Nunung Nurhayati

4.3

Teori Peluang (PAM 2231) - Unsoed 2014

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 subbab ini dibahas jenis kekonvergenan lainnya,
yaitu konvergen dalam distribusi. Materi ini merupakan konsep dasar
yang perlu dipelajari untuk pembahasan Teorema Limit Pusat dan pembahasan distribusi asimtotik serta selang kepercayaan suatu estimator.
Definisi 4.3.1 (Konvergen dalam distribusi). Misal {Xn } barisan variabel
acak dengan CDF masing-masing FXn , dan X suatu variabel acak dengan
CDF FX . Variabel acak Xn dikatakan konvergen dalam distribusi ke X,
dinotasikan
D
Xn X
jika
lim FXn (x) = FX (x),

untuk setiap x C(F (x)), dengan C(F (x)) menyatakan himpunan semua
titik sehingga FX kontinu.
Pada Definisi 4.3.1, distribusi dari X yang dinyatakan dalam CDF F (x),
disebut distribusi asimtotik atau distribusi limit dari barisan {Xn }.
Sebagai contoh, pernyataan Xn yang berdistribusi asimtotik normal
standar dapat ditulis
D

Xn X,
atau

dengan

X N (0, 1),

Xn N (0, 1).
Pada konvergen dalam peluang, ketika n membesar yang diperhatikan
adalah peluang dari peristiwa Xn berada di luar interval (X , X + ),
sedangkan pada konvergen dalam distribusi, yang diperhatikan adalah
perilaku barisan CDF dari FXn apakah menuju suatu CDF tertentu atau
tidak.
Berikut ini adalah contoh variabel acak Xn yang konvergen dalam distribusi
tetapi tidak konvergen dalam peluang.
Contoh 4.3.1.

Misal X variabel acak kontinu dengan PDF fX (x) yang

175

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

simetri di sekitar x = 0, sehingga f (x) = f (x). Dengan demikian, PDF

variabel acak X mempunyai bentuk yang sama yaitu fX (x). Jadi meskipun
berlawanan, X dan X mempunyai distribusi yang sama. Sekarang, definisikan barisan variabel acak Xn sebagai

X,
jika n ganjil
Xn =
X, jika n genap
D

Jelas CDF FXn = FX (x) untuk setiap x SX , sehingga Xn X. Di

lain fihak, Xn tidak dekat dengan X dalam arti Xn tidak konvergen dalam
peluang ke X. 
Berikut ini adalah contoh bagaimana menentukan distribusi asimtotik dari
suatu variabel acak.
Misal X n mempunyai CDF
Z x
1
2
p
enw /2 dw.
Fn (
x) =
1/n 2

Jika dimisalkan v = nw maka

Contoh 4.3.2.

Fn (
x) =

n
x

1
2
ev /2 dv
2

sehingga

Definisikan fungsi

x
<0
0,
1/2, x
=0
lim Fn (
x) =
n

1,
x
>0
F (
x) =

0, x
<0
1, x
0

maka
lim Fn (
x) = F (
x)

untuk setiap titik x

sedemikian sehingga F (
x) kontinu. Artinya, ketika F
tidak kontinu di x = 0, Fn (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 dalam distribusi ke
variabel acak yang berdistribusi degenerate di x
= 0. 
Contoh 4.3.3.

Misal X1 , . . . , Xn sampel acak dari distribusi U (0, ). Jika

176

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

Yn = max{X1 , . . . , Xn }, dan Zn = n( Yn ),
(a). tentukan CDF dari Yn ;
(b). tunjukkan Zn konvergen dalam distribusi dan tentukan distribusi
asimtotiknya.
Penyelesaian.
(a). Diketahui Yn = max{X1 , . . . , Xn } maka DYn = {y ; 0 < y }. Misal
diambil y (0, ]. Fungsi distribusi (CDF) dari Yn adalah
FYn (y) = P (Yn y) = P (max{X1 , . . . , Xn } y)
= P (X1 y, . . . , Xn y)

= [P (X y)]n

= [FX1 (y)]

(karena X1 , . . . , Xn independen)

Karena X1 berdistribusi U (0, ), maka

FX1 (y) = P (X1 < y) =

y
0

y
1
dx = ,

sehingga untuk 0 < y ,

P (Yn y) = [FX1 (y)]n =
Jadi CDF dari Yn adalah

 y n

0,
y<0

 y n
, 0<y
FYn (y) =

1,
y

(b). Diketahui Zn = n( Yn ), maka DZn = {z ; 0 < z n}. Misal

diambil z (0, n]. Karena Zn = n( Yn ) ekivalen dengan Yn =
Zn /, maka fungsi distribusi dari Zn adalah
FZn (z) = P (Zn z) = P [Yn (z/n)]

= 1 P (Yn (z/n))


(z/n) n
=1



z/n n
=1 1

dan
lim FZn (z) = 1 ez/

177

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

sehingga
d

Zn Z.
Berikut akan ditunjukkan Z berdistribusi eksponensial dengan
parameter .
Misal Z berdistribusi eksponensial dengan parameter , maka PDF
dari Z,
1
f (z) = ez/ , z > 0

dan 0 untuk z lainnya, sehingga CDF dari Z

Z z
1 x/
e
dx = 1 ez/ , z > 0
FZ (z) =

0
dan 0 untuk z lainnya.
Jadi, distribusi asimtotik dari Zn adalah distribusi eksponensial
dengan parameter . 
Hubungan konvergen dalam distribusi dan konvergen dalam peluang
dinyatakan dalam sifat-sifat berikut:
p

(a). Jika Xn X maka Xn X. Pernyataan sebaliknya belum tentu

benar dan berlaku benar hanya jika X degenerate. Karena itu,
konvergen dalam distribusi disebut juga konvergen lemah.
p

(b). Jika b suatu konstanta dan Xn b maka Xn b.

D

(c). Jika Xn X dan Yn 0, maka Xn + Yn X.

D

(d). Jika Xn X dan g fungsi yang kontinu pada support dari X maka
D

g(Xn ) g(X).
(e). (Teorema Slutsky).

Misal Xn , X, An , Bn , variabel-variabel acak.

D

Misalkan pula a dan b konstanta. Jika Xn X, An a, dan

D
D
Bn b maka An + Bn Xn a + bX.
Teknik Fungsi Pembangkit Momen.
Selain menggunakan CDF,
distribusi asimtotik suatu barisan variabel acak yang konvergen dalam
distribusi, juga dapat dicari menggunakan teknik fungsi pembangkit momen
(teknik MGF).
Teorema 4.3.1. Misal {Xn } barisan variabel acak dengan MGF MXn (t)
yang ada untuk h < t < h dan untuk setiap n. Misalkan pula X variabel
178

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

acak dengan MGF M (t) yang ada untuk |t| < h1 < h untuk setiap n. Jika
lim MXn (t) = M (t)

maka

Xn X.
Berikut aturan limit di Kalkulus yang berguna dalam penentuan distribusi
asimtotik berdasarkan Teorema 4.3.1:
Jika diberikan bentuk limit berikut


b
(n) cn
lim 1 + +
,
n
n
n
dengan b dan c tidak bergantung pada n dan limn (n) = 0, maka




b cn
(n) cn
b
lim 1 + +
= lim 1 +
= ebc
(4.3.1)
n
n
n
n
n
Sebagai contoh, untuk menghitung
lim

1+

t2
t2
+ 3/2
n
n

n/2

= lim

n/2
t2 t 2 / n
+
n
n

dapat dimisalkan b = t2 , c = 12 , dan (n) = t2 / n sehingga

limn t2 / n = 0 dan
lim

t2
t2
1 + + 3/2
n
n

n/2

= et

2 /2

Contoh 4.3.4. Misal Yn berdistribusi B(n, p) sehingga mean dari Yn

adalah = np. Akan ditentukan distribusi asimtotik dari distribusi binomial
dengan p = /n, dengan cara mencari limit dari MGF
n



(et 1)
t n
tYn
, < t <
= 1+
M (t; n) = E[e ] = (1 p) + pe
n

Dengan memisalkan b = (et 1), c = 1 dan (n) = 0, maka dari persamaan

(4.3.1) dapat diperoleh
lim M (t; n) = e(e

t 1)

< t < ,

yang tidak lain merupakan bentuk MGF dari distribusi Poisson dengan
179

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

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 =
maka
   49
 50
24
1
24
+ 50
= 0, 400
P (Y 1) =
25
25
25

1
25

Peluang tersebut juga dapat dihitung melalui aproksimasi distribusi Poisson

yaitu dengan memisalkan = np = 2, sehingga
P (Y 1) = e2 + 2e2 = 0, 406.

Contoh 4.3.5. Misal Zn berdistribusi

2 (n). Akan ditunjukkan bahwa

distribusi limit dari Yn = (Zn n)/ 2n adalah N (0, 1).

Diketahui Yn = (Zn n)/ 2n, maka MGF dari Yn



 
Zn n
tYn

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

2n

E[etZn / 2n ]
r !  # 
n/2
t
n
2
1 2
= exp t
,
n
2
2n
= etn/
"

2n

t<

2n
.
2

Bentuk MGF ini juga dapat ditulis sebagai

M (t; n) =

2/n

2 t2/n
e
n

!n/2

t<

2n
.
2

Menurut rumus Taylor, terdapat bilangan (n), antara 0 dan t

sehingga
et

2/n

=1+t

2 1
+
n 2

r !2
2
e(n)
+
t
n
6

r !3
2
.
t
n

Akibatnya,
M (t; n) =
dengan
(n) =

t2 (n)
1 +
n
n

n/2

3
2t3 e(n)
2t
2t4 e(n)

.

3n
3 n
n

180

2/n,

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

Karena (n) 0 ketika n , maka limn (n) = 0 untuk setiap nilai

t.
Dari persamaan (4.3.1) dapat diperoleh
lim M (t; n) = et

2 /2

< t < .

Karena bentuk pada ruas kanan merupakan MGF dari distribusi normal
standar,
maka dapat disimpulkan bahwa distribusi asimtotik dari Yn = (Zn
n)/ 2n adalah normal standar. 

Latihan
1. Diberikan X1 , . . . , Xn sampel acak berukuran n dari distribusi
N (, 2 ). Jika X n rata-rata sampel, tentukan distribusi limit dari X n .
2. Misal X1 , . . . , Xn sampel acak berukuran n dari distribusi dengan PDF
f (x) = e(x) , < x < , dan 0 untuk yang lainnya. Jika Y1 =
min(X1 , . . . , Xn ) dan Zn = n(Y1 ), tentukan distribusi limit dari
Zn .
3. Diberikan X1 , . . . , Xn sampel acak berukuran n dari distribusi kontinu
dengan CDF F (x) dan f (x) = F (x). Jika Yn = max(X1 , . . . , Xn ) dan
Zn = n[1 F (Yn )], tentukan distribusi limit dari Zn .
4. Misal X1 , . . . , Xn sampel acak berukuran n dari distribusi kontinu
dengan CDF F (x) dan f (x) = F (x). Jika Y2 variabel acak terkecil
kedua dari X1 , . . . , Xn dan Wn = nF (Y2 )], tentukan distribusi limit
dari Wn .
5. Misal PMF dari Yn adalah pn (y) = 1, untuk y = n dan 0 untuk y
lainnya. Tunjukkan Yn tidak mempunyai distribusi limit.
6. Diberikan X1 , . . . , Xn sampel acak berukuran n dari distribusi
N (, 2 ). Tunjukkan Zn = ni=1 Xi tidak mempunyai distribusi limit.
7. Misal Xn berdistribusi gamma dengan parameter = n dan suatu
konstanta yang bukan fungsi dari n. Jika Yn = Xn /n, tentukan
distribusi limit dari Yn .
8. Misal Zn 2 (n) dan Wn = Zn /n. Tentukan distribusi limit dari Wn .
9. Misal X 2 (50). Tentukan nilai aproksimasi untuk P (40 < X < 60).
181

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

10. Misal p = 0, 95 peluang seseorang balita akan bertahan hidup

sedikitnya 5 tahun lagi.
(a) Jika pengamatan secara independen dilakukan terhadap 60
balita, tentukan peluang yang bertahan hidup lima tahun atau
lebih, paling sedikit 56 balita.
(b) Tentukan nilai aproksimasi untuk soal (a) dengan menggunakan
distribusi Poisson. Petunjuk: Definisikan p = 0, 05 dan 1 p =
0, 95.
11. Misal Zn Poisson(.) Tunjukkan bahwa distribusi limit dari variabel

acak Yn = (Zn n)/ n adalah N (0, 1).

12. Misal X n rata-rata dari sampel acak berkuran n yang diambil dari
distribusi Poisson PDF dengan parameter = 1.

(a) Tunjukkan MGF dari Yn = n(X n )/ = n(X n 1) adalah

MYn (t) = exp[t n + n(et/ n 1)],

t<

(b) Tentukan distribusi limit dari Yn . Petunjuk : Nyatakan et/

dalam bentuk deret MacLaurin.

13. Misal X n rata-rata dari sampel acak berkuran n yang diambil dari
distribusi dengan PDF f (x) = ex , 0 < x < , dan 0 untuk yang
lainnya.

(a) Tunjukkan MGF dari Yn = n(X n 1) adalah

MYn (t) = [et/

(t/ n)et/ n ]n ,

t<

(b) Tentukan distribusi limit dari Yn .

14. Misal Y1 < Y2 < . . . < Yn statistik terurut dari sampel acak yang
diambil dari distribusi dengan PDF f (x) = ex , 0 < x < , dan 0
untuk yang lainnya. Tentukan distribusi limit dari Zn = (Yn ln n).
15. Misal Y1 < Y2 < . . . < Yn statistik terurut dari sampel acak yang
diambil dari distribusi dengan PDF f (x) = 5x4 , 0 < x < 1, dan 0
untuk yang lainnya. Tentukan p sehingga Zn = np Y1 konvergen dalam
distribusi.

182

Nunung Nurhayati

4.4

Teori Peluang (PAM 2231) - Unsoed 2014

Teorema Limit Pusat

Pada Subbab 3.4 telah dibahas bahwa jika X1 , X2 , . . . , Xn 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? Jawabannya dapat ditemukan pada teorema
limit pusat.
Teorema 4.4.1 (Teorema Limit Pusat). Misal X1 , X2 , . . . , Xn sampel
acak dari suatu distribusi dengan mean dan variansi 2 , maka variabel
acak
Xn d
N (0, 1)
Yn =
/ n
Bukti.
Pembuktian dengan teknik MGF memerlukan asumsi tambahan,
yaitu MGF M (t) = E[etX ] ada untuk h < t < h. Dengan asumsi ini, maka
fungsi
m(t) = E[et(X) ] = et 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 +
=1+

m ()t2
2

m ()t2
2

Melalui manipulasi 2 t2 /2 2 t2 /2 = 0, MGF m(t) dapat juga ditulis

sebagai
2 t2 m ()t2 2 t2
+

2
2
2

2
2
2
[m () ]t2
t
+
.
=1+
2
2

m(t) = 1 +

Berikut ini akan ditentukan MGF dari Yn :

Karena

Xn
=
Yn =
/ n

Pn

183

i
i=1 X

n
n

(4.4.1)

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

maka MGF dari Yn dapat ditulis


 P

Xi n
tYn

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

n







X2
Xn
X1
exp t
exp t
= E exp t
n
n
n






X1
Xn
= E exp t
E exp t
n
n
 


X
= E exp t
n
 

t
t

= m
, h < < h.
n
n
Dari persamaan (4.4.1) dapat diperoleh


t2
[m () 2 ]t2
t

=1+
,
+
m
2n
2n 2
n

dengan antara 0 dan t/ n dengan h n < t < h n. Akibatnya


n
t2
[m () 2 ]t2
M (t; n) = 1 +
+
2n
2n 2
Karena m (t) kontinu di t = 0 dan karena 0 ketika n , maka
lim [m () 2 ] = 0.

Dari persamaan (4.3.1) dapat diperoleh

lim M (t; n) = et

2 /2

< t <

yang tidak lain merupakan MGF dari distribusi normal standar. Jadi dapat
disimpulkan bahwa
Yn =

Xn d
N (0, 1).
/ n

Dengan adanya teorema limit pusat maka distribusi rata-rata sampel X yang
berasal dari distribusi apapun dapat didekati (diaproksimasi) oleh distribusi
normal yaitu N (, 2 /n). Berarti perhitungan peluang atau penentuan
selang kepercayaan dari X juga dapat didekati oleh peluang distribusi
normal.

184

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

Contoh 4.4.1. Misal X rata-rata dari sampel acak berukuran n = 75 dari

distribusi uniform

1, 0 < x < 1
f (x) =
0, x lainnya.
1
2

dan variansi 2 =

1
12 ,

maka


0, 45
0, 55

P (0, 45 < X < 0, 55) P

<Z<
/ n
/ n
= P (1.5 < Z < 1.5)

Karena =

= P (Z < 1.5) P (Z < 1, 5)

= 0, 9332 (1 0, 9332)
= 0, 8664.

Contoh 4.4.2. Misal X1 , X2 , . . . , Xn sampel acak dari distribusi B(1, p).

Di sini = p dan 2 = p(1 p). Telah diketahui di Subbab 3.1 bahwa jika
Yn = X1 + . . . + Xn maka Yn berdistribusi B(n, p). Karena

Xn p
Xn
Y np

p n
= np
=
/ n
np(1 p)
np(1 p)

konvergen dalam distribusi ke N (0, 1), maka Yn yang berdistribusi B(n, p)

dapat didekati oleh distribusi N (, 2 ) dengan = np dan 2 = np(1 p).
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 = 21 .
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)


47, 5 50
52, 5 50
P
<Z<
5
5
= P (0, 5 < Z < 0, 5) = 0, 382.
Di sini titik Y = 47, 5 dan Y = 52, 5 disebut angka koreksi kekontinuan.

Latihan 4.4
1. Misal X rata-rata sampel acak berukuran 100 dari distribusi 2 (50).
Hitung nilai hampiran untuk P (49 < X < 51).

185

Nunung Nurhayati

Teori Peluang (PAM 2231) - Unsoed 2014

2. Misal X rata-rata sampel acak berukuran 128 dari distribusi distribusi

gamma dengan = 2 dan = 4. Hitung nilai hampiran untuk P (7 <
X < 9).
3. Misal Y B(72, 13 ). Hitung nilai hampiran untuk P (22 Y 28).
4. Hitung peluang hampiran untuk rata-rata sampel berukuran 15 dari
distribusi dengan PDF

3x2 , 0 < x < 1
f (x) =
0
untuk x lainnya
yang terletak antara

3
5

dan 54 .

5. Misal Y menyatakan jumlah pengamatan terhadap 12 sampel acak

dari distribusi dengan PMF
 1
6 , x = 1, 2, 3, 4, 5, 6
f (x) =
0, untuk x lainnya
Hitung nilai hampiran untuk P (36 Y 48). Petunjuk : Karena
peristiwa yang menjadi perhatian adalah Y = 36, 37, . . . , 48, tulis
peluang yang akan dicari sebagai P (35, 5 < Y < 48, 5).
6. Misal Y B(n; 0, 55). Tentukan n terkecil (nilai pendekatannya)
sehingga P (Y /n > 12 ) 0, 95.
7. Misal variabel acak X mempunyai PDF f (x) = 1/x2 , 1 < x < , dan
0 untuk yang lainnya. Jika sampel acak berukuran 72 diambil dari
variabel acak tersebut, hitung nilai pendekatan dari peluang bahwa
banyak pengamatan yang nilainya kurang dari 3, lebih dari 50 pengamatan.
8. Empat puluh delapan hasil pengukuran dicatat sebagai bilangan
dengan menggunakan beberapa angka di belakang desimal. Masingmasing bilangan tersebut dibulatkan ke bilangan bulat terdekat.
Jumlah 48 bilangan sebelum dibulatkan akan mendekati jumlah 48
bilangan sesudah dibulatkan. Jika masing-masing error pembulatan
dianggap IID darin distribusi uniform pada interval ( 21 ), 21 , hitung
pendekatan peluang bahwa jumlah 48 bilangan sesudah dibulatkan
berjarak 2 dari jumlah sebenarnya.
9. Diketahui bahwa untuk n yang besar, distribusi X mendekati
3
N (, 2 /n). Tentukan distribusi pendekatan untuk u(X) = X ,
asalkan 6= 0.
186