📊 3.5 — Independensi dan Korelasi

Ringkasan Cepat

Topik: Independensi dan Korelasi | Bobot: ~20–30% | Difficulty: Hard Ref: Hogg-McKean-Craig (2019) Bab 2.4–2.6; Miller et al. (2014) Bab 3.5–3.8, 4.6–4.9 | Prereq: 3.2 Distribusi Marginal, 3.3 Distribusi Bersyarat (Conditional Distribution), 2.3 Fungsi Pembangkit

Section 0 — Pemetaan Topik

Topik CF2	Sub-topik ID	Skill Diuji	Bobot	Difficulty	Prerequisite	Connected Topics	Referensi
Topik 3: Variabel Acak Multivariat	3.5	Menguji independensi via faktorisasi joint, distribusi bersyarat, dan MGF joint; menghitung $\text{Cov}(X,Y)$ dari definisi dan rumus komputasional; menghitung ${\rho }_{X,Y}$; membuktikan independensi $⟹$ $\text{Cov}=0$ tetapi tidak sebaliknya; menghitung variansi penjumlahan variabel acak; menggunakan sifat MGF joint untuk menguji independensi	20–30%	Hard	3.1 Distribusi Gabungan (Joint Distribution), 3.2 Distribusi Marginal, 3.3 Distribusi Bersyarat (Conditional Distribution), 3.4 Nilai Harapan dan Variansi Bersyarat, 2.3 Fungsi Pembangkit	3.6 Matriks Variansi-Kovariansi, 3.7 Distribusi Majemuk (Compound Distribution), 3.8 Transformasi Variabel Acak Gabungan, 4.3 Teorema Limit Pusat (CLT)	Hogg-McKean-Craig (2019) Bab 2.4–2.6; Miller et al. (2014) Bab 3.5–3.8, 4.6–4.9, 5.8–5.10

Section 1 — Intuisi

Dalam pemodelan risiko aktuaria, dua pertanyaan paling mendasar tentang sepasang variabel acak $(X,Y)$ adalah: apakah keduanya saling mempengaruhi (tidak independen), dan jika ya, seberapa kuat dan ke arah mana pengaruh tersebut (korelasi)? Bayangkan $X$ adalah klaim kebakaran dan $Y$ adalah klaim banjir di suatu wilayah. Jika wilayah tersebut mengalami musim panas ekstrem, kedua risiko kemungkinan meningkat bersama — keduanya tidak independen, dan korelasinya positif. Sebaliknya, klaim kesehatan individu muda yang sehat mungkin hampir tidak berkaitan dengan klaim kendaraan mereka — mendekati independen. Mengetahui apakah dua variabel risiko independen atau berkorelasi fundamental mengubah cara kita menghitung premi gabungan, cadangan, dan portofolio risiko.

Independensi adalah pernyataan paling kuat: mengetahui nilai $Y$ sama sekali tidak memberikan informasi apapun tentang distribusi $X$. Secara matematis, ini berarti distribusi bersyarat $X\mid Y=y$ identik dengan distribusi marginal $X$ untuk semua $y$ — kondisi $Y$ tidak mengubah apapun. Konsekuensi praktisnya besar: distribusi joint dapat difaktorkan menjadi produk marginal, MGF joint menjadi produk MGF masing-masing, dan variansi penjumlahan menjadi sederhana $\text{Var}(X+Y)=\text{Var}(X)+\text{Var}(Y)$.

Korelasi adalah ukuran yang lebih lemah dan lebih mudah dihitung: ia mengukur kekuatan hubungan linear antara $X$ dan $Y$, dikalibrasi ke skala $[-1,1]$. Jebakan terbesar yang diuji di CF2 adalah arah implikasi yang tidak berlaku: independensi selalu mengimplikasikan korelasi nol, tetapi korelasi nol tidak mengimplikasikan independensi. Dua variabel bisa saling bergantung secara non-linear (misalnya $Y=X^2$) namun memiliki korelasi nol. Memahami perbedaan tajam antara “uncorrelated” dan “independent” adalah ujian pemahaman konseptual terpenting di topik ini.

Section 2 — Definisi Formal

Definisi Matematis

Independensi dua variabel acak:

$X$ dan $Y$ dikatakan independen jika dan hanya jika salah satu dari kondisi berikut terpenuhi (semuanya ekuivalen):

$$f_{X,Y}(x,y)=f_X(x)f_Y(y)\text{untuk semua }(x,y)\in {\mathbb{R}}^2$$ $$F_{X,Y}(x,y)=F_X(x)F_Y(y)\text{untuk semua }(x,y)\in {\mathbb{R}}^2$$ $$f_{X|Y}(x\mid y)=f_X(x)\text{untuk semua }x\text{ dan setiap }y\text{ dengan }{f}_Y(y)>0$$

Kovariansi:

$$\text{Cov}(X,Y)=E\left[(X-{\mu }_X)(Y-{\mu }_Y)\right]=E[XY]-E[X]E[Y]$$

Koefisien Korelasi Pearson:

$${\rho }_{X,Y}=\frac{\text{Cov}(X,Y)}{\sqrt{\text{Var}(X)\text{Var}(Y)}}=\frac{\text{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y}$$

MGF Joint dan Independensi:

$$M_{X,Y}(s,t)=E\left[e^{sX+tY}\right];X\perp Y⟺M_{X,Y}(s,t)=M_X(s)M_Y(t)$$

Variabel & Parameter

Simbol	Makna	Catatan
$X\perp Y$	$X$ dan $Y$ independen	Notasi standar untuk independensi statistik
$f_{X,Y}(x,y)$	PDF/PMF joint dari $(X,Y)$	Untuk independensi: harus sama dengan $f_X(x)f_Y(y)$ di semua titik
$\text{Cov}(X,Y)$	Kovariansi antara $X$ dan $Y$	Satuan: (satuan $X$) $\times$ (satuan $Y$); bisa negatif, nol, atau positif
${\rho }_{X,Y}$	Koefisien korelasi Pearson	Berdimensi, $\rho \in [-1,1]$; $
${\sigma }_X,{\sigma }_Y$	Standar deviasi marginal $X$ dan $Y$	${\sigma }_X=\sqrt{\text{Var}(X)}>0$
${\mu }_X,{\mu }_Y$	Mean marginal $X$ dan $Y$	${\mu }_X=E[X]$, ${\mu }_Y=E[Y]$
$E[XY]$	Momen gabungan orde pertama	Dihitung dari distribusi joint: $\int \int xy{f}_{X,Y}(x,y)dxdy$
$M_{X,Y}(s,t)$	MGF joint dari $(X,Y)$	$E[e^{sX+tY}]$; terdefinisi di sekitar $(s,t)=(0,0)$
$M_X(t)$	MGF marginal $X$	$E[e^{tX}]$; diperoleh dari $M_{X,Y}(t,0)$

Rumus Utama

$$\text{Cov}(X,Y)=E[XY]-E[X]E[Y]$$

Label: Rumus Komputasional Kovariansi — lebih efisien dari definisi langsung; $E[XY]$ dihitung dari distribusi joint, $E[X]$ dan $E[Y]$ dari masing-masing marginal.

$${\rho }_{X,Y}=\frac{\text{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y},-1\le {\rho }_{X,Y}\le 1$$

Label: Koefisien Korelasi — normalisasi kovariansi agar bebas satuan; batas $\pm 1$ dijamin oleh ketidaksamaan Cauchy-Schwarz.

$$X\perp Y⟹\text{Cov}(X,Y)=0⟹{\rho }_{X,Y}=0$$ $$\text{Cov}(X,Y)=0/⟹X\perp Y$$

Label: Arah Implikasi yang Benar — independensi adalah kondisi yang lebih kuat dari non-korelasi; arah sebaliknya tidak berlaku secara umum.

$$\text{Var}(aX+bY)=a^2\text{Var}(X)+b^2\text{Var}(Y)+2ab\text{Cov}(X,Y)$$

Label: Variansi Kombinasi Linear — rumus umum; jika $X\perp Y$, suku kovariansi gugur: $\text{Var}(aX+bY)=a^2\text{Var}(X)+b^2\text{Var}(Y)$.

$$\text{Cov}(aX+b,cY+d)=ac\text{Cov}(X,Y)$$

Label: Sifat Kovariansi terhadap Transformasi Linear — konstanta aditif tidak mempengaruhi kovariansi; konstanta multiplikatif dikalikan.

$$\text{Cov}(X+Y,Z)=\text{Cov}(X,Z)+\text{Cov}(Y,Z)$$

Label: Bilinearitas Kovariansi — kovariansi bersifat linear di kedua argumennya; berguna untuk memperluas kovariansi penjumlahan banyak variabel.

$$\text{Var}\left(\sum _{i=1}^n{X}_i\right)=\sum _{i=1}^n\text{Var}(X_i)+2\sum _{i<j}\text{Cov}(X_i,X_j)$$

Label: Variansi Penjumlahan $n$ Variabel — jika semua $X_i$ saling independen berpasangan, semua kovariansi silang = 0 dan $\text{Var}(\sum X_i)=\sum \text{Var}(X_i)$.

$$M_{X,Y}(s,t)=M_X(s)M_Y(t)\text{ untuk semua }(s,t)⟺X\perp Y$$

Label: Karakterisasi Independensi via MGF Joint — MGF joint memfaktorkan menjadi produk MGF marginal jika dan hanya jika $X$ dan $Y$ independen; berguna sebagai uji independensi alternatif.

Asumsi Eksplisit

• Existensi momen: $\text{Cov}(X,Y)$ terdefinisi jika $E[X^2]<\infty$ dan $E[Y^2]<\infty$. ${\rho }_{X,Y}$ terdefinisi jika tambahan $\text{Var}(X)>0$ dan $\text{Var}(Y)>0$ (keduanya non-degenerate).
• Faktorisasi joint harus berlaku di semua titik: Untuk membuktikan independensi via faktorisasi, persamaan $f_{X,Y}(x,y)=f_X(x)f_Y(y)$ harus berlaku untuk semua $(x,y)$, termasuk di luar support — tidak cukup memeriksa satu titik atau beberapa titik saja.
• Support joint harus rectangular untuk independensi: Jika support joint $\mathcal{X}\times \mathcal{Y}$ bukan persegi panjang (tidak dapat ditulis sebagai $A\times B$ untuk himpunan $A,B$ yang tidak bergantung satu sama lain), maka $X$ dan $Y$ tidak mungkin independen — ini adalah syarat perlu (bukan cukup) yang sering menjadi shortcut di soal CF2.
• Korelasi hanya mengukur hubungan linear: ${\rho }_{X,Y}$ bisa bernilai 0 meskipun ada hubungan non-linear yang kuat antara $X$ dan $Y$.

Section 3 — Jembatan Logika

Dari Definisi ke Rumus

Mengapa faktorisasi joint $\iff$ independensi? Secara intuitif, $X$ independen dari $Y$ berarti mengetahui $Y=y$ tidak memberikan informasi tentang $X$. Secara formal: $f_{X|Y}(x\mid y)=f_X(x)$ untuk semua $y$. Substitusikan definisi distribusi bersyarat $f_{X|Y}(x\mid y)=f_{X,Y}(x,y)/f_Y(y)$, kita peroleh $f_{X,Y}(x,y)/f_Y(y)=f_X(x)$, yaitu $f_{X,Y}(x,y)=f_X(x)f_Y(y)$. Arah sebaliknya analogis. Ketiga karakterisasi (faktorisasi joint, faktorisasi CDF, dan distribusi bersyarat = marginal) semuanya ekuivalen dan dapat digunakan secara bergantian.

Mengapa independensi $\Rightarrow$ $\text{Cov}=0$? Dari independensi, $f_{X,Y}(x,y)=f_X(x)f_Y(y)$. Maka: $E[XY]=\int \int xy{f}_X(x)f_Y(y)dxdy=\left(\int x{f}_X(x)dx\right)\left(\int y{f}_Y(y)dy\right)=E[X]E[Y]$. Jadi $\text{Cov}(X,Y)=E[XY]-E[X]E[Y]=0$.

Mengapa $\text{Cov}=0$ $\nRightarrow$ independensi? Kovariansi nol hanya menyatakan ketiadaan hubungan linear. Hubungan non-linear (kuadratik, siklik, dll.) tidak tertangkap oleh kovariansi. Contoh klasik: $X\sim U(-1,1)$ dan $Y=X^2$. Maka $E[X]=0$, $E[XY]=E[X^3]=0$ (simetri), sehingga $\text{Cov}(X,Y)=0$. Namun $Y$ sepenuhnya ditentukan oleh $X$ — mereka sangat bergantung, bukan independen.

Syarat Perlu Independensi: Support Rectangular

Sebelum melakukan perhitungan faktorisasi, periksa support joint:

Jika support joint BUKAN rectangular (contoh: $0<x<y<1$, $x+y<1$, $x^2+y^2<1$) → $X$ dan $Y$ pasti tidak independen, tanpa perlu perhitungan lebih lanjut.

Jika support joint rectangular (contoh: $0<x<1$, $0<y<1$) → cek apakah $f_{X,Y}(x,y)$ dapat difaktorkan sebagai $g(x)\cdot h(y)$. Jika ya, $X$ dan $Y$ independen. Jika tidak, tidak independen.

Shortcut soal CF2: Soal yang memberikan support non-rectangular dan bertanya “apakah $X$ dan $Y$ independen?” hampir selalu jawabannya “tidak” — dan alasannya cukup dengan menyebutkan support non-rectangular.

Derivasi ketidaksamaan $|{\rho }_{X,Y}|\le 1$ (dari Cauchy-Schwarz):

Untuk sembarang $t\in \mathbb{R}$, definisikan $Z=(X-{\mu }_X)+t(Y-{\mu }_Y)$. Maka $\text{Var}(Z)\ge 0$:

$$0\le \text{Var}(Z)=\text{Var}(X)+2t\text{Cov}(X,Y)+t^2\text{Var}(Y)={\sigma }_X^2+2t\text{Cov}(X,Y)+t^2{\sigma }_Y^2$$

Ini adalah polinom kuadrat dalam $t$ yang selalu $\ge 0$, sehingga diskriminannya harus $\le 0$:

$$\Delta =4[\text{Cov}(X,Y){]}^2-4{\sigma }_X^2{\sigma }_Y^2\le 0⟹[\text{Cov}(X,Y){]}^2\le {\sigma }_X^2{\sigma }_Y^2$$ $$\therefore \left|\frac{\text{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y}\right|\le 1⟹|{\rho }_{X,Y}|\le 1■$$

Kesamaan $|\rho |=1$ tercapai ketika $\text{Var}(Z)=0$, yaitu ketika $Y-{\mu }_Y=-t^{\ast }(X-{\mu }_X)$ hampir pasti — hubungan linear deterministik.

Derivasi variansi penjumlahan:

$$\text{Var}(X+Y)=E\left[(X+Y-{\mu }_X-{\mu }_Y{)}^2\right]=E\left[(X-{\mu }_X{)}^2+2(X-{\mu }_X)(Y-{\mu }_Y)+(Y-{\mu }_Y{)}^2\right]$$ $$=\text{Var}(X)+2\text{Cov}(X,Y)+\text{Var}(Y)$$

Untuk $n$ variabel: ekspansi $(X_1+\cdots +X_n-\sum {\mu }_i{)}^2$ menghasilkan $n$ suku diagonal ($\text{Var}(X_i)$) dan $n(n-1)$ suku silang ($\text{Cov}(X_i,X_j)$ untuk $i\ne j$, muncul berpasangan).

Dilarang

1. Dilarang menyimpulkan independensi hanya dari $\text{Cov}(X,Y)=0$: Non-korelasi adalah kondisi yang jauh lebih lemah dari independensi. Selalu gunakan faktorisasi joint atau karakterisasi distribusi bersyarat untuk membuktikan independensi — bukan kovariansi.
2. Dilarang memeriksa faktorisasi hanya di satu atau beberapa titik: Faktorisasi $f_{X,Y}(x,y)=f_X(x)f_Y(y)$ harus berlaku untuk semua $(x,y)$ agar dapat menyimpulkan independensi. Satu titik yang tidak memfaktorkan sudah cukup untuk menyimpulkan ketidakindependenan, tetapi ribuan titik yang memfaktorkan belum cukup untuk menyimpulkan independensi kecuali terbukti secara analitik untuk semua $(x,y)$.
3. Dilarang menggunakan $\text{Var}(X+Y)=\text{Var}(X)+\text{Var}(Y)$ tanpa verifikasi independensi (atau minimal $\text{Cov}=0$): Formula ini hanya berlaku ketika $\text{Cov}(X,Y)=0$. Untuk variabel berkorelasi, suku $2\text{Cov}(X,Y)$ harus disertakan.

Section 4 — Contoh Soal

Soal A — Fundamental

Misalkan $(X,Y)$ memiliki PDF joint:

$$f_{X,Y}(x,y)=\{\begin{array}{ll}4xy& 0<x<1,0<y<1\\ 0& \text{lainnya}\end{array}$$

(a) Tentukan apakah $X$ dan $Y$ independen. (b) Hitung $\text{Cov}(X,Y)$ dan ${\rho }_{X,Y}$.

Solusi Soal A

1. Identifikasi Variabel

• Support joint: persegi satuan $(0,1)\times (0,1)$ — rectangular. Independensi mungkin.
• PDF joint: $4xy$ pada support rectangular. Periksa apakah dapat difaktorkan.

2. Identifikasi Distribusi / Model

• Distribusi kontinu bivariat dengan support rectangular. Strategi: uji faktorisasi analitik.

3. Setup Persamaan

Hitung PDF marginal, lalu periksa $f_{X,Y}(x,y)\stackrel{?}{=}{f}_X(x)\cdot f_Y(y)$.

4. Eksekusi Aljabar

(a) Uji Independensi:

PDF Marginal $f_X(x)$: $f_X(x)={\int }_0^{1}4xydy=4x\cdot {\left[\frac{y^2}{2}\right]}_0^1=4x\cdot \frac{1}{2}=2x,0<x<1$

PDF Marginal $f_Y(y)$: $f_Y(y)={\int }_0^{1}4xydx=4y\cdot {\left[\frac{x^2}{2}\right]}_0^1=4y\cdot \frac{1}{2}=2y,0<y<1$

Cek faktorisasi: $f_X(x)\cdot f_Y(y)=(2x)(2y)=4xy=f_{X,Y}(x,y)\text{untuk semua }(x,y)\in (0,1{)}^2$

$\therefore$ $X$ dan $Y$ independen.

(b) Kovariansi dan Korelasi:

Karena $X\perp Y$, teorema langsung menyatakan $\text{Cov}(X,Y)=0$ dan ${\rho }_{X,Y}=0$.

Verifikasi via perhitungan eksplisit:

$E[X]={\int }_0^{1}x\cdot 2xdx=2{\int }_0^1{x}^{2}dx=2\cdot \frac{1}{3}=\frac{2}{3}$

$E[Y]={\int }_0^{1}y\cdot 2ydy=\frac{2}{3}\text{(simetri)}$

$E[XY]={\int }_0^1{\int }_0^{1}xy\cdot 4xydxdy=4{\int }_0^1{x}^{2}dx\cdot {\int }_0^1{y}^{2}dy=4\cdot \frac{1}{3}\cdot \frac{1}{3}=\frac{4}{9}$

$\text{Cov}(X,Y)=E[XY]-E[X]E[Y]=\frac{4}{9}-\frac{2}{3}\cdot \frac{2}{3}=\frac{4}{9}-\frac{4}{9}=0✓$

${\rho }_{X,Y}=\frac{0}{{\sigma }_X{\sigma }_Y}=0✓$

5. Verification

• Faktorisasi berlaku untuk semua $(x,y)\in (0,1{)}^2$ secara analitik — bukan hanya di satu titik. ✓
• $f_X(x)=2x$ adalah PDF valid: ${\int }_0^{1}2xdx=1$ ✓
• $f_Y(y)=2y$ adalah PDF valid: ${\int }_0^{1}2ydy=1$ ✓
• Independensi $\Rightarrow$ kovariansi nol: konsisten. ✓

Exam Tips — Soal A

• Target waktu: 4–5 menit.
• Shortcut kunci: Setelah mengidentifikasi bahwa $f_{X,Y}(x,y)=4xy=(2x)(2y)$ dapat difaktorkan menjadi fungsi murni $x$ dikalikan fungsi murni $y$ pada support rectangular, langsung simpulkan independensi tanpa perlu menghitung marginal secara formal. Marginal hanya perlu dihitung untuk verifikasi atau jika soal memintanya secara eksplisit.
• Common trap: Menyimpulkan bahwa karena $f_{X,Y}$ “terlihat seperti produk”, independensi berlaku — perlu memastikan marginalnya benar-benar konsisten (tidak ada konstanta normalisasi yang tertinggal). Cara paling aman: hitung kedua marginal, lalu periksa produknya.

---

Soal B — Exam-Typical

Misalkan $(X,Y)$ memiliki PDF joint:

$$f_{X,Y}(x,y)=\{\begin{array}{ll}\frac{3}{2}(x^2+y^2)& 0<x<1,0<y<1\\ 0& \text{lainnya}\end{array}$$

(a) Tentukan apakah $X$ dan $Y$ independen. (b) Hitung $\text{Cov}(X,Y)$ dan ${\rho }_{X,Y}$. (c) Hitung $\text{Var}(2X-3Y)$.

Solusi Soal B

1. Identifikasi Variabel

• Support joint: persegi satuan — rectangular. Perlu cek faktorisasi.
• $f_{X,Y}(x,y)=\frac{3}{2}(x^2+y^2)$: bentuk penjumlahan (bukan perkalian) — kemungkinan tidak dapat difaktorkan.

2. Identifikasi Distribusi / Model

• Distribusi kontinu bivariat; karena joint berbentuk $x^2+y^2$ (penjumlahan, bukan perkalian), dicurigai tidak independen.

3. Setup Persamaan

Hitung marginal, periksa faktorisasi, lalu hitung $E[X]$, $E[Y]$, $E[XY]$ untuk kovariansi.

4. Eksekusi Aljabar

(a) Uji Independensi:

PDF Marginal $f_X(x)$: $f_X(x)=\frac{3}{2}{\int }_0^1(x^2+y^2)dy=\frac{3}{2}{\left[x^{2}y+\frac{y^3}{3}\right]}_0^1=\frac{3}{2}\left(x^2+\frac{1}{3}\right)=\frac{3x^2+1}{2},0<x<1$

PDF Marginal $f_Y(y)$: $f_Y(y)=\frac{3y^2+1}{2},0<y<1\text{(simetri dalam }x\leftrightarrow y\text{)}$

Cek faktorisasi: $f_X(x)\cdot f_Y(y)=\frac{(3x^2+1)(3y^2+1)}{4}=\frac{9x^2{y}^2+3x^2+3y^2+1}{4}$

Sementara: $f_{X,Y}(x,y)=\frac{3}{2}(x^2+y^2)=\frac{3x^2+3y^2}{2}$

Karena $\frac{9x^2{y}^2+3x^2+3y^2+1}{4}\ne \frac{3x^2+3y^2}{2}$ (misal di $x=y=1$: $\frac{9+3+3+1}{4}=4\ne \frac{3+3}{2}=3$), maka $X$ dan $Y$ tidak independen.

(b) Kovariansi dan Korelasi:

Menghitung $E[X]$: $E[X]={\int }_0^{1}x\cdot \frac{3x^2+1}{2}dx=\frac{1}{2}{\int }_0^1(3x^3+x)dx=\frac{1}{2}{\left[\frac{3x^4}{4}+\frac{x^2}{2}\right]}_0^1=\frac{1}{2}\left(\frac{3}{4}+\frac{1}{2}\right)=\frac{1}{2}\cdot \frac{5}{4}=\frac{5}{8}$

Oleh simetri $x\leftrightarrow y$: $E[Y]=\frac{5}{8}$.

Menghitung $E[XY]$ dari distribusi joint: $E[XY]=\frac{3}{2}{\int }_0^1{\int }_0^{1}xy(x^2+y^2)dxdy=\frac{3}{2}{\int }_0^1{\int }_0^1(x^{3}y+x{y}^3)dxdy$

Karena integran simetris dalam $x\leftrightarrow y$: $=\frac{3}{2}\cdot 2{\int }_0^1{\int }_0^1{x}^{3}ydxdy=3{\int }_0^1{x}^{3}dx\cdot {\int }_0^{1}ydy=3\cdot \frac{1}{4}\cdot \frac{1}{2}=\frac{3}{8}$

Kovariansi: $\text{Cov}(X,Y)=E[XY]-E[X]E[Y]=\frac{3}{8}-\frac{5}{8}\cdot \frac{5}{8}=\frac{3}{8}-\frac{25}{64}=\frac{24}{64}-\frac{25}{64}=-\frac{1}{64}$

Menghitung $\text{Var}(X)$: $E[X^2]={\int }_0^1{x}^2\cdot \frac{3x^2+1}{2}dx=\frac{1}{2}{\int }_0^1(3x^4+x^2)dx=\frac{1}{2}{\left[\frac{3x^5}{5}+\frac{x^3}{3}\right]}_0^1=\frac{1}{2}\left(\frac{3}{5}+\frac{1}{3}\right)=\frac{1}{2}\cdot \frac{14}{15}=\frac{7}{15}$

$\text{Var}(X)=E[X^2]-(E[X]{)}^2=\frac{7}{15}-{\left(\frac{5}{8}\right)}^2=\frac{7}{15}-\frac{25}{64}=\frac{448}{960}-\frac{375}{960}=\frac{73}{960}$

Oleh simetri: $\text{Var}(Y)=\frac{73}{960}$.

Koefisien Korelasi: ${\rho }_{X,Y}=\frac{\text{Cov}(X,Y)}{\sqrt{\text{Var}(X)\text{Var}(Y)}}=\frac{-1/64}{\sqrt{(73/960{)}^2}}=\frac{-1/64}{73/960}=-\frac{1}{64}\cdot \frac{960}{73}=-\frac{960}{4672}=-\frac{15}{73}$

(c) Variansi Kombinasi Linear: $\text{Var}(2X-3Y)=4\text{Var}(X)+9\text{Var}(Y)-2(2)(3)\text{Cov}(X,Y)$ $=4\cdot \frac{73}{960}+9\cdot \frac{73}{960}-12\cdot \left(-\frac{1}{64}\right)$ $=\frac{292}{960}+\frac{657}{960}+\frac{12}{64}=\frac{949}{960}+\frac{180}{960}=\frac{1129}{960}$

5. Verification

• $\text{Cov}(X,Y)=-1/64<0$: korelasi negatif lemah. Intuitif karena $f_{X,Y}(x,y)=\frac{3}{2}(x^2+y^2)$ memberikan bobot lebih pada nilai besar $(x,y)$ secara simetris, tetapi suku $x^2+y^2$ (bukan $xy$) menunjukkan tidak ada preferensi untuk keduanya besar bersamaan — korelasi negatif kecil masuk akal. ✓
• ${\rho }_{X,Y}=-15/73\approx -0.205\in (-1,1)$ ✓
• $\text{Var}(2X-3Y)>0$ ✓
• Karena koefisien $-3Y$ lebih besar dari $2X$ dan $\text{Cov}<0$, suku $-12\text{Cov}$ bernilai positif (menambah variansi) — konsisten dengan intuisi: korelasi negatif antara $X$ dan $Y$ berarti $X$ dan $-Y$ berkorelasi positif, sehingga $2X-3Y$ lebih tersebar. ✓

Exam Tips — Soal B

• Target waktu: 10–12 menit.
• Common trap — formula $\text{Var}(aX+bY)$: Untuk $\text{Var}(2X-3Y)$, koefisien $b=-3$ sehingga $b^2=9$ (positif) dan suku kovariansi adalah $2(2)(-3)\text{Cov}(X,Y)=-12\text{Cov}(X,Y)$. Dengan $\text{Cov}<0$, suku ini bernilai $+12/64>0$. Kesalahan umum adalah melupakan tanda pada $b$ saat mengkuadratkan, atau salah menentukan tanda suku kovariansi.
• Shortcut $E[XY]$ dengan simetri: Gunakan simetri $f_{X,Y}(x,y)=f_{X,Y}(y,x)$ untuk menyederhanakan integral ganda — seperti yang dilakukan di atas dengan memanfaatkan $\int \int x^{3}ydxdy=\int \int x{y}^{3}dxdy$.
• Cek non-independensi cepat: Sebelum menghitung marginal, perhatikan bahwa $x^2+y^2$ tidak bisa difaktorkan sebagai $g(x)h(y)$ — ini langsung mengindikasikan ketidakindependenan tanpa perlu menghitung marginal.

---

Soal C — Challenging

Misalkan $X$ dan $Y$ adalah variabel acak dengan $\text{Var}(X)=4$, $\text{Var}(Y)=9$, dan ${\rho }_{X,Y}=-\frac{1}{2}$.

(a) Hitung $\text{Cov}(X,Y)$. (b) Hitung $\text{Var}(X+Y)$ dan $\text{Var}(X-Y)$. (c) Misalkan $U=2X+Y$ dan $V=X-2Y$. Hitung $\text{Cov}(U,V)$ dan ${\rho }_{U,V}$. (d) Definisikan $W=aX+bY$ untuk konstanta $a,b$. Tentukan nilai $a/b$ sedemikian sehingga $\text{Cov}(W,X)=0$.

Solusi Soal C

1. Identifikasi Variabel

• ${\sigma }_X=\sqrt{4}=2$, ${\sigma }_Y=\sqrt{9}=3$, ${\rho }_{X,Y}=-1/2$.
• Tidak ada distribusi spesifik yang disebutkan — soal hanya menggunakan momen orde dua.

2. Identifikasi Distribusi / Model

• Soal murni aljabar momen: gunakan sifat bilinearitas kovariansi dan rumus $\text{Var}$ kombinasi linear.

3. Setup Persamaan

Semua perhitungan menggunakan: $\text{Cov}(aX+bY,cX+dY)=ac\text{Var}(X)+(ad+bc)\text{Cov}(X,Y)+bd\text{Var}(Y)$

4. Eksekusi Aljabar

(a) Kovariansi $\text{Cov}(X,Y)$: $\text{Cov}(X,Y)={\rho }_{X,Y}\cdot {\sigma }_X\cdot {\sigma }_Y=\left(-\frac{1}{2}\right)(2)(3)=-3$

(b) Variansi penjumlahan dan selisih: $\text{Var}(X+Y)=\text{Var}(X)+2\text{Cov}(X,Y)+\text{Var}(Y)=4+2(-3)+9=4$

$\text{Var}(X-Y)=\text{Var}(X)-2\text{Cov}(X,Y)+\text{Var}(Y)=4-2(-3)+9=19$

(c) Kovariansi dan Korelasi $U=2X+Y$, $V=X-2Y$:

Kovariansi $\text{Cov}(U,V)$: $\text{Cov}(2X+Y,X-2Y)$ $=2(1)\text{Var}(X)+[2(-2)+1(1)]\text{Cov}(X,Y)+(1)(-2)\text{Var}(Y)$ $=2(4)+(-4+1)(-3)+(-2)(9)$ $=8+(-3)(-3)-18=8+9-18=-1$

Variansi $U$ dan $V$: $\text{Var}(U)=\text{Var}(2X+Y)=4\text{Var}(X)+4\text{Cov}(X,Y)+\text{Var}(Y)=4(4)+4(-3)+9=16-12+9=13$

$\text{Var}(V)=\text{Var}(X-2Y)=\text{Var}(X)-4\text{Cov}(X,Y)+4\text{Var}(Y)=4-4(-3)+4(9)=4+12+36=52$

Koefisien Korelasi ${\rho }_{U,V}$: ${\rho }_{U,V}=\frac{\text{Cov}(U,V)}{\sqrt{\text{Var}(U)\text{Var}(V)}}=\frac{-1}{\sqrt{13\cdot 52}}=\frac{-1}{\sqrt{676}}=\frac{-1}{26}$

(d) Kondisi $\text{Cov}(W,X)=0$:

$\text{Cov}(aX+bY,X)=a\text{Var}(X)+b\text{Cov}(Y,X)=4a+b(-3)=4a-3b$

Syarat $\text{Cov}(W,X)=0$: $4a-3b=0⟹\frac{a}{b}=\frac{3}{4}$

5. Verification

• $\text{Cov}(X,Y)=-3$: $|\rho |=1/2$, $\text{Cov}=\rho {\sigma }_X{\sigma }_Y=(-1/2)(2)(3)=-3$ ✓
• $\text{Var}(X+Y)=4$: menarik — variansi penjumlahan lebih kecil dari $\text{Var}(X)$ saja karena korelasi negatif kuat antara $X$ dan $Y$ “saling menghilangkan” fluktuasi. Ini adalah prinsip diversifikasi risiko! ✓
• $\sqrt{13\cdot 52}=\sqrt{676}=26$: cek $13\times 52=13\times 4\times 13=4\times 169=676=26^2$ ✓
• ${\rho }_{U,V}=-1/26\in (-1,1)$ ✓
• Rasio $a/b=3/4$: substitusi $a=3$, $b=4$: $\text{Cov}(3X+4Y,X)=3(4)+4(-3)=12-12=0$ ✓

Exam Tips — Soal C

• Target waktu: 10–12 menit.
• Formula ekspansi kovariansi kombinasi linear — wajib hafal: $\text{Cov}(aX+bY,cX+dY)=ac{\sigma }_X^2+(ad+bc)\text{Cov}(X,Y)+bd{\sigma }_Y^2$ Ini adalah “FOIL” untuk kovariansi. Hafalkan pola ini — soal tipe (c) sangat umum di CF2.
• Common trap — tanda pada suku kovariansi: Untuk $\text{Var}(X-Y)=\text{Var}(X)+\text{Var}(Y)-2\text{Cov}(X,Y)$: karena $\text{Cov}<0$, suku $-2\text{Cov}>0$, sehingga $\text{Var}(X-Y)>\text{Var}(X+Y)$ — jangan asumsikan selisih selalu memiliki variansi lebih kecil.
• Bagian (d) adalah tipe soal ortogonalisasi: Kondisi $\text{Cov}(W,X)=0$ berarti $W=aX+bY$ “ortogonal” terhadap $X$ — ini muncul dalam konteks regresi linear dan portofolio minimum variansi di aktuaria.

Section 5 — Verifikasi & Sanity Check

Validasi Koefisien Korelasi

• ${\rho }_{X,Y}\in [-1,1]$ selalu. Jika hasil perhitungan keluar dari interval ini, ada kesalahan.
• $|{\rho }_{X,Y}|=1$ hanya jika $Y=aX+b$ hampir pasti untuk konstanta $a\ne 0$ dan $b$.
• ${\rho }_{X,Y}=0$ tidak berarti independensi; hanya mengindikasikan ketiadaan hubungan linear.

Validasi Kovariansi

• $\text{Cov}(X,X)=\text{Var}(X)\ge 0$.
• $\text{Cov}(X,Y)=\text{Cov}(Y,X)$ (simetri).
• Jika $X$ dan $Y$ independen: $\text{Cov}(X,Y)=0$ — ini dapat digunakan sebagai cek konsistensi.
• $|\text{Cov}(X,Y)|\le {\sigma }_X{\sigma }_Y$ (dari $|\rho |\le 1$) — kovariansi dibatasi oleh produk standar deviasi.

Validasi Variansi Kombinasi Linear

• $\text{Var}(aX+bY)\ge 0$ selalu — jika hasil negatif, ada kesalahan.
• Untuk independen: $\text{Var}(X+Y)=\text{Var}(X-Y)=\text{Var}(X)+\text{Var}(Y)$.
• Untuk korelasi negatif kuat: $\text{Var}(X+Y)<\text{Var}(X)$ dan $\text{Var}(X+Y)<\text{Var}(Y)$ mungkin terjadi — ini adalah prinsip diversifikasi.

Uji Independensi — Tiga Cara

• Via faktorisasi joint: $f_{X,Y}(x,y)=f_X(x)f_Y(y)$ untuk semua $(x,y)$.
• Via distribusi bersyarat: $f_{X|Y}(x\mid y)=f_X(x)$ untuk semua $x$ dan $y$.
• Via MGF joint: $M_{X,Y}(s,t)=M_X(s)M_Y(t)$ untuk semua $(s,t)$.
• Ketiga cara ini ekuivalen; pilih yang paling mudah untuk bentuk $f_{X,Y}$ yang diberikan.

Metode Alternatif

Uji independensi via kernel faktorisasi (shortcut):

Jika $f_{X,Y}(x,y)$ pada support rectangular dapat ditulis sebagai $c\cdot g(x)\cdot h(y)$ untuk fungsi non-negatif $g$ dan $h$ dan konstanta $c>0$, maka $X\perp Y$ dengan $f_X(x)\propto g(x)$ dan $f_Y(y)\propto h(y)$ (konstanta normalisasi diserap ke $c$). Tidak perlu menghitung marginal secara eksplisit untuk menyimpulkan independensi.

Menghitung $\text{Cov}(X,Y)$ via Hukum Ekspektasi Total:

Jika distribusi bersyarat diketahui: $\text{Cov}(X,Y)=E[XY]-E[X]E[Y]=E[E[XY\mid Y]]-E[X]E[Y]=E[Y\cdot E[X\mid Y]]-E[X]E[Y]$

Berguna ketika $E[X\mid Y]$ mudah dihitung tetapi $f_{X,Y}$ kompleks (terhubung ke 3.4 Nilai Harapan dan Variansi Bersyarat).

Section 6 — Visualisasi Mental

Diagram pencar (scatterplot) sebagai visualisasi korelasi: Bayangkan titik-titik $(x_i,y_i)$ tersebar di bidang $xy$. Korelasi positif kuat ($\rho \approx 1$): titik-titik membentuk elips miring ke kanan atas — nilai besar $X$ cenderung bersamaan dengan nilai besar $Y$. Korelasi negatif kuat ($\rho \approx -1$): elips miring ke kanan bawah. Korelasi nol ($\rho =0$): elips mendekati lingkaran atau persegi panjang — tidak ada kecenderungan arah. Namun perhatikan: titik-titik bisa membentuk parabola (hubungan kuadratik kuat) dengan $\rho =0$ — korelasi tidak menangkap hubungan non-linear.

Visualisasi dekomposisi variansi penjumlahan: Bayangkan $\text{Var}(X+Y)$ sebagai luas total dari dua kuadrat (masing-masing bersisi ${\sigma }_X$ dan ${\sigma }_Y$) ditambah dua persegi panjang kovariansi (bersisi ${\sigma }_X$ dan ${\sigma }_Y$ dengan tanda sesuai $\text{Cov}$). Untuk korelasi negatif, persegi panjang kovariansi “mengurangi” luas total — variansi penjumlahan lebih kecil dari jumlah variansi masing-masing. Ini adalah prinsip diversifikasi risiko dalam asuransi dan investasi.

Elips kontur PDF bivariat normal: Untuk distribusi normal bivariat (yang tidak wajib diketahui di CF2 tetapi membantu intuisi), kontur PDF berbentuk elips. Sumbu utama elips sejajar koordinat jika $\rho =0$ (independen); elips miring jika $\rho \ne 0$. Semakin $|\rho |$ mendekati 1, elips semakin “gepeng” dan memanjang — mendekati garis lurus ketika $|\rho |=1$.

Hubungan Visual ↔ Rumus

Kemiringan elips kontur $\leftrightarrow$ tanda $\text{Cov}(X,Y)$: $\text{Cov}(X,Y)>0\leftrightarrow \text{elips miring ke kanan atas (tren positif)}$ $\text{Cov}(X,Y)<0\leftrightarrow \text{elips miring ke kanan bawah (tren negatif)}$

Normalisasi kovariansi ke $[-1,1]$: ${\rho }_{X,Y}=\frac{\text{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y}⟷\text{"gepengnya" elips, bebas satuan}$

Variansi penjumlahan dan suku kovariansi: $\text{Var}(X+Y)={\sigma }_X^2+2\text{Cov}(X,Y)+{\sigma }_Y^2⟷\text{luas total dengan koreksi kovariansi}$

Section 7 — Jebakan Umum

Kesalahan Parametrisasi

Kesalahan Tanda pada Rumus $\text{Var}(aX+bY)$:

Salah: $\text{Var}(X-Y)=\text{Var}(X)-\text{Var}(Y)$

Benar: $\text{Var}(X-Y)=\text{Var}(X)-2\text{Cov}(X,Y)+\text{Var}(Y)$

Variansi selalu non-negatif dan tidak bisa “dikurangi” seperti ekspektasi. Dengan $b=-1$: $b^2=1$ (bukan $-1$) dan suku kovariansi menjadi $2(1)(-1)\text{Cov}(X,Y)=-2\text{Cov}(X,Y)$.

Kesalahan Arah Implikasi:

Salah: ”$\text{Cov}(X,Y)=0$ maka $X$ dan $Y$ independen”

Benar: "$\text{Cov}(X,Y)=0$" hanya berarti tidak ada hubungan linear; $X$ dan $Y$ bisa sangat bergantung secara non-linear.

Kesalahan Konseptual

1. Menggunakan $\text{Var}(X+Y)=\text{Var}(X)+\text{Var}(Y)$ tanpa verifikasi $\text{Cov}=0$. Rumus ini hanya berlaku ketika $X$ dan $Y$ tidak berkorelasi (atau independen). Untuk variabel berkorelasi, suku $2\text{Cov}(X,Y)$ harus selalu disertakan.
2. Memeriksa faktorisasi hanya di satu titik untuk menyimpulkan independensi. Verifikasi $f_{X,Y}(x_0,y_0)=f_X(x_0)f_Y(y_0)$ untuk satu titik $(x_0,y_0)$ tidak cukup — faktorisasi harus berlaku untuk semua titik pada support. Sebaliknya, menemukan satu titik di mana faktorisasi gagal sudah cukup untuk menyimpulkan ketidakindependenan.
3. Lupa syarat support rectangular untuk independensi. Jika support joint bergantung pada kedua variabel (non-rectangular), $X$ dan $Y$ tidak mungkin independen — tidak perlu cek faktorisasi lebih lanjut.
4. Mengira $\text{Cov}(X,g(Y))=0$ jika $\text{Cov}(X,Y)=0$. Non-korelasi antara $X$ dan $Y$ tidak menjamin non-korelasi antara $X$ dan $g(Y)$ untuk fungsi non-linear $g$.

Kesalahan Interpretasi Soal

• ”$X$ dan $Y$ tidak berkorelasi” → $\text{Cov}(X,Y)=0$, bukan independensi. Jangan gunakan rumus independensi.
• ”$X$ dan $Y$ independen” → boleh gunakan $\text{Var}(X+Y)=\text{Var}(X)+\text{Var}(Y)$, faktorisasi joint, dan $E[XY]=E[X]E[Y]$.
• “Buktikan $X$ dan $Y$ independen” → harus tunjukkan faktorisasi analitik untuk semua $(x,y)$, bukan hanya hitung kovariansi nol.
• Soal memberikan $\rho$ dan meminta $\text{Cov}$ → gunakan $\text{Cov}(X,Y)=\rho \cdot {\sigma }_X\cdot {\sigma }_Y$; jangan lupa menghitung ${\sigma }_X$ dan ${\sigma }_Y$ dari $\text{Var}$ terlebih dahulu.

Red Flags

• Support joint non-rectangular (kata kunci: $0<x<y$, $x+y<1$, $|x|+|y|<1$): langsung simpulkan $X$ dan $Y$ tidak independen tanpa perhitungan lebih lanjut.
• PDF joint berbentuk penjumlahan $f_{X,Y}\propto g(x)+h(y)$ (bukan perkalian): hampir pasti tidak bisa difaktorkan → tidak independen. Cek dengan menghitung marginal.
• PDF joint berbentuk perkalian $f_{X,Y}\propto g(x)\cdot h(y)$ pada support rectangular: kemungkinan independen — lakukan verifikasi faktorisasi formal.
• Soal meminta $\text{Var}$ dari penjumlahan/selisih banyak variabel: selalu periksa apakah semua pasangan independen atau berkorelasi sebelum menyederhanakan.
• Soal menyebut “diversifikasi” atau “portofolio”: ini adalah konteks di mana korelasi negatif mengurangi variansi total — gunakan rumus $\text{Var}(X+Y)$ lengkap dengan suku kovariansi.

Section 8 — Ringkasan Eksekutif

Must-Remember

1. Tiga cara ekuivalen menguji independensi (pilih yang termudah): $X\perp Y⟺f_{X,Y}(x,y)=f_X(x)f_Y(y)⟺f_{X|Y}(x|y)=f_X(x)⟺M_{X,Y}(s,t)=M_X(s)M_Y(t)$
2. Rumus komputasional kovariansi: $\text{Cov}(X,Y)=E[XY]-E[X]E[Y]$
3. Koefisien korelasi dan batasnya: ${\rho }_{X,Y}=\frac{\text{Cov}(X,Y)}{{\sigma }_X{\sigma }_Y}\in [-1,1]$
4. Variansi kombinasi linear — rumus penuh: $\text{Var}(aX+bY)=a^2\text{Var}(X)+2ab\text{Cov}(X,Y)+b^2\text{Var}(Y)$
5. Arah implikasi yang benar (jebakan paling sering diuji): $X\perp Y⟹\text{Cov}(X,Y)=0,\text{tetapi}\text{Cov}(X,Y)=0/⟹X\perp Y$

Kapan Digunakan

• Trigger keywords: “apakah $X$ dan $Y$ independen?”, “hitung kovariansi”, “hitung korelasi”, “variansi penjumlahan”, "$\text{Var}(X+Y)$", “saling bebas”, “tidak berkorelasi”, “koefisien korelasi”, “diversifikasi risiko”.
• Tipe skenario soal:
  • Diberikan PDF joint; tentukan independensi via faktorisasi; hitung $\text{Cov}$ dan $\rho$.
  • Diberikan momen marginal dan $\rho$; hitung $\text{Var}$ dari kombinasi linear.
  • Hitung $\text{Cov}(U,V)$ di mana $U$ dan $V$ adalah kombinasi linear dari $X$ dan $Y$.
  • Tentukan kondisi pada konstanta agar dua kombinasi linear tidak berkorelasi.
  • Buktikan bahwa $X$ dan $Y$ independen atau tidak, menggunakan tiga karakterisasi yang tersedia.

Kapan TIDAK Boleh Digunakan

• Jika soal meminta distribusi bersyarat $f_{X|Y}(x|y)$: Ini adalah topik 3.3 Distribusi Bersyarat (Conditional Distribution) — distribusi bersyarat adalah fungsi penuh, bukan hanya ukuran skalar seperti kovariansi.
• Jika soal meminta dekomposisi $\text{Var}(X)=E[\text{Var}(X|Y)]+\text{Var}(E[X|Y])$: Ini adalah Hukum Variansi Total dari 3.4 Nilai Harapan dan Variansi Bersyarat — berbeda dari formula $\text{Var}(X+Y)$ di topik ini.
• Jika korelasi nol sudah ditetapkan dan soal menanyakan tentang independensi: Non-korelasi tidak cukup — perlu uji faktorisasi atau karakterisasi distribusi bersyarat untuk menjawab pertanyaan independensi.

Quick Decision Tree

graph TD
    A["Soal tentang hubungan dua variabel X dan Y"] --> B["Apa yang ditanyakan?"]
    B --> C["Apakah X dan Y independen?"]
    B --> D["Cov(X,Y) dan rho"]
    B --> E["Var dari kombinasi linear aX + bY"]
    C --> F["Periksa support joint dulu"]
    F -->|"Non-rectangular"| G["Langsung: TIDAK independen"]
    F -->|"Rectangular"| H["Cek faktorisasi:<br>f_XY = f_X * f_Y untuk semua (x,y)?"]
    H -->|"Ya"| I["Independen:<br>Cov = 0, pakai rumus sederhana"]
    H -->|"Tidak"| J["Tidak independen:<br>hitung Cov secara eksplisit"]
    D --> K["Cov = E[XY] - E[X]E[Y]<br>rho = Cov / (sigma_X * sigma_Y)"]
    K --> L["Hitung E[XY] dari joint<br>E[X], E[Y] dari marginal"]
    E --> M["Var(aX+bY) = a^2 Var(X) + 2ab Cov(X,Y) + b^2 Var(Y)"]
    M -->|"Jika X perp Y atau Cov=0"| N["Suku kovariansi = 0:<br>Var(aX+bY) = a^2 Var(X) + b^2 Var(Y)"]
    M -->|"Jika Cov tidak nol"| O["Wajib sertakan suku 2ab Cov(X,Y)"]

---

Follow-up Options

1. “Berikan contoh soal di mana $\text{Cov}(X,Y)=0$ tetapi $X$ dan $Y$ jelas tidak independen, dan buktikan ketidakindependenannya”
2. “Jelaskan hubungan 3.5 Independensi dan Korelasi dengan 3.6 Matriks Variansi-Kovariansi untuk kasus lebih dari dua variabel acak”
3. “Buat flashcard 1-halaman untuk topik ini”

📖 Ref: Hogg-McKean-Craig (2019) Bab 2.4–2.6; Miller et al. (2014) Bab 3.5–3.8, 4.6–4.9, 5.8–5.10 | 🗓️ 2026-02-21 | CF2 Multivariat Independensi Korelasi Kovariansi MGF KoefisienKorelasi