Anda di halaman 1dari 8

Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed

4.3 Konvergen dalam Distribusi


Pada Subbab 4.2 telah dibahas konsep konvergen dalam peluang yang dapat digunakan
untuk memeriksa kedekatan estimator dengan parameter yang diestimasinya. Pada sub-
bab ini dibahas jenis kekonvergenan lainnya, yaitu konvergen dalam distribusi. Materi
ini merupakan konsep dasar yang perlu dipelajari untuk pembahasan Teorema Limit dan
pembahasan distribusi asimtotik serta selang kepercayaan suatu estimator.
Denisi 1 (Konvergen dalam distribusi) Misal {X
n
} barisan variabel acak dengan
cdf masing-masing F
Xn
, dan X suatu variabel acak dengan cdf F
X
. Barisan variabel acak
{X
n
} dikatakan konvergen dalam distribusi ke X, dinotasikan
X
n
d
X
jika
lim
n
F
Xn
(x) = F
X
(x),
untuk setiap x C(F(x)), dengan C(F(x)) menyatakan himpunan semua titik sehingga
F
X
kontinu.
Pada Denisi 1, distribusi dari X yang dinyatakan dalam cdf F(x), disebut distribusi
asimtotik atau distribusi limit dari barisan {X
n
}.
Sebagai contoh, pernyataan
X
n
d
X dengan X berdistribusi normal standar
atau secara singkat,
X
n
d
N(0, 1)
dapat dibaca sebagai X
n
mempunyai distribusi asimtotik normal standar.
Contoh 4.3.1. Misal X
n
mempunyai cdf
F
n
( x) =
_
x

1
_
1/n

2
e
nw
2
/2
dw.
Jika dimisalkan v =

nw maka
F
n
( x) =
_

n x

2
e
v
2
/2
dv
sehingga
lim
n
F
n
( x) =
_
_
_
0, x < 0
1/2, x = 0
1, x > 0
1
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Denisikan fungsi
F( x) =
_
0, x < 0
1, x 0
maka
lim
n
F
n
( x) = F( x)
untuk setiap titik x sedemikian sehingga F( x) kontinu. Artinya, ketika F tidak kontinu
di x = 0, F
n
(0) tidak harus konvergen ke F(0). Jadi, yang diperhatikan hanya titik-titik
sedemikian sehingga F kontinu. Berdasarkan hasil ini, maka barisan X
1
, X
2
, X
3
, . . .
konvergen ke variabel acak yang berdistribusi degenerate di x = 0.
Contoh 4.3.2. Misal X
1
, . . . , X
n
sampel acak dari distribusi U(0, ). Misalkan Y
n
=
max{X
1
, . . . , X
n
}, dan Z
n
= n( Y
n
).
(a). Tentukan cdf dari Y
n
.
(b). Tunjukkan Z
n
konvergen dalam distribusi dan tentukan distribusi asimtotiknya.
Penyelesaian.
(a). Diketahui Y
n
= max{X
1
, . . . , X
n
} maka D
Yn
= {y ; 0 < y }. Misal diambil
y (0, ]. Fungsi distribusi (cdf ) dari Y
n
adalah
F
Yn
(y) = P(Y
n
y) = P(max{X
1
, . . . , X
n
} y)
= P(X
1
y, . . . , X
n
y)
= [P(X y)]
n
(karena X
1
, . . . , X
n
independen)
= [F
X
1
(y)]
n
Karena X
1
berdistribusi U(0, ), maka
F
X
1
(y) = P(X
1
< y) =
_
y
0
1

dx =
y

,
sehingga untuk 0 < y ,
P(Y
n
y) = [F
X
1
(y)]
n
=
_
y

_
n
.
Jadi cdf dari Y
n
adalah
F
Yn
(y) =
_
_
_
0, y < 0
(
y

)
n
, 0 < y
1, y
(b). Diketahui Z
n
= n(Y
n
), maka D
Zn
= {z ; 0 < z n}. Misal diambil z (0, n].
Karena Z
n
= n( Y
n
) ekivalen dengan Y
n
= Z
n
/, maka fungsi distribusi dari
2
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Z
n
adalah
F
Zn
(z) = P(Z
n
z) = P[Y
n
(z/n)]
= 1 P(Y
n
(z/n))
= 1
_
(z/n)

_
n
= 1
_
1
z/
n
_
n
dan
lim
n
F
Zn
(z) = 1 e
z/
sehingga
Z
n
d
Z.
Berikut akan ditunjukkan Z berdistribusi eksponensial dengan parameter 1/.
Misal Z berdistribusi eksponensial dengan parameter 1/, maka pdf dari Z,
f(z) =
1

e
z/
, z > 0
dan 0 untuk z lainnya, sehingga cdf dari Z
F
Z
(z) =
_
z
0
1

e
x/
dx = 1 e
z/
, z > 0
dan 0 untuk z lainnya.
Jadi, distribusi asimtotik dari Z
n
adalah distribusi eksponensial dengan parameter
1/.
Hubungan konvergen dalam distribusi dan konvergen dalam peluang dinyatakan dalam
sifat-sifat berikut:
(a). Jika X
n
p
X maka X
n
d
X. Pernyataan sebaliknya belum tentu benar dan
berlaku benar hanya jika X degenerate.
(b). Jika b suatu konstanta dan X
n
d
b maka X
n
p
b.
(c). Jika X
n
d
X dan Y
n
d
0, maka X
n
+Y
n
d
X.
(d). Jika X
n
d
X dan g fungsi yang kontinu pada support dari X maka
g(X
n
)
d
g(X).
(e). (Teorema Slutsky). Misal X
n
, X, A
n
, B
n
, variabel-variabel acak. Misalkan pula a
dan b konstanta. Jika X
n
d
X, A
n
p
a, dan B
n
d
b maka A
n
+ B
n
X
n
d

a +bX.
3
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Teknik Fungsi Pembangkit Momen. Selain menggunakan cdf, distribusi asimtotik
suatu barisan variabel acak yang konvegen dalam distribusi, juga dapat dicari menggu-
nakan teknik fungsi pembangkit momen (teknik mgf ).
Teorema 2 Misal {X
n
} barisan variabel acak dengan mgf M
Xn
(t) yang ada untuk h <
t < h dan untuk setiap n. Misalkan pula X variabel acak dengan mgf M(t) yang ada untuk
|t| < h
1
< h untuk setiap n. Jika
lim
n
M
Xn
(t) = M(t)
maka
X
n
d
X.
Berikut aturan limit di Kalkulus yang berguna dalam penentuan distribusi asimtotik
berdasarkan Teorema 2:
Jika diberikan bentuk limit berikut
lim
n
_
1 +
b
n
+
(n)
n
_
cn
,
dengan b dan c tidak bergantung pada n dan lim
n
(n) = 0, maka
lim
n
_
1 +
b
n
+
(n)
n
_
cn
= lim
n
_
1 +
b
n
_
cn
= e
bc
(1)
Sebagai contoh, untuk menghitung
lim
n
_
1 +
t
2
n
+
t
3
n
3/2
_
n/2
= lim
n
_
1
t
2
n
+
t
2
/

n
n
_
n/2
dapat dimisalkan b = t
2
, c =
1
2
, dan (n) = t
2
/

n sehingga lim
n
t
2
/

n = 0 dan
lim
n
_
1 +
t
2
n
+
t
3
n
3/2
_
n/2
= e
t
2
/2
.
Contoh 4.3.3. Misal Y
n
berdistribusi B(n, p) dan untuk setiap n mean dari Y
n
adalah
sama yaitu = np. Akan ditentukan distribusi asimtotik dari distribusi binomial dengan
p = /n, dengan cara mencari limit dari mgf
M(t; n) = E[e
tYn
] =
_
(1 p) +pe
t

n
=
_
1 +
(e
t
1)
n
_
n
, < t <
Dengan memisalkan b = (e
t
1), c = 1 dan (n) = 0, maka dari persamaan (1) dapat
diperoleh
lim
n
M(t; n) = e
(e
t
1)
, < t < ,
4
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
yang tidak lain merupakan bentuk mgf dari distribusi Poisson dengan parameter .
Dengan demikian, dapat disimpulkan bahwa untuk n , distribusi B(n, p) dapat
diaproksimasi oleh distribusi Poisson dengan parameter = np.
Sebagai ilustrasi, jika Y berdistribusi B(n, p) dengan n = 50 dan p =
1
25
maka
P(Y 1) =
_
24
25
_
50
+ 50
_
1
25
__
24
25
_
49
= 0, 400
Peluang tersebut juga dapat dihitung melalui aproksimasi distribusi Poisson yaitu dengan
memisalkan = np = 2, sehingga
P(Y 1) = e
2
+ 2e
2
= 0, 406.
Contoh 4.3.4. Misal Z
n
berdistribusi
2
(n). Akan ditunjukkan bahwa distribusi limit
dari Y
n
= (Z
n
n)/

2n adalah N(0, 1).


Diketahui Y
n
= (Z
n
n)/

2n, maka mgf dari Y


n
M(t; n) = E[e
tYn
] = E
_
exp
_
t
_
Z
n
n

2n
___
= e
tn/

2n
E[e
tZn/

2n
]
= exp
_

_
t
_
2
n
_
_
n
2
_
_
_
1 2
t

2n
_
n/2
, t <

2n
2
.
Bentuk mgf ini juga dapat ditulis sebagai
M(t; n) =
_
e
t

2/n
t
_
2
n
e
t

2/n
_
n/2
, t <

2n
2
.
Menurut rumus Taylor, terdapat bilangan (n), antara 0 dan t
_
2/n, sehingga
e
t

2/n
= 1 +t
_
2
n
+
1
2
_
t
_
2
n
_
2
+
e
(n)
6
_
t
_
2
n
_
3
.
Akibatnya,
M(t; n) =
_
1
t
2
n
+
(n)
n
_
n/2
,
dengan
(n) =

2t
3
e
(n)
3

2t
3

n

2t
4
e
(n)
3n
.
Karena (n) 0 ketika n , maka lim
n
(n) = 0 untuk setiap nilai t.
Dari persamaan (1) dapat diperoleh
lim
n
M(t; n) = e
t
2
/2
, < t < .
5
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Karena bentuk pada ruas kanan merupakan mgf dari distribusi normal standar, maka
dapat disimpulkan bahwa distribusi asimtotik dari Y
n
= (Z
n
n)/

2n adalah normal
standar.
Latihan
Soal No.1-11, 18, 19 (Hogg, dkk., hal 218-220).
4.4 Teorema Limit Pusat
Pada Subbab 3.4 telah dibahas bahwa jika X
1
, X
2
, . . . , X
n
sampel acak dari distribusi
N(,
2
) maka variabel acak (X
n
)/(/

n) berdistribusi N(0, 1). Permasalahannya


bagaimana perilaku variabel acak tersebut jika distribusi asalnya sembarang? Jawaban-
nya dapat ditemukan pada teorema limit pusat.
Teorema 3 (Teorema Limit Pusat) Misal X
1
, X
2
, . . . , X
n
sampel acak dari suatu dis-
tribusi dengan mean dan variansi
2
, maka variabel acak
Y
n
=
X
n

n
d
N(0, 1)
Bukti. Pembuktian dengan teknik mgf memerlukan asumsi tambahan, yaitu mgf M(t) =
E[e
tX
] ada untuk h < t < h. Dengan asumsi ini, maka fungsi
m(t) = E[e
t(X)
] = e
t
M(t)
juga ada untuk h < t < h. Karena m(t) mgf untuk X , maka m(0) = 1, m

(0) =
E[X ] = 0, dan m

(0) = E[(X )
2
] =
2
.
Menurut rumus Taylor, terdapat bilangan antara 0 dan t sehingga
m(t) = m(0) +m

(0)t +
m

()t
2
2
= 1 +
m

()t
2
2
Melalui manipulasi
2
t
2
/2
2
t
2
/2 = 0, mgf m(t) dapat juga ditulis sebagai
m(t) = 1 +

2
t
2
2
+
m

()t
2
2


2
t
2
2
= 1 +

2
t
2
2
+
[m

()
2
]t
2
2
. (2)
6
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Berikut ini akan ditentukan mgf dari Y
n
:
Karena
Y
n
=
X
n

n
=

n
i=1
X
i
n

n
maka mgf dari Y
n
dapat ditulis
M(t; n) = E[e
tYn
] = E
_
exp
_
t

X
i
n

n
__
= E
_
exp
_
t
X
1

n
_
exp
_
t
X
2

n
_
exp
_
t
X
n

n
__
= E
_
exp
_
t
X
1

n
__
E
_
exp
_
t
X
n

n
__
=
_
E
_
exp
_
t
X

n
___
=
_
m
_
t

n
__
, h <
t

n
< h.
Dari persamaan (2) dapat diperoleh
m
_
t

n
_
= 1 +
t
2
2n
+
[m

()
2
]t
2
2n
2
,
dengan antara 0 dan t/

n dengan h

n < t < h

n. Akibatnya
M(t; n) =
_
1 +
t
2
2n
+
[m

()
2
]t
2
2n
2
_
n
Karena m

(t) kontinu di t = 0 dan karena 0 ketika n , maka


lim
n
[m

()
2
] = 0.
Dari persamaan (1) dapat diperoleh
lim
n
M(t; n) = e
t
2
/2
, < t <
yang tidak lain merupakan mgf dari distribusi normal standar. Jadi dapat disimpulkan
bahwa
Y
n
=
X
n

n
d
N(0, 1).
Dengan adanya teorema limit pusat maka distribusi rata-rata sampel X yang berasal
dari distribusi apapun dapat didekati (diaproksimasi) oleh distribusi normal. Berarti
perhitungan peluang atau penentuan selang kepercayaan dari X juga dapat didekati
oleh peluang distribusi normal.
7
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Contoh 4.4.1. Misal X rata-rata dari sampel acak berukuran n = 75 dari distribusi
uniform
f(x) =
_
1, 0 < x < 1
0, x lainnya.
Karena =
1
2
dan variansi
2
=
1
12
, maka
P(0, 45 < X < 0, 55) P
_
0, 45
/

n
< Z <
0, 55
/

n
_
= P(1.5 < Z < 1.5)
= P(Z < 1.5) P(Z < 1, 5)
= 0, 9332 (1 0, 9332)
= 0, 8664.
Contoh 4.4.2. Misal X
1
, X
2
, . . . , X
n
sampel acak dari distribusi B(1, p). Di sini = p
dan
2
= p(1 p). Telah diketahui di Subbab 3.1 bahwa jika Y
n
= X
1
+. . . +X
n
maka
Y
n
berdistribusi B(n, p). Karena
Y
n
np
_
np(1 p)
=

n
X
n
p
_
np(1 p)
=
X
n

n
konvergen dalam distribusi ke N(0, 1), maka Y
n
yang berdistribusi B(n, p) dapat didekati
oleh distribusi N(,
2
) dengan = np dan
2
= np(1p). Distribusi normal yang terjadi
hanya untuk sampel besar disebut distribusi normal asimtotik.
Contoh 4.4.3. Misal Y berdistribusi B(n, p) dengan n = 100 dan p =
1
2
. Karena
= np = 50 dan
2
= np(1 p) = 25 atau = 5, maka dari Contoh 4.4.2 dapat
dihitung
P(Y = 48, 49, 50, 51, 52) = P(47, 5 < Y < 52, 5)
P
_
47, 5 50
5
< Z <
52, 5 50
5
_
= P(0, 5 < Z < 0, 5) = 0, 382.
Di sini titik Y = 47, 5 dan Y = 52, 5 disebut angka koreksi kekontinuan.
Latihan
Soal No.1-12 (Hogg, dkk., hal 225-226).
8

Anda mungkin juga menyukai