📊 3.4 — Nilai Harapan dan Variansi Bersyarat

≡Ringkasan Cepat›

Topik: Nilai Harapan dan Variansi Bersyarat | Bobot: ~20–30% | Difficulty: Hard Ref: Hogg-McKean-Craig (2019) Bab 2.1–2.4; Miller et al. (2014) Bab 3.5–3.8, 4.6–4.9 | Prereq: 3.3 Distribusi Bersyarat (Conditional Distribution), 3.2 Distribusi Marginal, 3.1 Distribusi Gabungan (Joint Distribution)

Section 0 — Pemetaan Topik

Topik CF2	Sub-topik ID	Skill Diuji	Bobot	Difficulty	Prerequisite	Connected Topics	Referensi
Topik 3: Variabel Acak Multivariat	3.4	Memahami $E[X \mid Y]$ dan $\text{Var}(X \mid Y)$ sebagai variabel acak; menerapkan Hukum Ekspektasi Total $E[X] = E[E[X \mid Y]]$; menerapkan Hukum Variansi Total $\text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y])$; mengidentifikasi komponen “within” dan “between” dalam dekomposisi variansi; menghitung $E[X]$ dan $\text{Var}(X)$ melalui kondisioning ketika distribusi marginal sulit dihitung langsung	20–30%	Hard	3.3 Distribusi Bersyarat (Conditional Distribution), 3.2 Distribusi Marginal, 3.1 Distribusi Gabungan (Joint Distribution), 2.1 Variabel Acak Diskrit, 2.2 Variabel Acak Kontinu	3.5 Independensi dan Korelasi, 3.7 Distribusi Majemuk (Compound Distribution), 4.5 Estimasi Parameter, 4.8 Uji Hipotesis	Hogg-McKean-Craig (2019) Bab 2.1–2.4; Miller et al. (2014) Bab 3.5–3.8, 4.6–4.9, 5.8–5.10

Section 1 — Intuisi

Pada topik 3.3 Distribusi Bersyarat (Conditional Distribution), kita melihat bahwa $E[X \mid Y = y]$ — mean bersyarat untuk nilai $y$ yang spesifik — adalah sebuah angka yang bergantung pada pilihan $y$. Kini bayangkan kita tidak memilih nilai $y$ tertentu, melainkan membiarkan $Y$ tetap menjadi variabel acak. Maka $E[X \mid Y]$ — mean bersyarat yang dievaluasi pada $Y$ yang acak — menjadi sebuah variabel acak tersendiri, karena nilainya bervariasi bergantung pada nilai $Y$ yang terealisasi. Inilah lompatan konseptual terpenting di topik ini: dari angka menjadi variabel acak.

Analogi yang membantu: bayangkan perusahaan asuransi membagi nasabahnya ke dalam kelompok risiko $Y$ (rendah, sedang, tinggi). Untuk kelompok risiko rendah ($Y = 1$), rata-rata klaim tahunan adalah Rp5 juta. Untuk kelompok risiko sedang ($Y = 2$), rata-ratanya Rp12 juta. Untuk kelompok risiko tinggi ($Y = 3$), rata-ratanya Rp25 juta. Jika seorang nasabah dipilih secara acak tanpa mengetahui kelompok risikonya, “rata-rata klaim yang diharapkan” adalah rata-rata tertimbang dari ketiga angka tersebut — tertimbang oleh probabilitas masing-masing kelompok risiko. Inilah Hukum Ekspektasi Total: $E[X] = E[E[X \mid Y]]$. Mean total adalah rata-rata dari mean-mean bersyarat, tertimbang oleh distribusi $Y$.

Hukum Variansi Total lalu bertanya: dari mana datangnya variansi total klaim $X$? Ada dua sumber. Pertama, dalam setiap kelompok risiko, klaim individual bervariasi di sekitar mean kelompoknya — inilah variansi dalam kelompok, diringkas oleh $E[\text{Var}(X \mid Y)]$. Kedua, mean kelompok itu sendiri bervariasi antar kelompok — kelompok risiko tinggi punya mean jauh lebih tinggi dari kelompok risiko rendah. Inilah variansi antar kelompok, diringkas oleh $\text{Var}(E[X \mid Y])$. Hukum Variansi Total menyatakan bahwa variansi total adalah jumlah kedua komponen ini: $\text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y])$. Dekomposisi ini fundamental dalam aktuaria, analisis ragam (ANOVA), dan pemodelan hierarkis.

Section 2 — Definisi Formal

ℹDefinisi Matematis›

Misalkan $(X, Y)$ adalah pasangan variabel acak. Definisikan:

Nilai Harapan Bersyarat sebagai Variabel Acak:

$$E[X \mid Y] \;:=\; \varphi(Y), \quad \text{di mana } \varphi(y) = E[X \mid Y = y]$$

$E[X \mid Y]$ adalah variabel acak yang merupakan fungsi dari $Y$.

Variansi Bersyarat sebagai Variabel Acak:

$$\text{Var}(X \mid Y) \;:=\; \psi(Y), \quad \text{di mana } \psi(y) = \text{Var}(X \mid Y = y) = E[X^2 \mid Y=y] - \bigl(E[X \mid Y=y]\bigr)^2$$

Hukum Ekspektasi Total (Law of Total Expectation / Tower Property):

$$\boxed{E[X] = E\!\left[E[X \mid Y]\right]}$$

Hukum Variansi Total (Law of Total Variance / Eve’s Law):

$$\boxed{\text{Var}(X) = E\!\left[\text{Var}(X \mid Y)\right] + \text{Var}\!\left(E[X \mid Y]\right)}$$

Bentuk Diperluas Hukum Ekspektasi Total (untuk fungsi $g$):

$$E[g(X)] = E\!\left[E[g(X) \mid Y]\right]$$

Variabel & Parameter

Simbol	Makna	Catatan
$E[X \mid Y = y]$	Nilai harapan bersyarat — angka	Fungsi deterministik dari $y$; hasil untuk kondisi spesifik
$E[X \mid Y]$	Nilai harapan bersyarat — variabel acak	Fungsi dari variabel acak $Y$; memiliki distribusi, mean, variansi sendiri
$\text{Var}(X \mid Y = y)$	Variansi bersyarat — angka	Fungsi deterministik dari $y$; selalu $\geq 0$
$\text{Var}(X \mid Y)$	Variansi bersyarat — variabel acak	Fungsi dari variabel acak $Y$; memiliki mean sendiri
$E[\text{Var}(X \mid Y)]$	Ekspektasi dari variansi bersyarat	Komponen “within-group” dalam dekomposisi variansi; mengukur variabilitas rata-rata di dalam setiap kondisi $Y$
$\text{Var}(E[X \mid Y])$	Variansi dari ekspektasi bersyarat	Komponen “between-group” dalam dekomposisi variansi; mengukur seberapa besar mean bersyarat bervariasi antar nilai $Y$
$\text{Var}(X)$	Variansi marginal total dari $X$	$= E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y])$
$\varphi(y)$	Fungsi mean bersyarat: $\varphi(y) = E[X \mid Y=y]$	Ketika $Y$ substitusi ke $\varphi$, hasilnya adalah variabel acak $E[X \mid Y]$
$\psi(y)$	Fungsi variansi bersyarat: $\psi(y) = \text{Var}(X \mid Y=y)$	Ketika $Y$ substitusi ke $\psi$, hasilnya adalah variabel acak $\text{Var}(X \mid Y)$

Rumus Utama

$$E[X] = E\!\left[E[X \mid Y]\right] = \begin{cases} \displaystyle\sum_{y} E[X \mid Y=y]\, p_Y(y) & \text{(diskrit)} \\[8pt] \displaystyle\int_{-\infty}^{\infty} E[X \mid Y=y]\, f_Y(y)\, dy & \text{(kontinu)} \end{cases}$$

Label: Hukum Ekspektasi Total — mean total $X$ adalah rata-rata tertimbang dari mean-mean bersyarat, tertimbang oleh distribusi $Y$; rumus ini valid tanpa syarat apapun mengenai independensi.

$$\text{Var}(X) = \underbrace{E\!\left[\text{Var}(X \mid Y)\right]}_{\text{within-group}} + \underbrace{\text{Var}\!\left(E[X \mid Y]\right)}_{\text{between-group}}$$

Label: Hukum Variansi Total (Eve’s Law) — dekomposisi variansi total menjadi komponen rata-rata variansi dalam kondisi dan variansi antar kondisi; kedua komponen selalu $\geq 0$.

$$\text{Var}\!\left(E[X \mid Y]\right) = E\!\left[\bigl(E[X \mid Y]\bigr)^2\right] - \bigl(E[E[X \mid Y]]\bigr)^2 = E\!\left[\bigl(E[X \mid Y]\bigr)^2\right] - \bigl(E[X]\bigr)^2$$

Label: Rumus Komputasional Komponen Between-Group — variansi dari variabel acak $E[X \mid Y]$ dihitung menggunakan rumus $\text{Var}(Z) = E[Z^2] - (E[Z])^2$ dengan $Z = E[X \mid Y]$.

$$E\!\left[E[X \mid Y, Z] \mid Y\right] = E[X \mid Y]$$

Label: Tower Property (Sifat Menara) — untuk tiga variabel acak; ekspektasi bersyarat “level lebih dalam” bisa disederhanakan ke level lebih dangkal; relevan untuk distribusi majemuk di 3.7 Distribusi Majemuk (Compound Distribution).

$$E\!\left[g(Y) \cdot X \mid Y\right] = g(Y) \cdot E[X \mid Y]$$

Label: Sifat Taking Out What is Known — fungsi dari $Y$ dapat “dikeluarkan” dari ekspektasi bersyarat ketika mengkondisikan pada $Y$, karena $g(Y)$ adalah konstanta given $Y$.

Asumsi Eksplisit

• Existensi momen: Hukum Ekspektasi Total mensyaratkan $E[|X|] < \infty$. Hukum Variansi Total mensyaratkan $E[X^2] < \infty$ (sehingga $\text{Var}(X) < \infty$).
• Tidak memerlukan independensi: Kedua hukum berlaku untuk semua pasangan $(X, Y)$ dengan momen yang ada — independensi bukan syarat.
• $E[X \mid Y]$ adalah variabel acak yang terdefinisi: Secara teknis, $E[X \mid Y]$ harus terdefinisi hampir pasti (almost surely); untuk distribusi yang biasa dijumpai di CF2, kondisi ini selalu terpenuhi.
• Kedua komponen Hukum Variansi Total selalu non-negatif: $E[\text{Var}(X \mid Y)] \geq 0$ karena variansi bersyarat $\geq 0$; $\text{Var}(E[X \mid Y]) \geq 0$ karena variansi selalu $\geq 0$.

Section 3 — Jembatan Logika

◈Dari Definisi ke Rumus›

Kunci memahami topik ini adalah menerima bahwa $E[X \mid Y]$ adalah variabel acak. Begitu penerimaan itu ada, Hukum Ekspektasi Total menjadi sangat natural: kita cukup mengambil ekspektasi dari variabel acak $E[X \mid Y]$, menggunakan distribusi $Y$ sebagai bobot. Secara formal: $E[E[X \mid Y]] = \int \varphi(y) f_Y(y)\,dy = \int E[X \mid Y=y] f_Y(y)\,dy$. Substitusi definisi $E[X \mid Y=y] = \int x f_{X|Y}(x \mid y)\,dx$ dan gunakan fakta bahwa $f_{X|Y}(x \mid y) f_Y(y) = f_{X,Y}(x,y)$, kita peroleh $\int\int x f_{X,Y}(x,y)\,dx\,dy = E[X]$ — persis mean marginal yang benar.

Untuk Hukum Variansi Total, mulai dari dekomposisi aljabar. Untuk setiap $y$ tetap, identitas variansi klasik berlaku: $E[X^2 \mid Y=y] = \text{Var}(X \mid Y=y) + (E[X \mid Y=y])^2$. Ambil ekspektasi terhadap $Y$ di kedua sisi: $E[X^2] = E[\text{Var}(X \mid Y)] + E[(E[X \mid Y])^2]$. Kurangi $(E[X])^2 = (E[E[X \mid Y]])^2$ dari kedua sisi: $E[X^2] - (E[X])^2 = E[\text{Var}(X \mid Y)] + E[(E[X \mid Y])^2] - (E[E[X \mid Y]])^2$. Sisi kiri adalah $\text{Var}(X)$; suku terakhir di sisi kanan adalah $\text{Var}(E[X \mid Y])$.

◈Dua Komponen Hukum Variansi Total›

Penting untuk membedakan makna kedua komponen secara intuitif:

Komponen Within-Group: $E[\text{Var}(X \mid Y)]$

• Rata-rata dari “seberapa tersebar $X$ di dalam tiap kelompok $Y$”
• Mengukur ketidakpastian yang tidak dapat direduksi meski kita mengetahui $Y$
• Selalu $\geq 0$; sama dengan 0 hanya jika $X$ deterministik given $Y$ (yaitu $X = g(Y)$ untuk suatu fungsi $g$)

Komponen Between-Group: $\text{Var}(E[X \mid Y])$

• Seberapa besar rata-rata bersyarat $E[X \mid Y=y]$ bervariasi sebagai fungsi dari $y$
• Mengukur ketidakpastian yang dapat direduksi jika kita mengetahui $Y$
• Sama dengan 0 jika dan hanya jika $E[X \mid Y] = E[X]$ hampir pasti — yang terjadi ketika $X$ dan $Y$ tidak berkorelasi (atau independen)

Derivasi Formal Hukum Ekspektasi Total (kasus kontinu):

Mulai dari definisi $E[X \mid Y=y] = \int_{-\infty}^{\infty} x\, f_{X|Y}(x \mid y)\,dx$. Ambil ekspektasi terhadap $Y$:

$$E\!\left[E[X \mid Y]\right] = \int_{-\infty}^{\infty} E[X \mid Y=y]\, f_Y(y)\, dy = \int_{-\infty}^{\infty} \left(\int_{-\infty}^{\infty} x\, f_{X|Y}(x \mid y)\, dx\right) f_Y(y)\, dy$$

Gunakan fakta $f_{X|Y}(x \mid y) \cdot f_Y(y) = f_{X,Y}(x,y)$ dan tukar urutan integrasi (dibenarkan oleh Fubini’s Theorem jika $E[|X|] < \infty$):

$$= \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} x\, f_{X,Y}(x, y)\, dy\, dx = \int_{-\infty}^{\infty} x \left(\int_{-\infty}^{\infty} f_{X,Y}(x,y)\, dy\right) dx = \int_{-\infty}^{\infty} x\, f_X(x)\, dx = E[X]$$

Derivasi Formal Hukum Variansi Total:

Mulai dari identitas $\text{Var}(X \mid Y=y) = E[X^2 \mid Y=y] - (E[X \mid Y=y])^2$. Notasikan $\varphi(y) = E[X \mid Y=y]$ dan $\psi(y) = \text{Var}(X \mid Y=y)$. Ambil ekspektasi terhadap $Y$:

$$E[\psi(Y)] = E[X^2 \mid Y=y \text{ dirata-ratakan}] - E[\varphi(Y)^2]$$

Dari Hukum Ekspektasi Total diterapkan pada $X^2$: $E[E[X^2 \mid Y]] = E[X^2]$. Jadi:

$$E[\text{Var}(X \mid Y)] = E[X^2] - E\!\left[\bigl(E[X \mid Y]\bigr)^2\right]$$

Tambahkan dan kurangi $(E[X])^2 = (E[E[X \mid Y]])^2$:

$$E[X^2] - (E[X])^2 = E[\text{Var}(X \mid Y)] + \underbrace{E\!\left[\bigl(E[X \mid Y]\bigr)^2\right] - \bigl(E[E[X \mid Y]]\bigr)^2}_{\text{Var}(E[X \mid Y])}$$ $$\therefore \quad \text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y]) \qquad \blacksquare$$

✘Dilarang›

1. Dilarang membalik urutan komponen Hukum Variansi Total: $\text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y])$ — urutan dan struktur operator ini baku. Menulis $\text{Var}(E[\text{Var}(X \mid Y)])$ atau $E[\text{Var}(E[X \mid Y])]$ adalah ekspresi yang tidak bermakna atau salah.
2. Dilarang memperlakukan $E[X \mid Y]$ sebagai angka ketika menghitung $\text{Var}(E[X \mid Y])$: $E[X \mid Y]$ adalah variabel acak — ia memiliki distribusi. $\text{Var}(E[X \mid Y])$ berarti menghitung variansi variabel acak tersebut menggunakan distribusi $Y$: $\text{Var}(E[X \mid Y]) = E[(E[X \mid Y])^2] - (E[X])^2$. Mengambil variansi dari angka tetap menghasilkan nol — ini kesalahan fatal.
3. Dilarang menyimpulkan $\text{Var}(X \mid Y) = \text{Var}(X)$: Variansi bersyarat $\text{Var}(X \mid Y=y)$ umumnya berbeda dari (dan lebih kecil atau sama dengan) variansi marginal $\text{Var}(X)$. Kesamaan terjadi hanya ketika $X$ dan $Y$ independen dan komponen between-group = 0.

Section 4 — Contoh Soal

Soal A — Fundamental

Misalkan $Y$ adalah variabel acak dengan distribusi $P(Y=1) = 0.4$, $P(Y=2) = 0.6$. Bersyarat pada $Y = y$, variabel acak $X$ memiliki distribusi berikut:

• Jika $Y = 1$: $E[X \mid Y=1] = 3$ dan $\text{Var}(X \mid Y=1) = 4$.
• Jika $Y = 2$: $E[X \mid Y=2] = 7$ dan $\text{Var}(X \mid Y=2) = 9$.

Hitung $E[X]$ dan $\text{Var}(X)$.

✓Solusi Soal A›

1. Identifikasi Variabel

• $Y$ diskrit: $\mathcal{Y} = \{1, 2\}$ dengan $p_Y(1) = 0.4$, $p_Y(2) = 0.6$.
• $E[X \mid Y=1] = 3$, $E[X \mid Y=2] = 7$ — nilai harapan bersyarat (angka).
• $\text{Var}(X \mid Y=1) = 4$, $\text{Var}(X \mid Y=2) = 9$ — variansi bersyarat (angka).

2. Identifikasi Distribusi / Model

• Tidak perlu mengetahui distribusi joint penuh — hanya momen bersyarat yang diperlukan.
• Terapkan Hukum Ekspektasi Total dan Hukum Variansi Total secara langsung.

3. Setup Persamaan $E[X] = E[E[X \mid Y]] = \sum_{y} E[X \mid Y=y]\, p_Y(y)$ $\text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y])$

4. Eksekusi Aljabar

Hukum Ekspektasi Total: $E[X] = E[X \mid Y=1]\cdot p_Y(1) + E[X \mid Y=2]\cdot p_Y(2) = 3(0.4) + 7(0.6) = 1.2 + 4.2 = 5.4$

Komponen Within-Group — $E[\text{Var}(X \mid Y)]$: $E[\text{Var}(X \mid Y)] = \text{Var}(X \mid Y=1)\cdot p_Y(1) + \text{Var}(X \mid Y=2)\cdot p_Y(2) = 4(0.4) + 9(0.6) = 1.6 + 5.4 = 7.0$

Komponen Between-Group — $\text{Var}(E[X \mid Y])$:

Definisikan variabel acak $Z = E[X \mid Y]$; maka $Z = 3$ dengan probabilitas $0.4$ dan $Z = 7$ dengan probabilitas $0.6$.

$E[Z^2] = 3^2(0.4) + 7^2(0.6) = 9(0.4) + 49(0.6) = 3.6 + 29.4 = 33.0$ $(E[Z])^2 = (E[X])^2 = (5.4)^2 = 29.16$ $\text{Var}(E[X \mid Y]) = E[Z^2] - (E[Z])^2 = 33.0 - 29.16 = 3.84$

Hukum Variansi Total: $\text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y]) = 7.0 + 3.84 = 10.84$

5. Verification

• $E[X] = 5.4$ berada di antara $E[X \mid Y=1] = 3$ dan $E[X \mid Y=2] = 7$, dibobot lebih ke $Y=2$ (bobot 0.6) — masuk akal: $5.4$ lebih dekat ke 7 daripada ke 3. ✓
• Kedua komponen positif: $7.0 > 0$ dan $3.84 > 0$. ✓
• $\text{Var}(X) = 10.84 > \max(\text{Var}(X \mid Y=1), \text{Var}(X \mid Y=2)) = 9$: variansi total lebih besar dari variansi dalam grup mana pun karena ada tambahan variabilitas antar grup. ✓

▲Exam Tips — Soal A›

• Target waktu: 4–5 menit.
• Common trap — komponen between-group: Kesalahan paling umum adalah menghitung $\text{Var}(E[X \mid Y])$ sebagai $\text{Var}(3) \cdot 0.4 + \text{Var}(7) \cdot 0.6 = 0$ — ini salah karena $\text{Var}(3) = \text{Var}(7) = 0$ (variansi konstanta). Yang benar: $Z = E[X \mid Y]$ adalah variabel acak yang mengambil nilai $3$ atau $7$, dan $\text{Var}(Z) = E[Z^2] - (E[Z])^2$.
• Shortcut: Setelah mendapatkan $E[X]$, hitung $\text{Var}(E[X \mid Y])$ dengan rumus $\sum_y (E[X \mid Y=y] - E[X])^2 p_Y(y) = (3-5.4)^2(0.4) + (7-5.4)^2(0.6) = 5.76(0.4) + 2.56(0.6) = 2.304 + 1.536 = 3.84$ ✓

---

Soal B — Exam-Typical

Misalkan $N$ adalah variabel acak yang menyatakan jumlah klaim, di mana $N \mid \Lambda = \lambda \sim \text{Poisson}(\lambda)$. Parameter $\Lambda$ sendiri adalah variabel acak dengan $E[\Lambda] = 2$ dan $\text{Var}(\Lambda) = 3$.

(a) Hitung $E[N]$. (b) Hitung $\text{Var}(N)$.

✓Solusi Soal B›

1. Identifikasi Variabel

• $\Lambda$: variabel acak parameter (prior); $E[\Lambda] = 2$, $\text{Var}(\Lambda) = 3$.
• $N \mid \Lambda = \lambda \sim \text{Poisson}(\lambda)$: bersyarat pada $\Lambda = \lambda$, $N$ terdistribusi Poisson.
• Sifat distribusi Poisson: jika $N \mid \Lambda = \lambda \sim \text{Poisson}(\lambda)$, maka $E[N \mid \Lambda = \lambda] = \lambda$ dan $\text{Var}(N \mid \Lambda = \lambda) = \lambda$.

2. Identifikasi Distribusi / Model

• Ini adalah distribusi majemuk (compound/mixture distribution) — lihat 3.7 Distribusi Majemuk (Compound Distribution).
• Kondisioning pada $\Lambda$ adalah strategi alami: distribusi joint $N, \Lambda$ tidak perlu diketahui secara eksplisit; cukup momen bersyarat.
• Terapkan Hukum Ekspektasi Total dan Variansi Total dengan $X = N$ dan $Y = \Lambda$.

3. Setup Persamaan $E[N] = E[E[N \mid \Lambda]]$ $\text{Var}(N) = E[\text{Var}(N \mid \Lambda)] + \text{Var}(E[N \mid \Lambda])$

4. Eksekusi Aljabar

Identifikasi momen bersyarat sebagai fungsi dari $\Lambda$: $E[N \mid \Lambda] = \Lambda \qquad (\text{karena } E[\text{Poisson}(\lambda)] = \lambda)$ $\text{Var}(N \mid \Lambda) = \Lambda \qquad (\text{karena } \text{Var}(\text{Poisson}(\lambda)) = \lambda)$

(a) Hukum Ekspektasi Total: $E[N] = E[E[N \mid \Lambda]] = E[\Lambda] = 2$

(b) Hukum Variansi Total:

Komponen Within: $E[\text{Var}(N \mid \Lambda)] = E[\Lambda] = 2$

Komponen Between: $\text{Var}(E[N \mid \Lambda]) = \text{Var}(\Lambda) = 3$

Total: $\text{Var}(N) = E[\text{Var}(N \mid \Lambda)] + \text{Var}(E[N \mid \Lambda]) = 2 + 3 = 5$

5. Verification

• $E[N] = 2 = E[\Lambda]$: mean $N$ sama dengan mean $\Lambda$ — masuk akal karena Poisson memiliki mean = parameter. ✓
• $\text{Var}(N) = 5 > E[N] = 2$: berbeda dari distribusi Poisson murni (di mana variansi = mean). Variansi ekstra sebesar $3 = \text{Var}(\Lambda)$ muncul karena ketidakpastian tambahan dari acaknya parameter $\Lambda$ — ini adalah overdispersion yang khas pada distribusi Poisson-campuran. ✓
• Komponen within $= 2 = E[\Lambda]$: rata-rata “noise” dalam setiap kondisi $\Lambda$. ✓
• Komponen between $= 3 = \text{Var}(\Lambda)$: variabilitas dari rata-rata bersyarat itu sendiri. ✓

▲Exam Tips — Soal B›

• Target waktu: 5–6 menit.
• Common trap: Mengira $\text{Var}(N) = E[N] = 2$ karena ”$N$ adalah Poisson”. $N$ secara marginal bukan Poisson murni — ia adalah campuran Poisson. Variansi marginal selalu lebih besar dari mean marginal untuk Poisson-campuran (overdispersion).
• Pola umum untuk soal distribusi majemuk: Ketika $N \mid \Lambda \sim \text{Poisson}(\Lambda)$ dan $\Lambda$ acak, selalu berlaku: $E[N] = E[\Lambda]$ dan $\text{Var}(N) = E[\Lambda] + \text{Var}(\Lambda)$. Pola ini layak dihafal untuk soal CF2 bertopik distribusi majemuk.
• Shortcut kunci: Kenali bahwa $E[N \mid \Lambda] = \Lambda$ dan $\text{Var}(N \mid \Lambda) = \Lambda$ langsung dari sifat Poisson, tanpa perlu menghitung distribusi joint.

---

Soal C — Challenging

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

$$f_{X,Y}(x,y) = \begin{cases} \dfrac{1}{y} e^{-x/y} e^{-y} & x > 0,\; y > 0 \\ 0 & \text{lainnya} \end{cases}$$

(a) Tentukan $E[X \mid Y = y]$ dan $\text{Var}(X \mid Y = y)$. (b) Hitung $E[X]$ menggunakan Hukum Ekspektasi Total. (c) Hitung $\text{Var}(X)$ menggunakan Hukum Variansi Total.

✓Solusi Soal C›

1. Identifikasi Variabel

• Support joint: $x > 0$, $y > 0$ (rectangular semi-infinite).
• Strategi: identifikasi distribusi bersyarat $X \mid Y = y$ dari bentuk fungsional PDF joint terhadap $x$.

2. Identifikasi Distribusi / Model

PDF Marginal $f_Y(y)$: $f_Y(y) = \int_0^{\infty} \frac{1}{y} e^{-x/y} e^{-y}\, dx = \frac{e^{-y}}{y} \int_0^{\infty} e^{-x/y}\, dx = \frac{e^{-y}}{y} \cdot y = e^{-y}, \quad y > 0$

Jadi $Y \sim \text{Exp}(1)$ (parameter laju 1), dengan $E[Y] = 1$ dan $\text{Var}(Y) = 1$.

PDF Bersyarat $f_{X|Y}(x \mid y)$: $f_{X|Y}(x \mid y) = \frac{f_{X,Y}(x,y)}{f_Y(y)} = \frac{\frac{1}{y} e^{-x/y} e^{-y}}{e^{-y}} = \frac{1}{y} e^{-x/y}, \quad x > 0$

Ini adalah PDF distribusi $\text{Exp}(1/y)$ (laju $1/y$, atau skala $y$): $X \mid Y = y \sim \text{Exp}(1/y)$.

3. Setup Persamaan

Sifat distribusi Eksponensial: jika $X \mid Y=y \sim \text{Exp}(1/y)$ (laju $1/y$, skala $y$), maka: $E[X \mid Y=y] = y \qquad \text{dan} \qquad \text{Var}(X \mid Y=y) = y^2$

Sebagai variabel acak (fungsi dari $Y$): $E[X \mid Y] = Y \qquad \text{dan} \qquad \text{Var}(X \mid Y) = Y^2$

4. Eksekusi Aljabar

(a) Dari sifat Eksponensial di atas: $E[X \mid Y = y] = y, \qquad \text{Var}(X \mid Y = y) = y^2$

(b) Hukum Ekspektasi Total: $E[X] = E[E[X \mid Y]] = E[Y] = 1$

karena $Y \sim \text{Exp}(1)$ memiliki $E[Y] = 1$.

(c) Hukum Variansi Total:

Komponen Within: $E[\text{Var}(X \mid Y)] = E[Y^2] = \text{Var}(Y) + (E[Y])^2 = 1 + 1^2 = 2$

Komponen Between: $\text{Var}(E[X \mid Y]) = \text{Var}(Y) = 1$

Total: $\text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y]) = 2 + 1 = 3$

5. Verification

Verifikasi $E[X]$ langsung dari marginal $f_X(x)$:

Hitung $E[X]$ secara langsung dari joint: $E[X] = \int_0^{\infty}\int_0^{\infty} x \cdot \frac{1}{y} e^{-x/y} e^{-y}\,dx\,dy$.

Integrasi dalam (terhadap $x$): $\int_0^{\infty} x \cdot \frac{1}{y} e^{-x/y}\,dx = E[X \mid Y=y] = y$.

Integrasi luar: $\int_0^{\infty} y \cdot e^{-y}\,dy = E[Y] = 1$ ✓ (konsisten dengan Hukum Ekspektasi Total)

Cek komponen within: $E[\text{Var}(X \mid Y)] = E[Y^2]$. Untuk $Y \sim \text{Exp}(1)$: $E[Y^2] = \text{Var}(Y) + (E[Y])^2 = 1 + 1 = 2$ ✓

Cek komponen between: $\text{Var}(E[X \mid Y]) = \text{Var}(Y) = 1$ karena $E[X \mid Y] = Y$ dan $Y \sim \text{Exp}(1)$ ✓

Sanity check: $\text{Var}(X) = 3 > \text{Var}(X \mid Y=y) = y^2$ untuk $y < \sqrt{3}$ — variansi total memang lebih besar dari variansi dalam kondisi yang “tipikal” (karena ada komponen between). ✓

▲Exam Tips — Soal C›

• Target waktu: 12–15 menit.
• Strategi kunci: Identifikasi distribusi bersyarat $X \mid Y=y$ dari bentuk $f_{X,Y}$ terhadap $x$ (perlakukan $y$ sebagai konstanta). Di sini, $\frac{1}{y}e^{-x/y}$ langsung teridentifikasi sebagai kernel Eksponensial dengan skala $y$. Identifikasi ini menghindarkan integrasi manual.
• Common trap — parametrisasi Eksponensial: Pastikan konsisten antara parametrisasi laju ($\lambda$: mean $= 1/\lambda$, variansi $= 1/\lambda^2$) dan parametrisasi skala ($\theta = 1/\lambda$: mean $= \theta$, variansi $= \theta^2$). Di soal ini, skala $= y$, sehingga mean $= y$ dan variansi $= y^2$.
• Common trap — $E[Y^2]$ vs $(E[Y])^2$: Komponen within membutuhkan $E[Y^2]$, bukan $(E[Y])^2$. Gunakan $E[Y^2] = \text{Var}(Y) + (E[Y])^2$ — jangan asumsikan $E[Y^2] = (E[Y])^2$.

Section 5 — Verifikasi & Sanity Check

✓Verifikasi Hukum Ekspektasi Total›

• $E[X]$ dari Hukum Ekspektasi Total harus sama dengan $E[X]$ yang dihitung langsung dari distribusi marginal $f_X(x)$ (jika marginal bisa dihitung).
• Cek sederhana: $E[X]$ harus berada di antara $\min_y E[X \mid Y=y]$ dan $\max_y E[X \mid Y=y]$ — mean total tidak boleh keluar dari rentang mean bersyarat.

✓Verifikasi Hukum Variansi Total›

• Kedua komponen harus non-negatif: $E[\text{Var}(X \mid Y)] \geq 0$ dan $\text{Var}(E[X \mid Y]) \geq 0$.
• Akibatnya: $\text{Var}(X) \geq E[\text{Var}(X \mid Y)]$ — variansi total selalu $\geq$ rata-rata variansi bersyarat.
• Jika $X$ dan $Y$ independen: $\text{Var}(E[X \mid Y]) = \text{Var}(E[X]) = 0$ (karena $E[X \mid Y] = E[X]$ adalah konstanta), sehingga $\text{Var}(X) = E[\text{Var}(X \mid Y)]$ — variansi total = rata-rata variansi bersyarat.

✓Cek Kasus Khusus›

• Jika $E[X \mid Y=y] = a + by$ (linear dalam $y$), maka $E[X] = a + b\,E[Y]$ dan $\text{Var}(E[X \mid Y]) = b^2\,\text{Var}(Y)$ — dapat diturunkan langsung dari sifat ekspektasi dan variansi transformasi linear.
• Jika $\text{Var}(X \mid Y=y) = \sigma^2$ konstan (tidak bergantung $y$), maka komponen within $= \sigma^2$ dan komponen between $= \text{Var}(E[X \mid Y])$.

Metode Alternatif

Menghitung $E[X]$ langsung dari joint tanpa Hukum Ekspektasi Total:

$E[X] = \int\!\!\int x\, f_{X,Y}(x,y)\,dx\,dy$

Ini setara, tetapi seringkali lebih panjang. Hukum Ekspektasi Total lebih efisien ketika distribusi bersyarat mudah diidentifikasi.

Menghitung $\text{Var}(X)$ dari definisi:

$\text{Var}(X) = E[X^2] - (E[X])^2$

di mana $E[X^2] = E[E[X^2 \mid Y]]$ (dari Hukum Ekspektasi Total diterapkan pada $X^2$). Ini ekuivalen dengan Hukum Variansi Total tetapi membutuhkan perhitungan $E[X^2 \mid Y=y]$ secara eksplisit.

Rumus praktis untuk soal distribusi majemuk standar:

Jika $N \mid \Lambda \sim \text{Poisson}(\Lambda)$: $E[N] = E[\Lambda], \qquad \text{Var}(N) = E[\Lambda] + \text{Var}(\Lambda)$

Jika $X \mid \Theta \sim N(\Theta, \sigma^2)$ dengan $\sigma^2$ konstan: $E[X] = E[\Theta], \qquad \text{Var}(X) = \sigma^2 + \text{Var}(\Theta)$

Section 6 — Visualisasi Mental

Bayangkan populasi yang terbagi dalam sub-kelompok berdasarkan $Y$: Setiap sub-kelompok $Y = y$ memiliki distribusi $X$ sendiri — dengan mean $E[X \mid Y=y]$ dan variansi $\text{Var}(X \mid Y=y)$. Hukum Ekspektasi Total mengatakan: untuk mendapat mean populasi total, rata-ratakan mean tiap sub-kelompok, dibobot oleh ukuran sub-kelompok (yaitu $f_Y(y)$). Ini persis seperti menghitung rata-rata keseluruhan dari rata-rata grup dalam statistika deskriptif.

Visualisasi dekomposisi variansi — diagram batang bertumpuk: Bayangkan batang vertikal dengan tinggi $\text{Var}(X)$. Batang ini terbagi menjadi dua segmen: segmen bawah dengan tinggi $E[\text{Var}(X \mid Y)]$ (komponen within — “noise dalam grup”) dan segmen atas dengan tinggi $\text{Var}(E[X \mid Y])$ (komponen between — “variasi antar grup”). Semakin informatif $Y$ dalam menjelaskan $X$, semakin besar segmen atas relatif terhadap total — artinya sebagian besar variansi $X$ dapat “dijelaskan” oleh $Y$.

Analogi ANOVA: Dalam analisis ragam satu arah, dekomposisi variansi Total = Within + Between adalah fondasi dari uji-F. Hukum Variansi Total adalah versi probabilistik dari dekomposisi yang sama: $\text{SS}_{\text{Total}} = \text{SS}_{\text{Within}} + \text{SS}_{\text{Between}}$.

Hubungan Visual ↔ Rumus

Mean total = rata-rata tertimbang mean sub-kelompok: $E[X] = \int \underbrace{E[X \mid Y=y]}_{\text{mean sub-kelompok}} \cdot \underbrace{f_Y(y)}_{\text{bobot (ukuran sub-kelompok)}}\, dy$

Dekomposisi variansi — dua sumber ketidakpastian: $\text{Var}(X) = \underbrace{E[\text{Var}(X \mid Y)]}_{\substack{\text{rata-rata "spread"} \\ \text{dalam tiap sub-kelompok}}} + \underbrace{\text{Var}(E[X \mid Y])}_{\substack{\text{"spread" dari} \\ \text{mean antar sub-kelompok}}}$

Ketika $Y$ sangat informatif tentang $X$ (korelasi kuat): komponen between $\uparrow$, komponen within $\downarrow$ relatif terhadap total.

Ketika $X \perp Y$: komponen between $= 0$, $\text{Var}(X) = E[\text{Var}(X \mid Y)] = \text{Var}(X)$ (trivially consistent).

Section 7 — Jebakan Umum

⬡Kesalahan Parametrisasi›

Kesalahan Struktur Operator pada Hukum Variansi Total:

Salah: $\text{Var}(X) = \text{Var}(\text{Var}(X \mid Y)) + E(E[X \mid Y])^2$

Benar: $\text{Var}(X) = E[\text{Var}(X \mid Y)] + \text{Var}(E[X \mid Y])$

Mnemonic: “EVE’s Law” — Expectation of Variance + Variance of Expectation. Urutan operator: komponen pertama adalah $E[\text{Var}(\cdot)]$, komponen kedua adalah $\text{Var}(E[\cdot])$ — bukan sebaliknya, bukan campuran.

⬡Kesalahan Konseptual›

1. Mengira $\text{Var}(E[X \mid Y]) = 0$ karena ”$E[X \mid Y]$ adalah nilai yang diharapkan”. Ini salah — $E[X \mid Y]$ adalah variabel acak (fungsi dari $Y$ yang acak), bukan konstanta. Ia memiliki variansi yang tidak nol kecuali $E[X \mid Y]$ konstan hampir pasti.
2. Menghitung $E[\text{Var}(X \mid Y)]$ sebagai $\text{Var}(X \mid E[Y])$. Ini adalah kesalahan Jensen — $E[\text{Var}(X \mid Y)] \neq \text{Var}(X \mid E[Y])$ karena variansi bersyarat adalah fungsi non-linear dari $Y$ umumnya.
3. Mengabaikan komponen between ketika mean bersyarat “tampak mendekati” mean marginal. Komponen between bisa kecil tetapi tidak nol — selalu hitung kedua komponen secara eksplisit.
4. Mengira Hukum Variansi Total hanya berlaku untuk $Y$ diskrit. Kedua hukum berlaku untuk $Y$ diskrit, kontinu, maupun campuran — perbedaannya hanya pada cara menghitung ekspektasi terhadap $Y$ (penjumlahan vs integrasi).

⬡Kesalahan Interpretasi Soal›

• “Hitung $\text{Var}(X)$” ketika distribusi joint diberikan → pertimbangkan apakah kondisioning pada salah satu variabel memudahkan perhitungan sebelum mencoba menghitung variansi marginal langsung.
• “Bersyarat pada $\Lambda$, distribusi $N$ adalah Poisson($\Lambda$)” → segera kenali $E[N \mid \Lambda] = \Lambda$ dan $\text{Var}(N \mid \Lambda) = \Lambda$; jangan hitung ulang dari PMF Poisson.
• Soal menyebut “distribusi campuran” atau “model hierarkis” → ini adalah sinyal kuat untuk menggunakan Hukum Ekspektasi Total dan Variansi Total dengan kondisioning pada parameter acak.
• “Hitung $E[E[X \mid Y]]$” → ini sama dengan $E[X]$ — gunakan Hukum Ekspektasi Total langsung; tidak perlu menghitung distribusi $E[X \mid Y]$ secara eksplisit.

▲Red Flags›

• Soal memberikan $E[X \mid Y=y]$ dan $\text{Var}(X \mid Y=y)$ secara eksplisit tanpa meminta distribusi joint → sinyal langsung untuk menerapkan kedua hukum; tidak ada informasi tambahan yang diperlukan.
• Soal menyebut distribusi Poisson dengan parameter acak → pola $E[N] = E[\Lambda]$ dan $\text{Var}(N) = E[\Lambda] + \text{Var}(\Lambda)$ hampir pasti yang diuji.
• Soal menyebut distribusi Normal dengan mean acak → pola $E[X] = E[\mu]$ dan $\text{Var}(X) = \sigma^2 + \text{Var}(\mu)$ hampir pasti yang diuji.
• Kata kunci “total variance”, “within-group”, “between-group”, “unexplained variation” → Hukum Variansi Total dan interpretasi kedua komponennya sedang diuji.
• Soal menanyakan $\text{Var}(X)$ ketika $X$ didefinisikan melalui proses dua tahap (misalnya: pertama pilih $Y$, lalu tentukan $X$ berdasarkan $Y$) → selalu kondisikan pada $Y$ dan terapkan Hukum Variansi Total.

Section 8 — Ringkasan Eksekutif

≡Must-Remember›

1. $E[X \mid Y]$ adalah variabel acak — fungsi dari $Y$; perlakukan seperti variabel acak biasa saat mengambil ekspektasi atau variansi darinya.
2. Hukum Ekspektasi Total (Tower Property): $E[X] = E\!\left[E[X \mid Y]\right]$
3. Hukum Variansi Total (Eve’s Law) — hafal urutan EVE: $\text{Var}(X) = \underbrace{E[\text{Var}(X \mid Y)]}_{\text{within}} + \underbrace{\text{Var}(E[X \mid Y])}_{\text{between}}$
4. Pola Poisson-campuran — wajib hafal: $N \mid \Lambda \sim \text{Poisson}(\Lambda) \implies E[N] = E[\Lambda],\quad \text{Var}(N) = E[\Lambda] + \text{Var}(\Lambda)$
5. Komponen between via rumus variansi: $\text{Var}(E[X \mid Y]) = E\!\left[\bigl(E[X \mid Y]\bigr)^2\right] - \bigl(E[X]\bigr)^2$

Kapan Digunakan

• Trigger keywords: “hitung $E[X]$ melalui kondisioning”, “hukum ekspektasi total”, “total variance”, “dekomposisi variansi”, “distribusi campuran”, “model hierarkis”, “parameter acak”, “bersyarat pada $Y$, distribusi $X$ adalah…”.
• Tipe skenario soal:
  • Diberikan momen bersyarat ($E[X \mid Y=y]$ dan $\text{Var}(X \mid Y=y)$) dan distribusi $Y$; hitung $E[X]$ dan $\text{Var}(X)$.
  • Distribusi campuran: bersyarat pada parameter acak $\Lambda$, $X$ terdistribusi Poisson, Gamma, Normal, dll.; hitung momen marginal $X$.
  • Diberikan PDF/PMF joint; identifikasi distribusi bersyarat, lalu gunakan kedua hukum untuk menghitung momen marginal.
  • Interpretasikan komponen within vs between dalam konteks risiko aktuaria.

Kapan TIDAK Boleh Digunakan

• Jika distribusi marginal $f_X(x)$ sudah diketahui secara eksplisit dan sederhana: Hitung $E[X]$ dan $\text{Var}(X)$ langsung dari marginal — tidak perlu kondisioning.
• Jika soal hanya menanyakan $E[X \mid Y=y]$ atau $\text{Var}(X \mid Y=y)$ untuk nilai $y$ spesifik: Ini adalah perhitungan momen bersyarat biasa dari 3.3 Distribusi Bersyarat (Conditional Distribution), bukan penerapan kedua hukum.
• Jika $X$ dan $Y$ independen: $\text{Var}(E[X \mid Y]) = 0$ dan $E[\text{Var}(X \mid Y)] = \text{Var}(X)$, sehingga Hukum Variansi Total hanya menghasilkan tautologi — tidak ada informasi baru yang diperoleh dari kondisioning.

Quick Decision Tree

graph TD
    A["Soal melibatkan X dengan kondisi pada Y"] --> B["Apa yang diminta?"]
    B --> C["E[X] marginal"]
    B --> D["Var(X) marginal"]
    B --> E["Interpretasi dekomposisi variansi"]
    C --> F["Hukum Ekspektasi Total:<br>E[X] = E[E[X|Y]]"]
    F --> G["Identifikasi E[X|Y=y] sebagai fungsi y<br>lalu ambil ekspektasi terhadap Y"]
    D --> H["Hukum Variansi Total (EVE):<br>Var(X) = E[Var(X|Y)] + Var(E[X|Y])"]
    H --> I["Hitung komponen WITHIN:<br>E[Var(X|Y)] = integral Var(X|Y=y) f_Y(y) dy"]
    H --> J["Hitung komponen BETWEEN:<br>Var(E[X|Y]) = E[(E[X|Y])^2] - (E[X])^2"]
    E --> K["Within = variabilitas tidak bisa direduksi<br>Between = variabilitas yang dijelaskan oleh Y"]
    G --> L["Apakah distribusi bersyarat dikenal?<br>(Poisson, Normal, Gamma, Exp, ...)"]
    L -->|"Ya"| M["Gunakan rumus momen<br>distribusi tersebut langsung"]
    L -->|"Tidak"| N["Hitung via integrasi LOTUS bersyarat:<br>integral x f_X|Y(x|y) dx"]

---

❝Follow-up Options›

1. “Berikan contoh soal distribusi campuran Gamma-Poisson (distribusi Binomial Negatif) menggunakan Hukum Variansi Total”
2. “Jelaskan hubungan 3.4 Nilai Harapan dan Variansi Bersyarat dengan 3.7 Distribusi Majemuk (Compound Distribution) dalam konteks pemodelan klaim agregat”
3. “Buat flashcard 1-halaman untuk topik ini”

📖 Ref: Hogg-McKean-Craig (2019) Bab 2.1–2.4; Miller et al. (2014) Bab 3.5–3.8, 4.6–4.9, 5.8–5.10 | 🗓️ 2026-02-21 | #CF2 #Multivariat #NilaiHarapanBersyarat #VariansiBersyarat #LawOfTotalExpectation #LawOfTotalVariance #EVE