Professional Documents
Culture Documents
Di pasal 5.1 dibahas momen untuk peubah acak X yang tunggal (yakni, bermatra 1);
di pasal ini dibahas momen dari beberapa peubah acak (pada umumnya, tidak bebas-jadi,
mereka saling mempengaruhi).
Bila (X1, , Xn) suatu peubah acak bermatra n, maka g(X1, , Xn) juga suatu peubah
acak yang mempunyai fungsi distribusi, jadi harapannya terdefinisi (definsi 5.1.1) dan
berbagai teorema yang berkaitan dengan itu telah dikemukakan di pasal 5.1. Sebagai contoh,
akibat 5.1.3 dan akibat 5.1.6.
Teorema 5.3.1
Bila (X1, , Xn) suatu peubah acak bermatra n dan bila Eg(X1, , Xn) ada, maka
EX xf x x dx
EX xi px xi
Maka
Eg X 1 ,...,X n g x1 f x1 x1 dx1
g x , x f
1
x1 , x2
Teorema 5.3.2
Bila (X1, X2) suatu peubah acak dwipeubah dan bila rataannya ada, maka E(X1 + X2) = E(X1)
+ E(X2)
Bukti :
Karena Y = X1 + X2 suatu peubah acak dan fungsi padat peluangnya dapat dihitung dari
fungsi padat peluang gabungan (X1, X2) seperti di teorema 4.6.15.
E Y yf y y dy
yf x1 x2 y dy
y f x1 , x2 x1 , y x1 dx1 dy
(dengan x 2 y x1 )
x1 x 2 f x1 , x2 x1 , x 2 dx2 dx1
x1 f x1 x1 x 2 f x1 , x2 x1 , x 2 dx2 dx1
E X 1 x 2 f x2 x 2 dx2
EX 1 EX 2
yang mempunyai fungsi padat peluang gabungan, hasil itu juga benar untuk peubah acak
lainnya (ataukah diskret, kontinu, campuran dan umum). Hal ini dapat dengan mudah
dirampat menjadi harapan dari setiap jumlah berhingga dari peubah acak. [sebagai contoh
untuk menunjukkan bahwa E(
) = E(
) + E(
) + E(
). Pertama-tama
) = E(
E(
) untuk membuktikan
seluruhnya.] yakni
) + E(
) +
Akibat 5.3.3
Bila (
E(
)++E(
)=
).
Contoh 5.3.4
Dalam contoh rulet ini (contoh 5.1.8 hal. 249) perhatikan bahwa secara intuisi jelas bahwa
rataan jumlah keuntungan dalam 100 kali main putaran sama dengan jumlah putaran. Bila
dimisalkan
diperoleh
E(Y) = -0,7632
Karena E(Y) untuk satu kali putaran, maka untuk 100 kali putaran menjadi
(
)= ( )
= (-0,7632) + + (-0,7632)
= -76,32
Seperti dinyatakan dalam contoh 5.1.8 [catatan: ini benar-benar terlepas dari bentuk
fungsi padat peluang gabungan dari keuntungan, sepanjang distribusi marginalnya tidak
diubah, karena hanya fungsi padat peluang marginal yang digunakan dalam menghitung
( )]
Definisi 5.3.5
Misalkan (
gabungan orde
Contoh 5.3.6
Misalkan (
)
(
E(
Perhatikan bahwa
Definisi 5.3.7
Misalkan (
negatif) didefinisikan
) (
dari (
Contoh 5.3.8
Misalkan (
*(
) (
) +
*(
) (
) +
*(
) (
) +
var (
*(
) (
) +
var(
*(
) (
) +
).
Lemma 5.3.9
Kov(
*(
Bukti :
Kov(
)(
)+
= (
)
(
Lemma 5.3.10
Var (
Var (
Var (
Kov(
).
Bukti:
Berdasarkan definisi 5.1.14 yang menyatakan bahwa Var(X) ialah 2 (momen pusat kedua
dari X) dengan n = E(X EX)n, maka
Var (X) = E(X EX)2
Var (
(
= (
)
(
( (
)
))
(
))
= (
(
))
(
(
))
))
Jadi variansi dari jumlah peubah acak adalah jumlah kedua variansi ditambah dua kali
besaran yang disebut kovariansi (suatu ukuran hubungan antar keduanya). Bila kedua
peubah acak tidak ada hubungannya dalam arti kovariansinya nol (atau korelasi), apakah
keduanya bebas? Pertanyaan ini akan dibahas berikut ini, dan hasil akhirnya diberikan pada
teorema 5.3.19; pertanyaan yang berkaitan dengan itu juga akan dibahas. Pertama-tama,
sebelum itu akan diberikan perluasan yang berguna dari lemma 5.3.10 kejumlah n peubah
acak dan beberapa contoh.
Lemma 5.3.11
Var (
( )
Bukti lemma 5.3.11 dengan mudah dapat diturunkan dari lemma 5.3.10 dengan
menggunakan induksi matematika (sebagai permulaan, perhatikan bahwa
(
digunakan). Suatu hasil yang berguna diperoleh dengan menggabungkan akibat 5.3.3 dengan
lemma 5.3.11 sebagai berikut:
Akibat 5.3.12
Misalkan
, jika
Var ( )
dan Kov(
( )
) maka
dan
Var ( )
Bukti :
( )
(
=
=
( )
)
)
((
))
( )
( )
(dengan
Contoh 5.3.13
Misalkan (
Untuk mencari momen sampai ordo kedua dan menghitung korelasinya (definisi 5.3.21korelasi ialah kovariansi Kov (
(
) (
Umumnya,
( (
))
( )
( )
( )
( )
dan
( )
( )
( ( )
( ))
Jadi,
(
( )
= .
(
)|
Sehingga
/|
( )
, dan
Var (
)-(
Begitu pula
(
( ( )
)=
)(
) =
)}
( ( )
( ))
)(
( )
)|
. /
)| }
{ (
{ (
Var (
( )
)|
( ))
)| }
)}
|
( )
) (
( ). /
)
)
(
(
) (
)
)
Contoh 5.3.14
Misalkan (
dan
, kita kerjakan
sebagai berikut
(
Sekarang
(
, Var (
)=
, Var (
)=
) (
Kov (
. /. /
) (
Contoh 5.3.15
Perhitungan momen peubah ganda dalam kasus diskrit. Misalkan (
)peubah acak
bermatra 2 dengan fungsi peluang dicontoh 3.5.5. Cari semua momen sampai ordo ke 2
(lihat contoh 3.5.5)
( )
{
( )
{
Dengan
( )
(
pada semua
( )
lainnya, dan
( )
pada semua
lainnya, jadi ;
( )
( )(
( )
( )
E(
( )(
( ) (
) (
( )(
( ) (
)( )(
( ) (
( ) (
Jadi
(
Var (
Var (
Kov (
. /
. /
)
( )(
)
. /. /
Teorema 5.3.16
Bila
dan
( )dan
( )
)
jelas juga
benar).
Bukti :
Berdasarkan teorema 4.4.6, untuk n = 2 maka
(
( )
( )
( )
( )
( )
( )
) maka
( )
( )
( )
( )
Lemma 5.3.17
dan
)=0
Bukti :
1. Jika
dan
)=0
dan
Kov (
2. Jika Kov (
Kov (
) = 0 maka
dan
)=0
tidak berkorelasi
)=0
Karena
maka
dan
tidak berkorelasi
Teorema 5.3.18
Var (
) = Var(
Var(
dan
tidak berkorelasi
) = Var(
Var(
)+
Kov (
dan
ii bila
dan
Bukti:
i Berdasarkan teorema 5.3.16 dengan mengambil
,
( )
( )
tidak berkorelasi
bebas
Untuk semua fungsi kontinu
dan
ii Misalkan
), cos (
( )
( ) untuk semua
( )
) (
5.3.1)
Definisi 5.3.21 Koefisien
adalah [bila
Kor (
) > 0,
(
) > 0 dan
(
(
) (
),
) berhingga].
)
)
) terdefinisi . maka
dan
Koefisien korelasi memberikan suatu ukuran dari hubungan linear antara dua p.a. yakni suatu
ukuran dari kebaikan suatu prediksi nilai salah satu p.a yang dapat dibuat melalui fungsi
linear dari pengamatan pada yang lainnya. Tetapi misalkanlah
terdapat hubungan kuadrat yang tepat antara
dan jika
peluang , atau bila
dan
[yakni, bila
dan
dan
. maka
; seterusnya kov (
masing-masing dengan
diketahui
).
Ini menunjukkan kendati koefiesien korelasi dapat mengukur hubungan linear cukup baik,
tidak berarti baik untuk mengukur hubungan yang tak linear.
Teorema 5.3.23 ketidaksamaan Schawarz
Untuk p.a
Bukti: anggap
Maka
(
Merupakan suatu polinom berderajat dua dalam t. karena polinom ini tak negative, maka
apakah (1) ada dua akar yang kompleks (bila tanda
yang berimpit (bila tanda
yakni jika (
) = 0, jadi
[catatan : ketidaksamaan Schawarz ialah hal khusus dari ketaksamaan H lder (Teorema
-
5.1.13) dengan
Teorema 5.3.24
(
i -1
ii
iii
)
(
(
)
dan
)
(
butki:
; maka (
)-
Var (
) Var (
) (
);
)
(
)
(
ii dan iii
(
Jadi,
(
jikka
Jikka
Jikka
)(
(
(
(
)
)
) (
(
(
)(
)(
)(
(
) berdistribusi normal
{.
)
/.
/ .
/ }
Var (
juga
keduanya bebas.
Bukti:
Pertama-tama perhatikan bahwa jika
( )
{.
)
/.
{.
)
/ .
/ }
{.
( )
/ )}
) )
/
)
Var (
. Begitu
teorema 5.3.25 dapat diperluaskan ke distribusi normal peubah ganda yang didefini 4.5.4.
khususnya
haruslah gabungannya
=0). Seperti
- ,
- ,
Tetapi
karena
saling bergantungan.
Sebagai pokok bahasan terakhir dipasal ini, kita pandang harapan bersyarat. Ini digunakan
untuk menjawab pertanyaan seperti itu, bila kita ketahui
Definisi 5.3.27 bila
bersyarat dari
bila
diketahui adalah
(
)
(
)
(
Jadi definisi harapan bersyarat hamper sama dengan definisi harapan (definisi 5.1.1). kecuali
bahwa sebagaoi pengganti fungsi padat (atau peluang) marginal digunakan fungsi padat( atau
peluang)bersyarat. Nanti akan terlihat bahwa harapan bersyarat merupakan salah satu alat
dasar dalam teori penaksiran. Disamping itu, dalam teori peluang harapan bersyarat berperan
teramat penting dalam proses stokhastik. Teorema 5.3. bila sasaran tersebut ada dan bila
( ) kontinu mut;lak atau diskrit, maka (untuk masing-masing kasus)
) ( )
( )
Bukti:
Mari kita pandang kasus yang diskrit (kasus yang kontinu mutlak dibuktikan dengan cara
yang sama dengan mengganti tanda penjumlahan dengan integral.) maka menurut definisi
5.3.27
(
) ( )
( ) diperoleh
( )
( )=
) sekarang jumlahkan
kita peroleh
) ( )
( )
) sebagai
))
( ) fungsi peluang
))
Sutau perluasan yang berguna dari teorema 5.3.2 menyatakan (dalam lambing yang terakhir)
bahwa
( ( ) ( ))
Contoh 5.3.29 misalkan bahwa (
(
( ( ) ( (
))
Yakni (
Berapakah rata-rata
bernilai
dan
dalam hal
)
)
) [sekarang
( )
( )
Besaran yang ingin dicari dinyatakan tepat oleh definisi 5.3.27; yakni, (
(
( )
Sehingga
(
( )
Dan
(
(
Perhatikan bahwa
5.2.4
diperoleh
langsung
bahwa
juga
( )melalui
teorema 5.3.28:
( )
)
(
( )
Contoh 5.3.31
Misalkan (
(
Untuk suatu bilangan bulat positif k tertentu. Cari semua momennya sampai ordo kedua, kor
(
) dan (
), (
), Var (
), Var (
digambarkan 5.3.3. sekarang kita teruskan dengan menghitung funsi peluang marginal dan
bersyarat dan momennya seperti berikut.
( )
{ (
(
( )
)
(
Setelah mendapat fungsi peluang gabungan dan marginal, sekarang kita dapat menghitung
fungsi peluang bersyarat
( )
yang memenuhi
( )
karena
Yang diatas ini memberikan fungsi yang diperlukan untuk menyelesaikan soal tadi dengan
menghitung momen yang ingin dicari, seperti berikut ini:
(
(
(
)
Var (
Var (
)
(
(
)
)
(
)
(
)(
(
(
)
(
)(
Kov (
)(
)(
)
(
(
)
)
(
(
) (
)
)
)(
Dan (bila k>1, karena penyebutnya sama dengan nol bila k =1 dan korelasi tidak terdefinisi).
(
Kov (
)(
)(
Kita telah melihat perhitungan seperti ini sebelumnya (yakni, dalam contoh 5.3.13, 5.3.14 dan
5.3.15); sekarang kita lanjutkan dengan menghitung besaran baru, harapan yang bersyarat:
(
(
(
Bila
yang selainnya);
(
Bila,
)(
yang lainnya);
)
Bila
Var (
(
(
)(
, (
))
Bila
(
(
Bila
)(
)(
)(
dan
Var (
)(
)(
)
(
)
)
Bila
Perhatikan bahwa, setelah menemukan (
( (
)
(
)
)
(
(
) (
)
)
(
)
(
, melalui (
. [Diberikan
( (
)].