2009/11/10

Slide
1 of 30

Joint & marginal prob.

1 (2 x + 3 y )
f ( x , y ) = 72
0

x = 0,1, 2 y = 1, 2, 3

lainnya

Slide
2 of 30

(y)

0.0417

0.0694

0.0972

0.2083

0.0833

0.1111

0.1389

0.3333

0.1250

0.1528

0.1806

0.4583

f(x))
f(x

0.2500

0.3333

0.4167

1.0000

f X ( x) = P( X = x) = f XY ( X , Y )
1
12:31 = 12 ( x + 3)

fY ( y) = P(Y = y) = f XY ( X , Y )
1
= (2 + 3 y)
24

Independent R.V.

Misal X danY adalah dua random variable, diskrit atau

kontinue, dengan fungsi joint probability f(x, y) dan
fungsi marginal probability masing-masing g(x) dan h(y).
Random variable X dan Y dikatakan independent secara
statistik jika dan hanya jika

f ( x, y ) = f ( x).h( y )
untuk semua (x, y) di dalam range mereka masing-masing

f ( x, y ) = f ( x).h( y ); ( x, y )
12:31

Class 2

2009/11/10

Slide
3 of 30

Independent R.V.

f ( x, y ) = 1

72

(2 x + 3 y ) ;x = 0,1, 2 y = 1, 2, 3
x
0

h(y))
h(y

0.0417

0.0694

0.0972

0.2083

0.0833

0.1111

0.1389

0.3333

0.1250

0.1528

0.1806

0.4583

f(x))
f(x

0.2500

0.3333

0.4167

1.0000

1
1
(2x+3y) = ( x + 3) ;x = 0,1, 2
12
y =1 72
2
1
1
h( y) = (2x+3y) = (2 + 3 y) ;y = 1, 2,3
24
x =0 72
f ( x) =

f ( x, y) f ( x).h( y)

12:31

Slide
4 of 30

Independent R.V.

f ( x, y ) =

xy
150

;x = 0,1, 2, 3, 4 y = 1, 2, 3, 4, 5
x

f ( x) =
12:31

Class 2

f(y))
f(y

0.0000

0.0067

0.0133

0.0200

0.0267

0.0667

0.0000

0.0133

0.0267

0.0400

0.0533

0.1333

0.0000

0.0200

0.0400

0.0600

0.0800

0.2000

0.0000

0.0267

0.0533

0.0800

0.1067

0.2667

0.0000

0.0333

0.0667

0.1000

0.1333

0.3333

f(x))
f(x

0.0000

0.1000

0.2000

0.3000

0.4000

1.0000

x
10

y
h( y ) =
15

;x = 0,1, 2, 3, 4

;y = 1, 2, 3, 4, 5

f ( x, y) = f ( x).h( y)

2009/11/10

Slide
5 of 30

Conditional probability

Jika X dan Y adalah r.v diskrit atau kontinu dengan joint

pdf f ( x, y ) , maka fungsi kondisional Y dg syarat X = x adalah:

f ( y | x) =

f ( x, y )
f ( x)

; f ( x) > 0

Sebaliknya fungsi kondisional X dengan syarat Y=y adalah

f ( x | y) =

f ( x, y )
f ( y)

; f ( y) > 0

f (x, y) = f ( y | x). f (x) = f (x | y). f ( y)

Jika X dan Y independent maka f ( x, y ) = f ( x). f ( y )
dan
f ( x | y ) = f ( x)
12:31sehingga f ( y | x ) = f ( y )

Slide
6 of 30

Conditional prob.

f ( x, y ) = 1

72

(2 x + 3 y ) ;x = 0,1, 2 y = 1, 2, 3

Kasus
dependent

1 (2 x + 3 y )
f ( x, y )
1 2x + 3y
f ( x | y) =
= 72
=
1
f ( y)
(2 + 3 y ) 3 2 + 3 y
24

f ( x, y ) =

xy
150

;x = 0,1, 2, 3, 4 y = 1, 2, 3, 4, 5

1
xy
f ( x, y ) 150
1
f ( x | y) =
=
= x
1
f ( y)
10
y
15

Kasus
independent

12:31

Class 2

2009/11/10

Slide
7 of 30

Conditional probability : contoh

Misal joint pdf dari continuous r.v. X dan Y adalah

6 x y

f ( x, y ) = 8

0 < x < 2; 2 < y < 4

lainnya

Tentukan
a. Marginal density dari X dan Y serta conditional
density f ( y | x)

b. P(1 < Y < 3| X = 2)

12:31

Slide
8 of 30

Conditional prob: contoh

a)

6x y
6 y xy y 2
1

= (3 x )
dy =
8
8
8
16
4
2
2
4

g ( x) =

2
6 x y = 6 x x 2 xy = 1 ( )
h( y ) =
dx
5 y
8
8 16 8 0 4
0

P(1 < Y < 3 | X = 2)

3

b)

= f ( y | x = 2)dy
2

4 y
=
dy
2
2
3
=
4
3

6x y
f ( x, y )
6x y
8
=
=
f ( y | x) =
1(
g ( x)
6 2x
3 x)
4

12:31

Class 2

2009/11/10

Slide
9 of 30

Conditional probability : contoh

Misal joint pdf dari dua continuous r.v. X danY adalah

10 xy 2
f ( x, y ) =
0

0 < x < y < 1

lainnya

Tentukan
a. Marginal densuty dari X dan Y serta conditional
density f ( y | x )
b. P (Y 0.5 | X = 0.25)
,

12:31

Slide
10 of 30

a)

Conditional probability : contoh

10 x (1 x
10 xy 3
=
3 x
3
1

g ( x) = 10 xy 2 dy =
y

h( y ) = 10 xy 2 dx =
0

10 y 2 x 2
2

b)

P(Y 0.5 | X = 0.25)

1

= 5y4

=
2

f ( y | x) =

3y 2
1 (0.25) 3 dy
0. 5

f ( x, y )
3
3y
= 10 xy 2 .
=
g ( x)
10 x(1 x 3 ) 1 x 3

64

21 y

dy

0. 5

64 y 3
.
21 3

0. 5

8
=
9
12:31

Class 2

2009/11/10

Slide
11 of 30

Expected Value

Misal X dan Y adalah random variabel dengan joint fungsi

probabilitas f(x, y) serta fungsi marginal g(x) dan h(y).
Expected values (means) dari kedua R.V. :

X = x. f ( x, y )

Y = y. f ( x, y )

X = x. g ( x )

Y = y.h ( y )

x . f ( x, y)dxdy

Y =

X =

Slide
12 of 30

x.g ( x)dx

y . f ( x, y)dxdy

12:31

diskrit

X =

Y =

kontinue

y.h( y)dy

Expected value: Contoh

Diketahui joint pdf dari r.v. X dan Y adalah sbb:

xy
96
f ( x, y ) =
0

0 < x < 4, 1 < y < 5

lainnya

Carilah nilai dari E(X) dan E(Y)

12:31

Class 2

2009/11/10

Slide
13 of 30

Expected value: Contoh

E[X ] =

x. f ( x , y )d xd y

E [Y ] =

x = 0 y =1

xy
x
dydx
96

0
4

x y

192

d x

x = 0 y =1

y. f ( x, y )d xd y

xy
y
dydx
96

xy 2
1 9 6 d y d x
5

xy 3
0 2 8 8

x2
dx
8

x3
=
12:31 2 4

x y
dydx
96
2

8
=

31x
dx
72

31x 2
=
144

Slide
14 of 30

d x

31
=

Expected value: Contoh

Jika X dan Y adalah dua random variabel dengan joint

fungsi probability f(x,y) dan H = g ( X , Y ) maka:

E ( H ) = g ( x, y ). f ( x, y )
x

: Diskrit

E(H ) =

g ( x, y ). f ( x, y )dxdy

: Continue

12:31

Class 2

2009/11/10

Slide
15 of 30

Expected value: Contoh

Secara umum, jika X = ( X 1 , X 2 ,..., X k ) memiliki joint

fungsi probability f ( x1 , x2 ,..., xk ) dan Y = g ( X 1 , X 2 ,..., X k )
adalah fungsi dari X, maka:
Diskrit:

E (Y ) = ... g ( x1 , x2 ,..., xk ). f ( x1 , x2 ,..., xk )

x1

xk

Continue:

E (Y ) =

... g ( x , x ,..., x ). f ( x , x ,..., x )dx ...dx

1

12:31

Slide
16 of 30

Expected value: Contoh

Diketahui joint pdf dari dua r.v. X dan Y adalah

xy
0 < x < 4, 1 < y < 5
96
f ( x, y ) =
for
lainnya
0

Misal H = g(X, Y) = 2X + 3Y maka expected value dari H

adalah

E [2 X + 3Y ] =

(2 x + 3 y ) f ( x, y ) dxdy

xy

(2 x + 3 y ) 96 dxdy

x = 0 y =1
4

12:31

Class 2

= 47

x 2 y xy 2
1 48 + 32
5

dydx

2009/11/10

Slide
17 of 30

Covariance

Covariance adalah sebuah ukuran hubungan linear antara 2 buah

random variabel. Jika hubungan antar random variabel tersebut
pada kenyataanya adalah non linear, maka covariance menjadi
tidak sensitive thd hubungan tsb.
Diskrit:

xy = ( x x )( y y ). f ( x, y)
x

Cov(X,Y) = E[( x x )( y y )]

Continue

xy =

(x )( y ). f (x, y)xy
x

= E ( XY ) E ( X ).E (Y )
= xy

12:31

Slide
18 of 30

Covariance

Beberapa aturan covariance:

Jika X dan Y adalah r.v. dan a dan b adalah konstanta, maka
i) Cov ( aX , bY ) = abCov ( X , Y )
ii) Cov ( a + X , b + Y ) = Cov ( X , Y )
iii) Cov ( X , aX + b ) = aCov ( X , X ) = aVar ( X )
If X and Y are independent, then

Cov ( X , Y ) = E ( XY ) E ( X ). E (Y ) = 0
12:31

Class 2

2009/11/10

Slide
19 of 30

Covariance: contoh

Joint pdf dari 2 r.v. X, Y adalah

xy
96
f ( x, y ) =
0
4

for

0 < x < 4, 1 < y < 5

otherwise
4

8
xy
E[ X ] = x dxdy =
96
3
x = 0 y =1

E[Y ] =

31
xy
y dxdy =
96
9
x = 0 y =1

E[ XY ] =

xyf ( x, y)dxdy

1
xy
x=0 y=1 xy 96 dxdy = 96 0

y 2 dydx =

248
27

Jadi, Cov(X,Y) = E[XY] E[X]E[Y] :

XY = E[ XY ] E[ X ].E[Y ] =

12:31

Slide
20 of 30

248 8 31
= 0
27 3 9

Covariance

Jika X dan Y adalah r.v. dengan joint pdf f(x,y), a dan b adalah
konstanta, maka

Var(aX bY ) = a 2 var(Y ) + b2 var( X ) 2ab.Cov(XY)

Beberapa aturan untuk variance:

X2 = E[( X x )2 ] = E[ X 2 ] x2 = E[ X 2 ] (E[ X ])2

12:31

Class 2

Jika c konstanta, maka Var[cX] = c2Var[X]

Jika X dan Y independent, maka:
Var[X Y] = Var[X] + Var[Y]
Var[aX bX]= a2Var[X] b2Var[Y],
dimana a, b adalah konstanta

10