RT 05 Random Variables

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()

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

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

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}

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}

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

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


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

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
Discrete Random Variables dan
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 )

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
dFX ( x)
f X ( x)
dx
fungsi fX(x) = probability density function (pdf)
dari r.v. kontinyu X
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

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

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
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
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

Ilustrasi Distribusi Bernoulli

Mean dan variance dari Bernoulli r.v X:
X = E(X) = p
X2 = VAR(X) = P(1 - p)

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
Mean dan Variance dari Distribusi Binomial
X = E(X) = np
X2 = Var(X) = np(1 - p)

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

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

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!

Mean dan Variance dari Distribusi Poisson
X = E(X) =
X2 = Var(X) =

Ilustrasi Distribusi Poisson utk = 3

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
Mean dan Variance dari Distribusi Uniform
ab
X E( X )
2
(b a ) 2
X Var ( X )
2
12

Ilustrasi Distribusi Uniform

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

Mean dan Variance Distribusi Eksponensial
1
X E( X )

1
X Var ( X )
2

Distribusi Eksponensial

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

Mean dan Variance Distribusi Normal (Gaussian)
X = E(X) =
X2 = Var(X) = 2

Distribusi Normal (Gaussian)

Contoh:

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
MULTIPLE RANDOM
VARIABLES

Multiple Random variables
Bivariate Random Variables (2-D Random Vector)
Rxy = {(x,y); S and X() = x, Y() = y}

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.

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)

Dua r.v. X dan Y independen jika
FXY(x,y) = FX(x)FY(y)
utk setiap harga x dan y

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
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
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

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:

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-

Discrete Random Variables - Joint
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
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
Independent Random Variables:

Jika X dan Y r.v. independent:
pXY(xi, yj) = pX(xi)pY(yj)

Contoh:

Continuous Random Variables - Joint
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

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

Marginal Probability Density Functions :
pdf fX(x) dan fY(y) yg didp di atas marginal pdf dari

X dan Y
Independent Random Variables

Jika X dan Y r.v. independent

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 )

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)

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 )

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)

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

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

Dengan cara yg sama:

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

Dg cara yg sama :

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)
Correlation coefficient:
Cov( X , Y ) XY
( X , Y ) XY
X Y X Y
| XY | 1 atau 1 XY 1

RT 05 Random Variables

Diunggah oleh

Informasi Dokumen

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

RT 05 Random Variables

Diunggah oleh

Hak Cipta:

Format Tersedia

RANDOM VARIABLES

Rekayasa Trafik, Sukiswo 1

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

Rekayasa Trafik, Sukiswo 2

Sample space S domain dari r.v. X

Rekayasa Trafik, Sukiswo 3

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

Rekayasa Trafik, Sukiswo 4

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

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

Rekayasa Trafik, Sukiswo 5

Events tadi mempunyai probabilitas yg dinyatakan:

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

Rekayasa Trafik, Sukiswo 6

Rekayasa Trafik, Sukiswo 7

Distribution function (cumulative distribution

Properties dari FX(x)

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

Rekayasa Trafik, Sukiswo 9

Rekayasa Trafik, Sukiswo 10

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

Rekayasa Trafik, Sukiswo 11

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

Probability Mass Functions:

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

Rekayasa Trafik, Sukiswo 13

Probability Density Functions

3. f X ( x) adalah piecewise continuous

Rekayasa Trafik, Sukiswo 15

Jika X adalah r.v. kontinyu, maka

Rekayasa Trafik, Sukiswo 16

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

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

Variance X2 atau Var(X) didefinisikan:

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

Ilustrasi Distribusi Bernoulli

Rekayasa Trafik, Sukiswo 20

Mean dan variance dari Bernoulli r.v X:

Rekayasa Trafik, Sukiswo 21

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

Mean dan Variance dari Distribusi Binomial

Rekayasa Trafik, Sukiswo 23

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

Rekayasa Trafik, Sukiswo 24

Contoh penggunaan r.v. Poisson:

Rekayasa Trafik, Sukiswo 25

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

Rekayasa Trafik, Sukiswo 26

Mean dan Variance dari Distribusi Poisson

Rekayasa Trafik, Sukiswo 27

Ilustrasi Distribusi Poisson utk = 3

Rekayasa Trafik, Sukiswo 28

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

Mean dan Variance dari Distribusi Uniform

Rekayasa Trafik, Sukiswo 30

Ilustrasi Distribusi Uniform

Rekayasa Trafik, Sukiswo 31

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

Rekayasa Trafik, Sukiswo 32

Mean dan Variance Distribusi Eksponensial

Rekayasa Trafik, Sukiswo 33

Rekayasa Trafik, Sukiswo 34

Distribusi Normal (Gaussian)

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