝑌) | 𝑥],
dan kemudian menemukan ekspektasi relatifnya terhadap distribusi marjinal dari 𝑋. Teorema
ini sangat berguna dalam aplikasi tertentu ketika digunakan bersama dengan teorema
selanjutnya yang dinyatakan tanpa bukti.

Teorema 5.4.5

Jika X dan Y didistribusikan bersama variabel acak, dan g(x) adalah fungsi, maka

𝐸[𝑔(𝑋)𝑌 | 𝑥] = 𝑔(𝑥)𝐸(𝑌 | 𝑥) (5.4.8)

Contoh 5.4.3

Jika (𝑋, 𝑌)~ 𝑀𝑈𝐿𝑇(𝑛, 𝑝1, 𝑝2), maka dengan derivasi langsung mengikuti 𝑋 ~ 𝐵𝐼𝑁(𝑛, 𝑝1),
𝑌 ~ 𝐵𝐼𝑁(𝑛, 𝑝2 ), dan bersyarat pada 𝑋 = 𝑥, 𝑌|𝑥 ~ 𝐵𝐼𝑁(𝑛 − 𝑥, 𝑝), dimana 𝑝 = 𝑝2
. Rata-rata
1 – 𝑝1

dan varian dari X dan Y mengikuti dari hasil pada bagian 5.2. Perhatikan juga bahwa
𝐸(𝑌 | 𝑥) = (𝑛– 𝑥)𝑝2/(1 − 𝑝1).

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Dua teorema sebelumnya dapat digunakan untuk menemukan kovarian dari X dan Y.
Khususnya,

𝐸(𝑋𝑌) = 𝐸[𝐸(𝑋𝑌 | 𝑋)]

= 𝐸[𝑋 𝐸(𝑌 | 𝑋)]

𝑋(𝑛 − 𝑋)𝑝2
=𝐸[ 1 − 𝑝1 ]

𝑝2
= [1 − 𝑝1] [𝑛𝐸(𝑋) – 𝐸(𝑋2)]

Jika kita mengganti 𝐸(𝑋) = 𝑛𝑃1 dan 𝐸(𝑋2) = 𝑉𝑎𝑟(𝑋) + (𝑛𝑝1)2 = 𝑛𝑝1[1 + (𝑛 − 1)𝑝1] dan
menyederhanakannya, maka hasilnya adalah

𝐸(𝑋 𝑌) = 𝑛(𝑛 − 1)𝑝1𝑝2

Sehingga,

𝐶𝑜𝑣(𝑋, 𝑌) = 𝑛(𝑛 − 1)𝑝1𝑝2 − (𝑛𝑝1)(𝑛𝑝2)

= −𝑛𝑝1𝑝2

Seperti pada teorema 5.3.1, kita mengadopsi notasi yang nyaman µ1 = 𝐸(𝑋), µ2 = 𝐸(𝑌),
𝜎2 = 𝑉𝑎𝑟(𝑋),dan 𝜎2 = 𝑉𝑎𝑟(𝑌).
1 2

Teorema 5.4.6

Jika 𝐸(𝑌 | 𝑥) adalah sebuah fungsi linier dari x, maka

𝐸(𝑌 | 𝑥) = µ2 + 𝜌
𝜎2
(𝑥 − µ2 ) (5.4.9)
𝜎1

dan

𝐸𝑥[𝑉𝑎𝑟𝑌|𝑋)] = 𝜎2 (1 − 𝑝2 (5.4.10)
2

Bukti

Pertimbangan (5.4.9). Jika 𝐸(𝑌|𝑥) = 𝑎𝑥 + 𝑏, maka

µ2 = 𝐸(𝑌) = 𝐸𝑥[𝐸(𝑌|𝑋)] = 𝐸𝑥(𝑎𝑋 + 𝑏) = 𝑎µ1 + 𝑏

dan

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

𝜎𝑋𝑌 = 𝐸[(𝑋 − µ1)(𝑌 − µ2)]

= 𝐸[(𝑋 − µ1)𝑌]– 0

= 𝐸𝑋{𝐸[(𝑋 − µ1)𝑌|𝑋]}

= 𝐸𝑋[(𝑋 − µ1)𝐸(𝑌|𝑋)]

= 𝐸𝑋[(𝑋 − µ1)(𝑎𝑋 + 𝑏)]

= 𝑎𝜎2
1

Jadi,

𝜎2 𝜎2
𝜎𝑋𝑌 = 𝜌 dan 𝑏 = µ2 − 𝜌 µ
𝑎 = 1 𝜎1 𝜎1 1
�

Persamaan (5.4.10) mengikuti dari Teorema 5.4.3,

𝐸𝑋 𝜎2
[𝑉𝐴𝑅(𝑌|𝑋)] = 𝑉𝑎𝑟(𝑌) − 𝑉𝑎𝑟𝑋 [µ2 + 𝜌 (𝑋 − µ1)]
𝜎1

2 2
= 𝑉𝑎𝑟(𝑌)– 𝜌2 2𝜎 1
1
�

= 𝜎2(1 – 𝜌2)
2

Ingat bahwa jika varian bersyarat tidak bergantung pada 𝑥, maka

𝑉𝑎𝑟(𝑌|𝑥) = 𝐸𝑋[𝑉𝑎𝑟(𝑌|𝑋)] = 𝜎2(1 – 𝜌2)

2

Jadi, jumlah penurunan dalam varian populasi bersyarat dibandingkan dengan populasi tidak
bersyarat tergantung pada korelasinya, 𝜌, diantara beberapa variabel.

Hal yang penting sekarang akan dibahas dimana 𝐸(𝑌|𝑥) adalah sebuah fungsi linier dari 𝑥 dan
𝑉𝑎𝑟(𝑌|𝑥) tidak tergantung pada 𝑥.

DISTRIBUSI BIVARIAT NORMAL

Sepasang variable acak terus menerus 𝑋 𝑑𝑎𝑛 𝑌 dikatakan mempunyai distribusi bivariat
normal jika mempunyai bentuk gabungan fkp.
1 1 𝑥 − 𝜇1
𝑓(𝑥, 𝑦) = × 𝑒𝑥𝑝 {− [( 2
) 2− 2𝜌 ( 𝑥 − 𝜇1 𝑦 − 𝜇2 𝑦 − 𝜇2
2𝜋𝜎
𝜌2 𝜎 √1 − 2(1− 𝜌2) 𝜎1 𝜎 )( 𝜎2 ) + ( 𝜎2 ) ]}
1
1 2

−∞ < 𝑥 < ∞, −∞ < 𝑦 < ∞ (5.4.11)

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Perhatian khusus untuk ini adalah

(𝑋, 𝑌) ~ 𝐵𝑉𝑁(µ1, µ2, 𝜎2, 𝜎2, 𝜌) (5.4.12)

1 2

yang tergantung pada lima parameter, −∞ < µ1 < ∞, −∞ < µ2 < ∞, 𝜎1 > 0, 𝜎2 > 0, dan
−1 < 𝜌 < 1.

Teorema berikut mengatakan bahwa fkp marginal adalah normal dan notasi yang digunakan
untuk parameter sudah tepat.

Teorema 5.4.7

Jika (𝑋, 𝑌)~ 𝐵𝑉𝑁(µ1, µ2, 𝜎2, 𝜎2, 𝜌), maka

1 2

𝑋 ~ 𝑁(µ1, 𝜎2) dan 𝑌 ~ 𝑁(µ2, 𝜎2)

1 2

dan 𝜌 adalah korelasi koefisien dari 𝑋 dan 𝑌.

Bukti

Lihat latihan 23.

Sebenarnya, pertama-tama kita harus menetapkan bahwa

∞ ∞
∫−∞ 𝑦 ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = 1

namun ini akan mengikuti dari teorema 5.4.7.

Tertulis di bagian 5.2 bahwa variable acak bebas tidak saling berhubungan. Dengan kata lain,
jika 𝑋 dan 𝑌 bersifat bebas, maka 𝜌 = 0. perhatikan bahwa gabungan fkp diatas, (5.4.11),
faktor-faktor kedalam produk fkp marginal jika 𝜌 = 0. akan tetapi, untuk variabel bivariat
normal, istilah ‘tidak berkorelasi’ bisa digunakan secara bergantian, meskipun hal ini tidak
benar untuk distribusi bivariat umum.

Teorema 5.4.8

Jika (𝑋, 𝑌) ~ 𝐵𝑉𝑁(µ1, µ2, 𝜎2, 𝜎2, 𝜌), maka

1 2

1. Bersyarat pada 𝑋 = 𝑥,

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

𝑌|𝑥 ~ 𝑁 [𝜇2
+ρ (𝑥 − 𝜇1 ), 𝜎2(1 − 𝜌2)]
𝜎2
𝜎1 2

2. Bersyarat pada 𝑌 = 𝑦,

𝑋|𝑦 ~ 𝑁 [𝜇1 + ρ (𝑦 − 𝜇2 ), 𝜎2(1 − 𝜌2)]

𝜎1 1

𝜎2

Bukti

Lihat latihan 24.

Teorema ini menunjukan bahwa kedua ekspektasi bersyarat tersebut adalah fungsi-fungsi
linier dari variable bersyarat, dan kedua varian bersyarat tersebut. Jika ρ dekat ke angka nol,
maka varian bersyarat adalah mendekati varian marginal. Dan jika ρ dekat ke angka ±1, maka
varian bersyarat ini dekat dengan angka nol.

Seperti yang ditulis sebelumnya dalam bab ini, ekspektasi bersyarat, berupa 𝐸(𝑌|𝑥), adalah
fungsi dari 𝑥 yang, ketika diaplikasikan ke 𝑋, mempunyai nilai yang diharapkan yang sama
seperti 𝑌. Fungsi ini kadang-kadang merujuk sebagai fungsi regresi, dan grafik dari 𝐸(𝑌 | 𝑥)
disebut sebagai kurva regresi dari 𝑌 pada 𝑋 = 𝑥. Teorema sebelumnya menegaskan bahwa
untuk variable-variable bivariate formal, kita memiliki fungsi regresi linier. Hal ini mengikuti
Dalil 5.4.3 yang variannya dari 𝐸(𝑌 | 𝑋) adalah kurang dari atau sama dengan 𝑌, dan dengan
demikian fungsi regresi, secara umum, harus menjadi penduga yang lebih baik dari 𝜇2 =
𝐸(𝑌) daripada 𝑌 itu sendiri. Tentu saja, ini akan dijelaskan oleh fakta bahwa distribusi
marginal dari
𝑌 tidak menggunakan informasi tentang 𝑋, sedangkan distribusi bersyarat dari 𝑌 diberikan 𝑋 =
𝑥.

5.5 GABUNGAN FUNGSI PEMBANGKIT MOMEN

Konsep dari fungsi pembangkit momen dapat digeneralisasikan menjadi 𝑘-dimensional suatu
variabel acak

Definisi 5.5.1

Gabungan FPM dari 𝑋 = (𝑋, . . , 𝑋𝑘), jika ada, didefinisikan menjadi

𝑀𝑥(𝑡) = 𝐸[𝑒𝑥𝑝(∑𝑘 𝑡𝑖𝑋𝑖)] (5.51)

𝑡

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

dimana 𝑡 = (𝑡1, … , 𝑡𝑘) dan −ℎ < 𝑡𝑖 < ℎ untuk beberapa ℎ > 0.

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

FPM gabungan memiliki sifat serupa dengan FPM univariat. Momen campuran seperti
𝐸[𝑋 𝑟 𝑋 𝑠 ] dapat diperoleh dengan membedakan gabungan 𝑡𝑖, dan 𝑠 kali terhadap 𝑡𝑗 dan
𝑖 𝑗

kemudian mengatur semua 𝑡𝑖 = 0. FPM gabungan juga secara unik menentukan distribusi
gabungan dari variable 𝑋1, … , 𝑋𝑘.

Perhatikan bahwa itu juga mungkin untuk memperoleh FPM dari distribusi marjinal dari FPM
gabungan. Sebagai contoh,

𝑀𝑋(𝑡1) = 𝑀𝑋,𝑌(𝑡1,0) (5.5.2)

𝑀𝑌(𝑡2) = 𝑀𝑋,𝑌(0, 𝑡2) (5.5.3)

Teorema 5.5.1

Jika 𝑀𝑋,𝑌(𝑡1, 𝑡2) ada, maka variabel acak 𝑋 dan 𝑌 independen jika dan hanya jika

𝑀𝑋,𝑌(𝑡1, 𝑡2) = 𝑀𝑋(𝑡1)𝑀𝑌(𝑡2)

Contoh 5.5.1

Seandainya

𝑋 = (𝑋1, … , 𝑋𝑘)~ 𝑀𝑈𝐿𝑇(𝑛, 𝑝1, … , 𝑝𝑘)

Kita telah mendiskusikan diawal jika distribusi marjinal adalah binomial,

𝑋𝑖~ 𝐵𝐼𝑁(𝑛, 𝑝𝑖).

Gabungan FPM dari distribusi multinomial bisa dievaluasi sepanjang garis yang mengikuti
distribusi binomial untuk memperolehnya

𝑀𝑋(𝑡) = 𝐸 [exp (∑ 𝑡𝑖𝑋𝑖)]

𝑖=1

= ∑… ∑ 𝑛
(𝜌 𝑒𝑡1)𝑥1… (𝜌 𝑒𝑡𝑘)𝑥𝑘𝜌𝑥𝑘+1
1 𝑘 𝑘+1
𝑥1! … 𝑥𝑘+1!

= (𝑝1𝑒𝑡1 + … + 𝑝𝑘𝑒𝑡𝑘 + 𝑝𝑘+1) 𝑛

dimana 𝑝𝑘+1 = 1 – 𝑝1 − ⋯ – 𝑝𝑘

Secara jelas, distribusi marjinal gabungan juga merupakan multinomial, contohnya, jika

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

(𝑋1, 𝑋2, 𝑋3) ~ 𝑀𝑈𝐿𝑇(𝑛, 𝑝1, 𝑝2, 𝑝3), maka

𝑀𝑥1,𝑥2 (𝑡1, 𝑡2) = 𝑀𝑥1,𝑥2,𝑥3,(𝑡1, 𝑡2, 0)

= [𝑝1𝑒𝑡1 + 𝑝2𝑒𝑡2 + 𝑝3 + (1 – 𝑝1 – 𝑝2 – 𝑝3)]𝑛

= [𝑝1𝑒𝑡1 + 𝑝2𝑒𝑡2 + 1– 𝑝1 – 𝑝2]𝑛

maka

(𝑋1, 𝑋2, )~ 𝑀𝑈𝐿𝑇(𝑛, 𝑝1, 𝑝2, )

Contoh 5.5.2

Pertimbangan sepasang variabel acak normal bivariat dengan mean 𝜇1 dan 𝜇2, varians
𝜎2 𝑑𝑎𝑛 𝜎2 dan korelasi koefisien 𝜌. Dengan kata lain, (𝑋, 𝑌) ~ 𝐵𝑉𝑁(𝜇1, 𝜇2, 𝜎2, 𝜎2, 𝜌). FPM
1 2 1 2
∞ ∞
gabungan dari X dan Y bisa dievaluasi secara langsung dengan integrasi: ∫−∞ ∫−∞ 𝑒𝑥𝑝 (𝑡1𝑥 +
𝑡2𝑦)𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 dengan 𝑓(𝑥, 𝑦) diberikan oleh persamaan (5.4.11). Pendekatan langsung
agak membosankan, maka kami memanfaatkan beberapa hasil pada expektasi bersyarat.
Secara khusus, dari teorema 5.4.4 dan 5.4.5, mengikuti jika:

𝑀𝑋,𝑌(𝑡1, 𝑡2) = 𝐸[𝑒𝑥𝑝 (𝑡1 𝑋 + 𝑡2 𝑌)]

= 𝐸𝑋{𝐸[exp(𝑡1 𝑋 + 𝑡2 𝑌) | 𝑋]}

= 𝐸𝑋{exp(𝑡1 𝑋)𝐸 [exp(𝑡2 𝑌) | 𝑋]} (5.5.5)

Selanjutnya, menurut Teorema 5.4.8

𝑌 | 𝑥 ~ 𝑁 [𝜇 + 𝜌 𝜎2 (𝑥 − 𝜇 ), 𝜎2(1 − 𝜌2)]
2 𝜎1 1 2

sehingga

𝐸[𝑒𝑥𝑝 (𝑡 𝑌) | 𝑋 = 𝑥] = 𝑒𝑥𝑝 {[𝜇 + 𝜌 𝜎2 (𝑥 − 𝜇 )] 𝑡 + 𝜎2(1 − 𝜌2)𝑡2/2}

2 2 1 2 2 2
𝜎1

Setelah substitusi ke persamaan (5.5.5) dan beberapa penyederhanaan, diperoleh

𝑀 (𝑡 , 1
𝑡 ) = exp [𝜇 + 𝜇 + (𝜎2𝑡2 + 𝜎2𝑡2 + 2𝜌𝜎 𝜎 𝑡 𝑡 )] (5.5.6)
𝑡 𝑡
𝑋,𝑌 1 2 1 1 2 2 1 1 2 2 1 2 1 2
2

RINGKASAN

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)

 lOMoARcPSD|29644094

Tujuan utama dari bab ini adalah mengembangkan materi umum yang melibatkan nilai yang
diharapkan dari dan fungsi variabel acak. Jumlah dan hasil kali merupakan fungsi yang
penting dari variabel acak yang diberikan perhatian khusus.. sebagai contoh, ditunjukkan jika
nilai yang diharapkan dari sebuah jumlah merupakan jumlah dari nilai yang diharapkan
(marjinal). Jika variabel acak independen, maka nilai yang diharapkan dari sebuah produk
adalah produk dari nilai yang diharapkan (marjinal) dan varian dari sebuah jumlah
merupakan jumlah dari varian (marjinal).

Koefisien korelasi memberikan ukuran ketergantungan diantara dua variabel acak.ketika

koefisien korelasi nol, variabel acak dikatakan tidak berkorelasi. Untuk dua variabel acak
menjadi independen, ini perlu, tapi tidak cukup, maka mereka tidak berkorelasi. Ketika
variabel acak dependen, expektasi bersyarat berguna untuk memprediksi nilai dari satu
variabel yang diberikan nilai dari variabel lainnya.

Downloaded by Neo Saffana Farhalik (neoruthless@students.unnes.ac.id)