Anda di halaman 1dari 72

RANDOM VARIABLES

Sukiswo
sukiswok@yahoo.com

Rekayasa Trafik, Sukiswo 1


Definisi Random Variables

Random variables (r.v.) X() adalah fungsi real


single-valued yang memberikan bilangan real X()
ke tiap sample point dari sample space S
Biasanya digunakan X utk menggantikan X()

Rekayasa Trafik, Sukiswo 2


Definisi Random Variables

Sample space S domain dari r.v. X


Kumpulan semua bilangan (harga dari X()) range
dari r.v. X
Range dari X merupakan subset dari set semua
bilangan real
Dua atau lebih sample point berbeda dapat
memberikan harga X() yg sama, tetapi
Dua bilangan berbeda dari range tidak dapat
dialokasikan pada sample point yg sama

Rekayasa Trafik, Sukiswo 3


Definisi Random Variables

Contoh 1
Pd eksperimen lempar coin satu kali dg S = {H,T},
kita dp definisikan r.v. X sebagai
X(H) = 1 X(T) = 0

Kita juga dp definisikan r.v. lain, mis. Y atau Z dg


Y(H) = 0, Y(T) = 1 atau Z(H) = 0, Z(T) = 0

Rekayasa Trafik, Sukiswo 4


Events dari Random Variables

Jika X adalah r.v. dan x bilangan real tetap, maka


event (X = x):
(X = x) = {: X() = x}

Hal serupa utk bilangan tetap x, x1, dan x2 dp


ditentukan events berikut:
(X x) = {: X() x}
(X > x) = {: X() > x}
(x1 < X x2) = {: x1 < X() x2}

Rekayasa Trafik, Sukiswo 5


Events dari Random Variables

Events tadi mempunyai probabilitas yg dinyatakan:

P(X = x) = P{: X() = x}


P(X x) = P{: X() x}
P(X > x) = P{: X() > x}
P(x1 < X x2) = P{: x1 < X() x2}

Rekayasa Trafik, Sukiswo 6


Events dari Random Variables

Contoh 2
Pd eksperimen lempar fair coin tiga kali, sample space S1
terdiri dari 8 equally likely sample points S1 = {HHH, HHT,
HTH, THH,HTT, THT, TTH, TTT}. Jika X adalah r.v. yg
menunjukan jumlah head yg didapat, cari:
(a) P(X = 2); (b) P(X < 2)
(a) Mis. A S1 event yg ditentukan dg X = 2, maka
A = (X = 2) = {: X() = 2} = {HHT, HTH, THH}
karena sample point equally likely, didp:
P(X = 2) = P(A) = 3/8
(b) Mis. B S1 event yg ditentukan dg X < 2, maka
B = (X < 2) = {: X() < 2} = {HTT, THT, TTH, TTT}, dan
P(X < 2) = P(B) = 4/8 = 1/2

Rekayasa Trafik, Sukiswo 7


Distribution Functions

Distribution function (cumulative distribution


function/cdf) dari X adalah fungsi:
FX(x) = P(X x) - < x <

Properties dari FX(x)

1. 0 FX ( x) 1
2. FX ( x1 ) FX ( x2 ) jika x1 x2
3. lim FX ( x) FX () 1
x

4. lim FX ( x) FX () 0
x

5. lim FX ( x) FX (a ) FX (a) a lim a


x a 0 0
Rekayasa Trafik, Sukiswo 8
Distribution Functions

Contoh 3
Mis r.v. X spt didefiniskan pd contoh 2. Cari dan
gambar cdf FX(x) dari X

Rekayasa Trafik, Sukiswo 9


Distribution Functions

Rekayasa Trafik, Sukiswo 10


Penentuan probabilitas dari Fungsi
Distribusi

P(a X b) FX (b) FX (a)


P( X a) 1 FX (a)
P( X b) FX (b )
b lim b

0 0

Rekayasa Trafik, Sukiswo 11


Discrete Random Variables dan
Probability Mass Functions

X adalah r.v. diskrit jika range berisi finite atau


countably infinite number of points FX(x)
merupakan fungsi staircase

Probability Mass Functions:


Mis. jump pd FX(x) dari r.v. X diskrit terjadi pd titik
x1, x2, dimana deretan bisa terbatas atau countably
tak terbatas, dg asumsi xi , xj jika i < j, maka
FX(xi) - FX(xi-1) = P(X xi) - P(X xi-1) = P(X = xi)
pX(x) = P(X = x)
pX(x) = prob. mass function (pmf) dr r.v. diskrit X
Rekayasa Trafik, Sukiswo 12
Discrete Random Variables dan
Probability Mass Functions
Properties dari pX(x)

1. 0 p X ( xk ) 1 k 1,2,.....
2. p X ( x) 0 jika x xk (k 1,2,.....)
3. p
k
X ( xk ) 1

cdf FX ( x) dari r.v. diskrit X dp diperoleh dg :


FX ( x) P( X x) p
xk x
X ( xk )

Rekayasa Trafik, Sukiswo 13


Continuous Random Variables dan
Probability Density Functions
Definisi
X adalah r.v. kontinyu jika range merupakan
interval (finite atau infinite) dari bilangan real.
Jika X adalah r.v. kontinyu, maka
P(X = x) = 0

Probability Density Functions

dFX ( x)
f X ( x)
dx
fungsi fX(x) = probability density function (pdf)
dari r.v. kontinyu X
Rekayasa Trafik, Sukiswo 14
Continuous Random Variables dan
Probability Density Functions
Properties dari fX(x)

1. f X ( x) 0

2. f

X ( x)dx 1

3. f X ( x) adalah piecewise continuous


b
4. P(a X b) f X ( x)dx
a

Rekayasa Trafik, Sukiswo 15


Continuous Random Variables dan
Probability Density Functions
Cdf FX(x) dari r.v. kontinyu X dp diperoleh dg:

x
FX ( x) P( X x) f X ( )d

Jika X adalah r.v. kontinyu, maka


P ( a X b) P ( a x b) P ( a x b)
b
f X ( x)dx FX (b) FX (a)
a

Rekayasa Trafik, Sukiswo 16


Mean dan Variance

Mean (expected value) : X atau E(X)

xk p X ( xk ) X : diskret
k
X E( X )
xf X ( x)dx X : kontinyu

Moment, moment ke-n dari r.v. X:

xkn p X ( xk ) X : diskret

E ( X n ) k
x n f X ( x)dx X : kotinyu

Cat: mean dari X adalah moment pertama dari X
Rekayasa Trafik, Sukiswo 17
Mean dan Variance

Variance X2 atau Var(X) didefinisikan:

X Var ( X ) E{[ X E ( X )]2 }


2

sehingga,
( xk X ) 2 p X ( xk ) X : diskret
k
X2
- ( x X ) 2 f X ( x)dx X : kontinyu

Var(X) 0
Standar deviasi dari r.v. X dinyatakan dg X = akar
kuadrat dari Var(X)
Var(X) = E(X2) - [E(X)]2
Rekayasa Trafik, Sukiswo 18
Beberapa Distribusi Khusus

Distribusi Bernoulli
Bernoulli r.v. X diasosiasikan dg eksperimen
(Bernoulli trial) dimana outcome dp diklasifikasikan
sbg sukses, dg prob. p atau gagal, dg prob 1-p.

pmf :
p X (k ) P( X k ) p k (1 p)1 k k 0,1 dimana 0 p 1

cdf FX ( x) :
0 x0

FX ( x) 1 p 0 x 1
1 x 1

Rekayasa Trafik, Sukiswo 19
Beberapa Distribusi Khusus

Ilustrasi Distribusi Bernoulli

Rekayasa Trafik, Sukiswo 20


Beberapa Distribusi Khusus

Mean dan variance dari Bernoulli r.v X:

X = E(X) = p

X2 = VAR(X) = P(1 - p)

Rekayasa Trafik, Sukiswo 21


Beberapa Distribusi Khusus

Distribusi Binomial
Binomial r.v. X diasosiasikan dg eksperimen dimana
n independen Bernoulli trial dilakukan dan X
menyatakan jumlah sukses dlm n trials

r.v. X disebut r.v. binomial dg parameter (n, p) jika pmf :


n k
p X (k ) P( X k ) p (1 p ) n k k 0,1,.....n
k
n n!
dimana 0 p 1 dan yg disebut koef. binomial
k k!(n k )!
cdf dari X :
n
n
FX ( x) p k (1 p ) n k n x n 1
k 0 k
Rekayasa Trafik, Sukiswo 22
Beberapa Distribusi Khusus

Mean dan Variance dari Distribusi Binomial

X = E(X) = np

X2 = Var(X) = np(1 - p)

Rekayasa Trafik, Sukiswo 23


Beberapa Distribusi Khusus

Ilustrasi Distribusi Binomial utk n = 6 dan p = 0,6

Rekayasa Trafik, Sukiswo 24


Beberapa Distribusi Khusus

Distribusi Poisson
r.v. Poisson mempunyai aplikasi yg luas dlm
berbagai area krn dp digunakan sbg aproksimasi
r.v. binomial dg parameter (n,p) utk n besar dan p
kecil (np moderat)

Contoh penggunaan r.v. Poisson:


Jumlah panggilan telepon yg datang pd suatu
sentral dlm suatu interval waktu tertentu
Jumlah pelanggan yg memasuki bank dlm suatu
interval waktu tertentu

Rekayasa Trafik, Sukiswo 25


Beberapa Distribusi Khusus

Distribusi Poisson

r.v. X disebut r.v. Poisson dg parameter ( 0) jika pmf :


k
p X (k ) P( X k ) e k 0,1,.....
k!
cdf dari X :
n
k
FX ( x) e n x n 1
k 0 k!

Rekayasa Trafik, Sukiswo 26


Beberapa Distribusi Khusus

Mean dan Variance dari Distribusi Poisson

X = E(X) =

X2 = Var(X) =

Rekayasa Trafik, Sukiswo 27


Beberapa Distribusi Khusus

Ilustrasi Distribusi Poisson utk = 3

Rekayasa Trafik, Sukiswo 28


Beberapa Distribusi Khusus

Distribusi Uniform
Distribusi uniform sering digunakan jika tdk
diketahui pengetahuan awal dari pdf dan semua
harga dlm range kelihatannya equally likely

r.v. X dikatakan uniform dlm range (a, b) jika pdf :


1
xb
f X ( x) b a
0 lainnya
cdf dari X :
0 xa
x a
FX ( x) a xb
b a
1 xb
Rekayasa Trafik, Sukiswo 29
Beberapa Distribusi Khusus

Mean dan Variance dari Distribusi Uniform

ab
X E( X )
2
(b a ) 2
X Var ( X )
2

12

Rekayasa Trafik, Sukiswo 30


Beberapa Distribusi Khusus

Ilustrasi Distribusi Uniform

Rekayasa Trafik, Sukiswo 31


Beberapa Distribusi Khusus

Distribusi Eksponensial
Properti yg paling penting adalah memoryless

r.v. X adalah r.v. Eksponensi al dg parameter ( 0) jika pdf :


e x x 0
f X ( x)
0 x0

cdf untuk X :
1 e x x 0
FX ( x)
0 x0

Rekayasa Trafik, Sukiswo 32


Beberapa Distribusi Khusus

Mean dan Variance Distribusi Eksponensial

1
X E( X )

1
X Var ( X )
2

Rekayasa Trafik, Sukiswo 33


Beberapa Distribusi Khusus

Distribusi Eksponensial

Rekayasa Trafik, Sukiswo 34


Beberapa Distribusi Khusus

Distribusi Normal (Gaussian)

r.v. X dikatakan Normal (Gaussian) jika pdf :


1 ( x ) 2 /( 2 2 )
f X ( x) e
2
cdf dari X :
1 x 1 ( x ) / 2 / 2

( ) 2 ( 2 2 )
FX ( x) e d e d
2
2

Rekayasa Trafik, Sukiswo 35


Beberapa Distribusi Khusus

Mean dan Variance Distribusi Normal (Gaussian)

X = E(X) =

X2 = Var(X) = 2

Rekayasa Trafik, Sukiswo 36


Beberapa Distribusi Khusus

Distribusi Normal (Gaussian)

Rekayasa Trafik, Sukiswo 37


Contoh:

Rekayasa Trafik, Sukiswo 38


Conditional Distributions

Conditional cdf FX(x|B) dari r.v. X diberikan event B:

P{( X x) B}
FX ( x | B) P( X x | B)
P( B)
Jika X r.v. diskrit, conditiona l pmf p X ( xk | B) :
P{( X xk ) B}
p X ( xk | B ) P ( X xk | B )
P( B)
Jika X r.v. kontinyu, conditiona l pdf f X ( x | B) :
dFX ( x | B)
f X ( x | B)
dx
Rekayasa Trafik, Sukiswo 39
MULTIPLE RANDOM
VARIABLES

Rekayasa Trafik, Sukiswo 40


Multiple Random variables

Bivariate Random Variables (2-D Random Vector)

Rxy = {(x,y); S and X() = x, Y() = y}


Rekayasa Trafik, Sukiswo 41
Multiple Random variables

Bivariate Random Variables (2-D Random Vector)

Jika r.v. X dan Y diskret (X,Y) discrete


bivariate r.v.
Jika r.v. X dan Y kontinyu (X,Y) continuous
bivariate r.v.
Jika salah satu diskret dan lainnya kontinyu
(X,Y) mixed bivariate r.v.

Rekayasa Trafik, Sukiswo 42


Joint Distribution Functions

Joint cdf dari X dan Y, FXY(x,y) adalah fungsi:


FXY(x,y) = P(X x, Y y)

Event (X x, Y y) ekivalen dg event A B,


dimana A dan B adalah events dari S:
A = { S; X() x} dan B = { S; Y() y}
dan P(A) = FX (x) P(B) = FY(y)
shg FXY(x,y) = P(A B)

Jika utk harga x dan y, A dan B independen:


FXY(x,y) = P(A B) = P(A) P(B) = FX(x)FY(y)

Rekayasa Trafik, Sukiswo 43


Joint Distribution Functions

Dua r.v. X dan Y independen jika

FXY(x,y) = FX(x)FY(y)

utk setiap harga x dan y

Rekayasa Trafik, Sukiswo 44


Properties dari FXY(x,y)
1. 0 FXY ( x, y ) 1
2. Jika x1 x2 , dan y1 y2 , maka
FXY ( x1 , y1 ) FXY ( x2 , y1 ) FXY ( x2 , y2 )
FXY ( x1 , y1 ) FXY ( x1 , y2 ) FXY ( x2 , y2 )
3. lim FXY ( x, y ) FXY (, ) 1
x
y

4. lim FXY ( x, y ) FXY (, y ) 0


x

lim FXY ( x, y ) FXY ( x,) 0


y -

5. lim FXY ( x, y ) FXY (a , y ) FXY (a, y )


xa

lim FXY ( x, y ) FXY ( x, b ) FXY ( x, b)


yb

6. P ( x1 X x 2, Y y ) FXY ( x2 , y ) FXY ( x1 , y )
P ( X x, y1 Y y2 ) FXY ( x, y2 ) FXY ( x, y1 )
7. Jika x1 x2 dan y1 y2 , maka
FXY ( x2 , y2 ) FXY ( x1 , y2 ) FXY ( x2 , y1 ) FXY ( x1 , y1 ) 0
Rekayasa Trafik, Sukiswo 45
Joint Distribution Functions

Contoh:
Eksperimen lempar coin yg fair dua kali. (X,Y) adalah bivariate r.v.,
dimana X jumlah head dan Y jumlah tail dlm dua lemparan.
a. Berapa range RX dari X? b. Berapa range RY dari Y?
c. Gambar range RXY dari (X,Y)
d. Cari P(X=2, Y=0), P(X=0, Y=2), dan P(X=1, Y=1)

Jawab:
Sample space S dari eksperimen: S = {HH, HT, TH, TT}
a. RX = {0,1,2} b. RY = {0,1,2}
c. RXY = {(2,0),(1,1),(0,2)}
d. P(X=2,Y=0) = P{HH} = 1/4
P(X=0,Y=2) = P{TT} = 1/4
P(X=1,Y=1) = P{HT,TH} = 1/2
Rekayasa Trafik, Sukiswo 46
Rekayasa Trafik, Sukiswo 47
Marginal Distribution Functions

lim ( X x, Y y ) ( X x, Y ) ( X x)
y

karena kondisi y selalu dipenuhi, maka


lim FXY ( x, y ) FXY ( x, ) FX ( x)
y

lim FXY ( x, y ) FXY (, y ) FY ( y )


x

cdf FX ( x) dan FY ( y ) di atas dikenal sbg marginal cdf dari X dan Y

Rekayasa Trafik, Sukiswo 48


Marginal Distribution Functions

Contoh:
Joint cdf dari bivariate r.v. (X,Y) diketahui:

(1 e x )(1 e y ) x 0, y 0, , 0
FXY ( x, y)
0 lainnya
a. Cari marginal cdf dari X dan Y
b. Perlihatkan bahwa X dan Y independen
c. Cari P(X1, Y1), P(X1), P(Y>1), dan P(X>x, Y>y)

Jawab:

Rekayasa Trafik, Sukiswo 49


Marginal Distribution Functions

Jawab:
a.
1 e x x0
FX ( x) FXY ( x, )
0 x0
1 e y y0
FY ( y ) FXY (, y )
0 y0

b. Karena FXY(x,y) = FX(x)FY(y), X dan Y independen

c. P(X1, Y1) = FXY(1,1) = (1 - e-)(1 - e-)


P(X1) = FX(1) = (1 - e- )
P(Y>1) = 1 - P(Y 1) = 1 - FY(1) = e-

Rekayasa Trafik, Sukiswo 50


Discrete Random Variables - Joint
Probability Mass Functions

Untuk (X,Y) discrete bivariate r.v., fungsi pXY(xi,yj)


joint probability mass function (joint pmf) dari (X,Y):
pXY(xi,yj) = P(X=xi, Y=yj)

Properties dari pXY(xi, yj):


1. 0 p XY ( xi , y j ) 1
2. p
xi yj
XY ( xi , y j ) 1

3. P[( X , Y ) A] p
( xi , y j ) R A
XY ( xi , y j )

Joint cdf :
FXY ( x, y ) p XY ( xi , y j )
xi x y j y
Rekayasa Trafik, Sukiswo 51
Discrete Random Variables - Joint
Probability Mass Functions

Marginal Probability Mass Functions:


Mis. Untuk harga tetap X = xi, r.v. Y yj (j = 1, 2, , n)

P( X xi ) p X ( xi ) p XY ( xi , y j ) Marginal pmf dari X


yj

dimana penjumlahan dilakukan utk semua kemungkinan pasangan


(xi, yj) dg xi tetap. Hal yang sama:

P(Y y j ) pY ( y j ) p XY ( xi , y j ) Marginal pmf dari Y


xi

dimana penjumlahan dilakukan utk semua kemungkinan pasangan


(xi, yj) dg yj tetap Rekayasa Trafik, Sukiswo 52
Discrete Random Variables - Joint
Probability Mass Functions

Independent Random Variables:


Jika X dan Y r.v. independent:

pXY(xi, yj) = pX(xi)pY(yj)

Rekayasa Trafik, Sukiswo 53


Contoh:

Rekayasa Trafik, Sukiswo 54


Rekayasa Trafik, Sukiswo 55
Rekayasa Trafik, Sukiswo 56
Continuous Random Variables - Joint
Probability Density Functions

Joint Probability Density Functions:


Mis. (X,Y) continuous bivariate r.v dg cdf FXY(x,y)
dan mis.
2 FXY ( x, y)
f XY ( x, y)
xy
Fungsi fXY(x,y) disebut joint probability function
(joint pdf) dari (X,Y)

x y
FXY ( x, y ) f

XY ( , )dd

Rekayasa Trafik, Sukiswo 57


Continuous Random Variables - Joint
Probability Density Functions

Properties dari fXY(x,y) :

1. f XY ( x, y ) 0

2.
- -
f XY ( x, y )dxdy 1
3. f XY ( x, y ) kontinyu utk semua harga x dan y
4. P[( X , Y ) A] f XY ( x, y )dxdy
RA
d b
5. P(a X b, c Y d ) f XY ( x, y )dxdy
c a

Rekayasa Trafik, Sukiswo 58


Continuous Random Variables - Joint
Probability Density Functions

Marginal Probability Density Functions :

pdf fX(x) dan fY(y) yg didp di atas marginal pdf dari


X dan Y
Rekayasa Trafik, Sukiswo 59
Continuous Random Variables - Joint
Probability Density Functions

Independent Random Variables


Jika X dan Y r.v. independent

Rekayasa Trafik, Sukiswo 60


Rekayasa Trafik, Sukiswo 61
Conditional Distributions

Conditional Probability Mass Functions


Jika (X,Y) discrete bivariate r.v. dg joint pmf pXY(xi,yj),
conditional pmf Y, diberikan X = xi:

p XY ( xi , y j )
pY | X ( y j | xi ) p X ( xi ) 0
p X ( xi )

Dg cara yg sama, pX|Y(xi|yj):

p XY ( xi , y j )
p X |Y ( xi | y j ) pY ( y j ) 0
pY ( y j )

Rekayasa Trafik, Sukiswo 62


Conditional Distributions

Properties dari pY|X(yj|xi):

1. 0 pY | X ( y j | xi ) 1
2. p
yj
Y|X ( y j | xi ) 1

Jika X dan Y independent, maka

pY|X(yj|xi) = pY(yj) dan PX|Y(xi|yj) = pX(xi)

Rekayasa Trafik, Sukiswo 63


Conditional Distributions

Conditional Probability Density Functions:


Jika (X,Y) continuous bivariate r.v. dg joint pdf fXY,
conditional pdf dari Y, diberikan X = x:
f XY ( x, y )
fY | X ( y | x) f X ( x) 0
f X ( x)

Dg cara yg sama dp didefinisikan fX|Y(x|y):

f XY ( x, y )
f X |Y ( x | y ) fY ( y ) 0
fY ( y )

Rekayasa Trafik, Sukiswo 64


Conditional Distributions

Properties dari fY|X(y|x):

1. fY | X ( y | x) 0

2.

fY | X ( y | x)dy 1

Jika X dan Y independen t :


fY | X ( y | x) fY ( y ) dan f X |Y ( x | y ) f X ( x)

Rekayasa Trafik, Sukiswo 65


Covariance & Correlation Coefficient

Moment ke (k,n) dari bivariate r.v. (X,Y)


didefinisikan:

xi k y j n p XY ( xi , y j ) kasus diskrit
y j xi
mkn
x k y n f XY ( x, y )dxdy kasus kontinyu
- -

Jika n=0, didp moment ke-k dari X, dan jika k=0,didp


moment ke-n dari Y:
m10 = E(X) = X dan m01 = E(Y) = Y

Rekayasa Trafik, Sukiswo 66


Covariance & Correlation Coefficient

Jika (X,Y) discrete bivariate r.v., maka didp:

Rekayasa Trafik, Sukiswo 67


Covariance & Correlation Coefficient

Dengan cara yg sama:

Rekayasa Trafik, Sukiswo 68


Covariance & Correlation Coefficient

Jika (X,Y) continuous bivariate r.v. :

Rekayasa Trafik, Sukiswo 69


Covariance & Correlation Coefficient

Dg cara yg sama :

Rekayasa Trafik, Sukiswo 70


Covariance & Correlation Coefficient

Joint moment ke (1,1) dari (X,Y):


m11 = E(XY)
disebut correlation dari X dan Y
Jika E(XY) = 0 X dan Y orthogonal

Covariance dari X dan Y Cov(X,Y) atau XY:

Cov(X,Y) = XY = E[(X - X)(Y - Y)]

Cov(X,Y) = E(XY) - E(X)E(Y)

Jika Cov(X,Y) = 0 X dan Y uncorrelated :


E(XY) = E(X)E(Y)
Rekayasa Trafik, Sukiswo 71
Covariance & Correlation Coefficient

Correlation coefficient:

Cov( X , Y ) XY
( X , Y ) XY
X Y X Y

| XY | 1 atau 1 XY 1

Rekayasa Trafik, Sukiswo 72