Statistika Matematika

Variabel Acak Berganda

Oleh Kelompok 1 :
MAIKA APRIENTI (P2A921005)
MUHAMMAD ZILFIKRI (P2A921018)
M. TAUFIK AKBAR (P2A921027)
SLIDESMANIA
 Materi

01
Distribusi bersama dan
02
Distribusi Bersyarat dan Bebas
Marginal

03 04
Transformasi Bivariat Model Hirarki dan Transformasi
Campuran
SLIDESMANIA
 Variabel Acak

Dalam Matematika, variabel acak adalah istilah untuk menyebut

besaran atau objek yang bergantung pada kejadian acak. Secara
informal, keacakan umumnya menyatakan suatu aspek
kebolehjadian, seperti seperti ketika melantunkan sebuah dadu,
atau menyatakan aspek ketidakpastian, seperti kesalahan
pengukuran
SLIDESMANIA
 Variabel Acak
Variabel Acak Diskrit Variabel Acak Kontinu

● Variabel acak diskrit adalah variabel acak
yang tidak mengambil seluruh nilai yang
ada dalam sebuah interval atau variabel
yang hanya memiliki nilai tertentu.
SLIDESMANIA
● Variabel acak yang mengambil seluruh nilai
yang ada dalam sebuah interval, atau
variabel yang dapat memiliki nilai – nilai
pada suatu interval tertentu
 4.1 a
i B e r s am
s tr i bus
Di g i n a l
M ar
dan
SLIDESMANIA
 Distribusi Bersama dan Marginal
Definisi 4.1.1 Vektor acak berdimensi-n adalah fungsi dari ruang sampel S ke ruang ,
Euclidean berdimensi-n.

Contoh 4.1.2 (Ruang sampel untuk dadu) Pertimbangkan eksperimen melempar dua
dadu yang adil. Ruang sampel untuk percobaan ini memiliki 36 titik kemungkinan yang sama
dan diperkenalkan pada Contoh 1.3.10. Misalnya, titik sampel (3, 3) menunjukkan hasil di
mana kedua dadu menunjukkan angka 3; titik sampel (4, 1) menunjukkan hasil di mana
dadu pertama menunjukkan 4 dan dadu kedua menunjukkan 1; dll. Sekarang, dengan
masing-masing titik 36 ini mengasosiasikan dua angka, X dan Y. Mari
X = jumlah dari dua dadu dan Y= | perbedaan dari dua dadu |.
Untuk titik sampel (3, 3), X = 3+ 3 = 6 dan Y = |3 — 3| — 0. Untuk (4, 1), X == 5 dan Y = 3.
Ini juga merupakan nilai X dan Y untuk titik sampel (1, 4). Untuk masing-masing dari 36 titik
sampel kita dapat menghitung nilai X dan Y. Dengan cara ini kita telah mendefinisikan vektor
SLIDESMANIA

acak bivariat (X, Y).

 Berapa P (X=5 dan Y=3)? Anda dapat memverifikasi bahwa satu-satunya dua titik sampel yang menghasilkan X
= 5 dan Y = 3 adalah (4, 1) dan (1, 4). Dengan demikian kejadian “X = 5 dan Y = 3” akan terjadi jika dan hanya
jika kejadian {(4, 1), (1, 4)} terjadi. Karena masing-masing dari 36 titik sampel di S memiliki kemungkinan
yang sama,

Dengan demikian,

Selanjutnya, kita akan menulis P (X=5, Y=3) untuk P (X=5 dan Y=3). Baca koma sebagai “dan.” Demikian
pula, karena satu-satunya titik sampel yang menghasilkan nilai X dan Y ini adalah (3, 3). Untuk acara yang
lebih rumit, tekniknya adalah sama. Misalnya, karena hanya empat titik sampel yang menghasilkan X = 7 dan
adalah (4, 3), (3, 4), (5, 2), dan (2, 5).||
SLIDESMANIA
 Definisi 4.1.3 Misalkan (X,Y) adalah vektor acak bivariat diskrit. Maka fungsi f(x,y) dari ke didefinisikan oleh f
(x,y) = P(X=x, Y=y) disebut fungsi massa peluang gabungan atau pmf gabungan dari (X,Y).

Jika perlu untuk menekankan fakta bahwa f adalah pmf gabungan dari vektor (X,Y) daripada beberapa
vektor lain, notasi akan digunakan.

PMf gabungan dapat digunakan untuk menghitung probabilitas dari setiap peristiwa yang didefinisikan dalam
istilah dari (X, Y). Misalkan A adalah himpunan bagian dari . Kemudian

Harapan fungsi vektor acak dihitung seperti halnya dengan variabel acak univariat. Misalkan g(x,y) adalah
fungsi bernilai nyata yang didefinisikan untuk semua nilai yang mungkin (x, y) dari vektor acak diskrit (X, Y).
Maka g(X, Y) itu sendiri adalah variabel acak dan nilai harapannya Eg(X, Y) diberikan oleh
SLIDESMANIA
 Contoh 4.1.4 (Lanjutan Contoh 4.1.2) Untuk (X, Y) yang merupakan pmf gabungan diberikan pada Tabel
4.1.1, berapakah nilai rata-rata XY? Misalkan g(x, y) = xy, kita menghitung EXY = Eg(X, Y) dengan
menghitung xy f(x, y) untuk masing-masing dari 21 (x, y) poin pada Tabel 4.1.1 dan menjumlahkan 21 istilah
ini. Dengan demikian,

Operator ekspektasi terus memiliki sifat-sifat yang tercantum dalam Teorema 2.2.I ketika variabel acak X
digantikan oleh vektor acak (X, Y). Misalnya, jika dan adalah dua fungsi dan a, b, dan c adalah konstanta,
maka

PMf gabungan untuk setiap vektor acak bivariat diskrit (X, Y) harus memiliki sifat tertentu. Untuk sembarang
karena f(x, y) adalah probabilitas. Juga, karena (X, Y) pasti ada di ,
SLIDESMANIA
 Contoh 4.1.5 (Gabungan pmf untuk dadu) Definisikan f(x, y) dengan

Maka f(x, y) adalah nonnegatif dan berjumlah 1, jadi f(x, y) adalah pmf gabungan untuk beberapa vektor acak
bivariat (X, Y). Kita dapat menggunakan f(x, y) untuk menghitung probabilitas seperti P(X= Y) = f(0,0)+f(l,l)
=1/2. Semua ini dapat dilakukan tanpa mengacu pada ruang sampel S.
Memang, ada banyak ruang sampel dan fungsi di atasnya mengarah ke pmf bersama ini untuk (X, Y). Ini satu.
Misalkan S adalah ruang sampel 36 titik untuk percobaan pelemparan dua buah dadu yang adil. Misalkan X =
0 jika dadu pertama menunjukkan paling banyak 2 dan X = 1 jika dadu pertama lebih dari 2. Misalkan Y = 0
jika dadu kedua menunjukkan bilangan ganjil dan Y= 1 jika dadu kedua menunjukkan bilangan genap. Hal ini
dibiarkan sebagai Latihan 4.3 untuk menunjukkan bahwa definisi ini mengarah ke distribusi probabilitas di
SLIDESMANIA

atas untuk (X, Y).

 Teorema 4.1.6 Misalkan (X, Y)menjadi vektor acak bivariat diskrit dengan gabungan pms.
Kemudian itu marjin dari pmf dari X dan Y , dan , adalah diberikan oleh

Bukti: Kami akan membuktikan hasil untuk . Bukti untuk serupa. Untuk sembarang , misalkan .
Artinya, Ax adalah garis pada bidang dengan koordinat pertama sama dengan x. Kemudian, untuk
sembarang
SLIDESMANIA
 Contoh 4.1.7 (PMf marjinal untuk dadu) Dengan menggunakan hasil Teorema 4.1.6, kita dapat
menghitung distribusi marjinal untuk X dan Y dari distribusi gabungan yang diberikan pada Tabel
4.1.1. Untuk menghitung pmf marginal dari Y, untuk setiap kemungkinan nilai Y kita jumlahkan nilai-
nilai yang mungkin dari X. Dengan cara ini kita peroleh

Demikian pula, kami memperoleh

Perhatikan bahwa, sebagaimana mestinya, karena ini adalah satu-satunya enam mungkin nilai-nilai
dariY
SLIDESMANIA
 Contoh 4.1.8 (Probabilitas dadu) Menggunakan pmf marginal dari Y yang dihitung pada Contoh 4.1.7,kita
bisa menghitung

Contoh 4.1.9 (Marginal yang sama, pmf gabungan yang berbeda) Definisikan pmf bersama dengan

f(x, y) = 0 untuk semua nilai lainnya.

PMf marginal dari Y adalah dan . PMf marginal dari A adalah dan
SLIDESMANIA
 Definisi 4.1.10 Sebuah fungsi f(x, y) dari ke disebut fungsi kerapatan peluang gabungan atau gabungan pdf
dari vektor acak bivariat kontinu (X, Y), jika, untuk setiap ,

Ekspektasi fungsi vektor acak kontinu didefinisikan seperti dalam kasus diskrit dengan integral menggantikan jumlah
dan pdf menggantikan pmf. Artinya, jika g(x, y) adalah fungsi bernilai real, maka nilai harapan dari g (X, Y)
didefinisikan sebagai
SLIDESMANIA
 Fungsi densitas probabilitas marjinal X dan Y juga didefinisikan seperti dalam kasus diskrit dengan integral
menggantikan jumlah. Pdf marginal dapat digunakan untuk menghitung probabilitas atau ekspektasi yang
hanya melibatkan X atau Y. Secara khusus, pdf marginal X dan Y diberikan oleh

Setiap fungsi f(x,y) memenuhi untuk semua dan

adalah pdf gabungan dari beberapa vektor acak bivariat kontinu (X, Y).
SLIDESMANIA
 Contoh 4.1.11 (Menghitung probabilitas gabungan—I) Definisikan pdf gabungan dengan

Untuk menghitung integral f(x, y) pada seluruh bidang, perhatikan bahwa, karena f(x, y) adalah 0
kecuali pada persegi satuan, integral pada bidang tersebut sama dengan integral pada persegi. Jadi
kita punya

Sekarang, pertimbangkan untuk menghitung probabilitas seperti Membiarkan , kita dapat

menyatakannya kembali sebagai Dari Definisi 4.1.10, untuk menghitung probabilitas kita
integrasikan pdf gabungan terhadap himpunan A. Tetapi pdf gabungan adalah 0 kecuali pada kuadrat
satuan.
SLIDESMANIA
 Ini memberi kita batas integrasi yang kita butuhkan untuk menghitung probabilitas. Kita punya

Dengan menggunakan (4.1.3), kita dapat menghitung pdf marginal dari X atau Y. Misalnya,
untuk menghitung , kita perhatikan bahwa untuk x ≥ 1 atau x ≤ 0, f(x, y) = 0 untuk semua nilai y.
Jadi untuk untuk x ≥ 1 atau x ≤ 0

Untuk 0 < x < 1, f(x, y) bukan nol hanya jika 0 < y < 1. Jadi untuk 0 < x < 1,

Pdf marginal dari X ini sekarang dapat digunakan untuk menghitung probabilitas yang hanya
melibatkan X. Sebagai contoh,
SLIDESMANIA
 Contoh 4.1.12 (Menghitung probabilitas gabungan—II) Sebagai contoh lain dari pdf gabungan, misalkan , 0 < x < y <
∞. Meskipun tidak bergantung pada x, f(x, y) tentu adalah fungsi dari x karena himpunan di mana f(x, y) bukan nol
bergantung pada x. Ini dibuat lebih jelas dengan menggunakan fungsi indikator untuk menulis

Untuk menghitung P (X + Y ≥ 1), kita dapat mengintegrasikan joint pdf pada daerah yang merupakan perpotongan
himpunan A = {(x,y): x + y ≥ 1}dan himpunan di mana f (x,y) adalah bukan nol Gambarkan himpunan-himpunan ini dan
perhatikan bahwa daerah ini adalah daerah tak terbatas (arsir lebih terang pada Gambar 4.1.1) dengan tiga sisi yang
diberikan oleh garis x = y, x + y = 1 dan x = 0. wilayah ini kita harus memecah wilayah menjadi setidaknya dua bagian
untuk menulis batas integrasi yang sesuai.
Integrasi lebih mudah pada perpotongan himpunan B = {(x,y): x + y < 1} dan himpunan di mana f(x, y) bukan nol,
daerah segitiga (arsir lebih gelap pada Gambar 4.1 .1) dibatasi oleh garis x = y, x + y = 1 dan x = 0. Jadi
SLIDESMANIA
 Distribusi probabilitas gabungan dari (X, Y) dapat dijelaskan secara lengkap dengan cdf gabungan (fungsi
distribusi kumulatif) daripada dengan pmf gabungan atau pdf bersama. Gabungan cdf adalah fungsi F(x, y)
yang didefinisikan oleh

 
untuk semua . CDf gabungan biasanya tidak terlalu berguna untuk digunakan untuk vektor acak diskrit. Tetapi
untuk vektor acak bivariat kontinu, kita memiliki hubungan penting, seperti dalam kasus univariat,

dari Teorema Dasar Kalkulus bivariat, ini menyiratkan bahwa

pada titik kontinuitas f(x, y). Hubungan ini berguna dalam situasi di mana ekspresi untuk F (x, y) dapat
ditemukan. Turunan parsial campuran dapat dihitung untuk menemukan pdf bersama.
SLIDESMANIA
 4.2 r a t
i B e r s ya
s tr i bus
Di b a s
dan B e
SLIDESMANIA
 Definisi 4.2.1

Misalkan adalah vektor acak bivariat diskrit dengan gabungan pmf dan pmfs marginal
dan .

Untuk setiap , pmf bersyarat dari diberikan bahwa adalah fungsi dari yang dilambangkan
dengan ) dan didefinisikan oleh

f(y|x)=P(Y=y|X=x)=

Untuk sembarang y sehingga , pmf bersyarat dari diberikan bahwa adalah fungsi dari r
yang dinotasikan dengan dan didefinisikan oleh

f(x|y)=P(X=x|Y=y)=
SLIDESMANIA
 Contoh 4.2.2
(Menghitung Probabilitas Bersyarat)

Mendefinisikan joint pmf dari oleh

Kita dapat menggunakan Definisi 4.2.1 untuk menghitung pmf bersyarat dari yang
diberikan untuk setiap nilai yang mungkin dari . Pertama, pmf marginal dari X adalah
SLIDESMANIA
 Untuk positif hanya untuk . Jadi adalah positif hanya untuk y= 10 dan y = 20, dan

Untuk adalah positif untuk y = 10, 20, dan 30, dan

SLIDESMANIA
 Definisi 4.2.3
Misalkan merupakan vektor acak bivariat kontinu dengan gabungan pdf dan pdfs marginal
dan

 Untuk setiap sedemikian rupa sehingga , pdf bersyarat dari diberikan bahwa adalah
fungsi dari yang dilambangkan dengan dan didefinisikan oleh

● Untuk sembarang sehingga , pdf bersyarat dari diberikan bahwa adalah fungsi dari
yang dilambangkan dengan dan didefinisikan oleh
SLIDESMANIA
 Contoh 4.2.4
(Menghitung Pdf Bersyarat)
Seperti pada Contoh 4.1.12, misalkan vektor acak kontinu memiliki joint pdf = 𝑒 −𝑦 , 0 < x <
y < ∞. Misalkan kita ingin hitung pdf bersyarat dari yang diberikan . Pdf marginal dari
dihitung sebagai berikut. Jika untuk semua nilai , maka . Jika hanya jika . Dengan
demikian

Jadi, secara marginal, memiliki distribusi eksponensial. Dari Definisi 4.2.3, distribusi
kondisional dari yang diberikan dapat dihitung untuk sembarang 0 (karena ini adalah
nilai untuk ). Untuk setiap r
SLIDESMANIA
 Definisi 4.2.5
Misalkan merupakan vektor acak bivariat dengan gabungan pdf atau pmf dan marginal
pdfs atau pmfs dan . Kemudian dan disebut variabel acak independen jika, untuk setiap
dan

Jika dan saling bebas, pdf kondisional dari yang diberikan  =

SLIDESMANIA
 Contoh 4.2.6
(Memeriksa Indepedensi-1)

Pertimbangkan ras bivariat diskrit vektor dom dengan joint pmf diberikan oleh

Variabel acak X dan Y tidak bebas karena (4.2.1) tidak benar untuk setiap x dan y .
Sebagai contoh,
SLIDESMANIA
 Lemma 4.2.7
Misalkan merupakan vektor acak bivariat
dengan joint pdf atau pmf Maka dan
adalah variabel acak independen jika dan
hanya jika ada fungsi dan sedemikian
sehingga, untuk setiap dan .
SLIDESMANIA
 BUKTI : Bagian "hanya jika"
dibuktikan dengan mendefinisikan
dan dan menggunakan (4.2.1).
Untuk membuktikan bagian "jika"
untuk variabel acak kontinu,
Lalu, menggunakan (4.2.2) dan (4.2.3)
misalkan Mendefinisikan
kita mendapatkan

menunjukkan bahwa X dan Y saling

bebas. Mengganti integral dengan jumlah
membuktikan lemma untuk vektor acak
diskrit.
SLIDESMANIA
 Contoh 4.2.8
(Model Probabilitas Gabungan)

 Sebagai contoh penggunaan independensi untuk mendefinisikan model probabilitas gabungan, pertimbangkan situasi
ini. Seorang siswa dari sebuah sekolah dasar di Kansas City dipilih secara acak dan X = jumlah orang tua siswa yang
dicatat. Misalkan distribusi marjinal X adalah
 Seorang pensiunan dari Sun City dipilih secara acak dan Y = jumlah orang tua yang masih hidup pensiunan dicatat.
Misalkan distribusi marjinal Y adalah
 Tampaknya masuk akal untuk mengasumsikan bahwa kedua variabel acak ini independen. Pengetahuan tentang
jumlah orang tua siswa tidak memberi tahu kita tentang jumlah orang tua pensiunan. Satu-satunya distribusi bersama
X dan Y yang mencerminkan independensi ini adalah yang didefinisikan oleh (4.2.1). Dengan demikian, misalnya

 Distribusi bersama ini dapat digunakan untuk menghitung jumlah seperti:

SLIDESMANIA
 4.3
i v a r i a t
r ma s i B
Transf o
SLIDESMANIA
 Jika adalah vektor acak bivariat diskrit, maka hanya ada
himpunan nilai yang dapat dihitung dengan pmf gabungan
positif. Sebut himpunan ini A. Tentukan himpunan B = {. Maka B
adalah himpunan yang dapat dihitung dari nilai-nilai yang
mungkin untuk vektor acak diskrit Dan jika, untuk sembarang ,
didefinisikan sebagai , maka pmf gabungan dari dapat dihitung
dari pmf gabungan dari dengan
SLIDESMANIA
 Teorema 4.3.2
Jika X Poisson() dan
Y Poisson() dan
X dan Y saling bebas,
maka X + Y Poisson( + ).
SLIDESMANIA
 Peran yang dimainkan oleh turunan dalam kasus univariat sekarang dimainkan oleh kuantitas yang disebut
Jacobian dari transformasi. Fungsi daridilambangkan dengan J, adalah determinan dari suatu matriks turunan
parsial. Didefinisikan oleh

Dimana

Kita asumsikan bahwa J tidak identik 0 pada B. Maka pdf gabungan dari adalah 0 di luar himpunan B dan pada
himpunan B diberikan oleh
SLIDESMANIA

di mana |J| adalah nilai absolut dari J

 Disribusi variabel beta
Misalkan X dan merupakan variabel acak independen. pdf gabungan dari adalah

transformasi satu-ke-satu ke B, jacobian diberikan oleh:

Jadi, dari (4.3.2) diperoleh memperoleh pdf bersama yaitu sebagai berikut:
SLIDESMANIA
 Jumlah dan selisih variabel normal
SLIDESMANIA
 Teorema 4.3.5
Biarkan X dan Y menjadi variabel
acak independen. Biarkan
menjadi fungsi hanya dari x dan
h(y) menjadi fungsi hanya dari y.
Kemudian variabel acak dan
bersifat independen.
SLIDESMANIA
 Bukti:
Kami akan membuktikan teorema yang mengasumsikan U dan V adalah variabel acak kontinu. Untuk setiap dan
, didefinisikan

Kemudian cdf gabungan dari (U, V) adalah

(definisi dari cdf)
(definisi dari U dan V)
(Teorema 4.2.10)
Pdf gabungan dari (U, V) adalah

di mana, seperti yang ditunjukkan oleh notasi, faktor pertama adalah fungsi hanya dari dan faktor kedua adalah
fungsi hanya dari
SLIDESMANIA
 4.4 n
r ar ki da
o d e l H i
M m p ur a n
i b us i C a
Dist r
SLIDESMANIA
 Teorema 4.4.3
Jika X dan Y adalah sembarang
dua variabel acak, maka

(4.4.1) EX = E (E(X|Y)) ,

asalkan harapan muncul.

SLIDESMANIA
 Bukti:

Misalkan menyatakan pdf gabungan dari X dan Y.

di mana dan masing-masing adalah pdf bersyarat dari X yang diberikan dan pdf marginal dari Y. Tetapi
sekarang perhatikan bahwa integral dalam pada (4.4.2) adalah ekspektasi bersyarat ,
SLIDESMANIA
 Definisi 4.4.4
Sebuah variabel acak X
dikatakan berdistribusi
campuran jika distribusi X
bergantung pada suatu
besaran yang juga memiliki
distribusi
SLIDESMANIA
 Teorema 4.4.7
(Identitas varians bersyarat)
Untuk dua variabel acak X dan Y,

asalkan harapan itu terwujud

SLIDESMANIA
 Bukti:
Menurut definisi, kita memiliki

dimana pada langkah terakhir kita telah menjumlahkan dan mengurangkan Memperluas kotak dalam
harapan terakhir ini sekarang memberi

Namun, istilah terakhir dalam ekspresi ini sama dengan 0, yang dapat dengan mudah dilihat dengan mengulangi
ekspektasi:
SLIDESMANIA
 Lanjutan Bukti:
Dalam distribusi bersyarat , adalah variabel acak. Jadi dalam ekspresi

dan EX adalah konstanta. Dengan demikian,

Jadi, dari (4.4.6), kita mendapatkan bahwa .

Mengacu kembali ke persamaan (4.4.5), kita melihat bahwa
SLIDESMANIA

dan
 T E R I M
A
KASI H
SLIDESMANIA