Fungsi Banyak Variabel
Fungsi Banyak Variabel
Fungsi Banyak Variabel
Fungsi-2 dari
Banyak Variabel Random
Joint PMF
Joint pmf dari dua variabel random X dan Y adalah pX,
Y(x, y) = P[(X = x) (Y = y)], di mana
p
xi y j
X ,Y ( xi , y j ) 1
FX ,Y ( x, y) P( X x) (Y y) p X ,Y ( xi , y j )
Xi x Yj y
2
Contoh 4.1
Jumlah hari terjadinya angin berintensitas tinggi (> 60 km/jam) dinyatakan
dengan dua variabel random X dan Y, masing2 di mana kecepatan angin
diukur secara akurat (alat ukur 1) dan kurang akurat (alat ukur 2).
3
Conditional PMF
Conditional pmf dari satu atau beberapa variabel
random diperoleh dengan menetapkan nilai dari satu
atau beberapa variabel random lainnya.
P[(X x ) (Y y j )]
pX|Y ( x , y j ) P( X x|Y y j )
P(Y y j )
pX ,Y ( x , y j ) pX ,Y ( x , y j )
pX ,Y (xi , y j ) pY ( y j )
X i
4
Contoh 4.2
Pada Contoh 4.1 untuk Y = 1 diperoleh
nilai2 pX, Y(x, 1) 0,0600; 0,3580; 0,0250 dan
0,0015.
Jika nilai2 ini dibagi jumlah mereka, yaitu
0,4445, diperoleh conditional pmf dari X,
yaitu pX|Y(x, 1) yang x = 0, 1, 2, 3 masing2
adalah 0,1350; 0,8054; 0,0562 dan 0,0034.
5
Contoh 4.3
Dari Contoh 4.1 pada x = 0, 1, 2, 3 diperoleh masing2 0,0600; 0,3680; 0,1685
dan 0,0620 sebagai nilai dari
p
y j 1
X ,Y ( x, y j )
Jadi, jika berdasarkan alat ukur 2 paling sedikit terjadi angin kencang pada
satu hari dalam satu tahun, maka terdapat probabilitas sekitar 0,91 bahwa
memang terjadi angin kencang pada tahun tersebut.
6
Marginal PMF
Marginal pmf dari satu atau beberapa variabel random
diperoleh dengan mengabaikan nilai dari satu atau
beberapa variabel random lainnya.
p X ( x) P( X x) P[( X x) | (Y y j )]P(Y y j )
y j
p X ,Y ( x, y j )
y j
Sehingga,
FX ( x) p
X i x y j
X ,Y ( xi , y j )
7
Contoh 4.4
Pada Contoh 4.1 untuk X = 0 diperoleh
nilai2 pX, Y(0, y) adalah 0,2910; 0,0600;
0,0000 dan 0,0000.
Menggunakan marginal pmf dari X
diperoleh
3
p X (0) p X ,Y (0, y ) 0,3510
y 0
8
Independent Discrete Variables
Jika kedua event (X = x) dan (Y = y) adalah
statistically independent, maka pX|Y(x, y) =
pX(x) dan pY|X(y, x) = pY(y).
9
Joint PDF
Joint pdf dari dua variabel random X dan Y adalah suatu fungsi
probabilitas fX, Y(x, y) dan
P( x1 X x2 ) ( y1 Y y2 )
x2 y2
x1
y1
f X ,Y ( x, y)dydx
Perhatikan bahwa
2 FX ,Y ( x , y )
f X ,Y ( x , y )
xy
Konsep ini dapat diperluas untuk p buah variabel random X1, X2,
…, Xp yang menghasilkan suatu multivariate distribution.
10
Contoh 4.5
Dua variabel yang menggambarkan
kemunculan storm adalah durasinya (X) dan
intensitasnya (Y, yaitu curah hujan rata2 yang
menyertainya).
Masing2 variabel itu memiliki cdf FX(x) = 1 – e–ax
dan FY(y) = 1 – e–by, di mana x, y ≥ 0; a, b > 0.
Misalkan joint cdf dari kedua variabel tersebut
adalah FX, Y(x, y) = 1 – e–ax – e–by – e–ax–by–cxy, maka
0 ≤ c ≤ ab.
11
Conditional PDF
Conditional pdf dari satu atau beberapa variabel
random diperoleh dengan menetapkan nilai dari satu
atau beberapa variabel random lainnya.
f X ,Y ( x , y )
f X|Y ( x , y )
fY (x)
Sehingga,
f X ,Y (x , y ) f X|Y (x , y ) fY (x) fY|X ( y , x) f X ( y )
Perhatikan bahwa
x
FX|Y ( x , y ) f (t , y )dt
X|Y
12
Marginal PDF
Marginal pdf dari satu atau beberapa variabel random
diperoleh dengan mengabaikan nilai dari satu atau
beberapa variabel random lainnya.
f X (x) f ( x , y )dy
X ,Y
fY ( y ) f ( x , y )dx
X ,Y
13
Contoh 4.6
Misalkan joint cdf dari density (X) dan compressive
strength (Y) dari data pada Tabel A.2 adalah
1 y 40
2000 20 2400 x 2500 dan 40 y 60
f X ,Y ( x , y ) 1 1 y 60 2400 x 2500 dan 60 y 80
2000 20
0 selain itu
14
Contoh 7.6 (lanjutan)
Marginal pdf dari Y adalah
y 40
0 ,05 40 y 60
20
fY ( y ) y 60
0 ,05 1 60 y 80
20
0 selain itu
Marginal pdf dari X adalah
1
100 2400 x 2500
f X (x)
0 selain itu
15
Independent Continuous Variables
Jika kedua event (X = x) dan (Y = y) adalah
statistically independent, maka fX|Y(x, y) =
fX(x) dan fY|X(y, x) = fY(y).
16
Contoh 4.7
Misalkan dua variabel random independent X dan Y
masing2 memiliki marginal pdf
x 2 /2 y 2 /2
e e
f X (x) fY ( y )
2 2
( x 2 y 2 ) / 2
e
f X ,Y ( x , y )
2
17
Covariance
Covariance dari variabel random (kontinyu) X dan Y, yaitu cov[X,
Y] adalah E[(X – E[X])([(Y – E[Y])] = E[XY] – E[X]E[Y],
di mana
E[ XY ] xyfX ,Y ( x , y )dxdy
18
Covariance (lanjutan)
Correlation coefficient, adalah covariance yang
dinormalkan
cov[ X , Y ]
X Y
Dan –1 +1.
19