Materi Statistika Matematika PDF

MODUL STATISTIKA MATEMATIKA I
(MA493530)
Oleh :
I Wayan Sumarjaya, S.Si.
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2010
KATA PENGANTAR
Modul singkat ini membahas tentang perkuliahan Statistika Matematika I (MA493530) yang
membahas tentang peubah acak dan distribusinya, fungsi peubah acak, sifat peubah acak, limit
distribusi, dan statistik dan distribusi pengambilan sampel. Mata kuliah ini merupakan pendalaman terhadap mata kuliah Pengantar Ilmu Peluang plus tambahan-tambahan tentang fungsi
pembangkit momen dan distribusi pengambilan sampel.
Akhir kata semoga modul singkat ini dapat bermanfaat. Segala kritik dan saran guna perbaikan modul ini harap dikirim via email ke sumarjaya@gmail.com atau sumarjaya@yahoo.com.
Bukit Jimbaran, Februari 2009
Penulis
DAFTAR ISI
Kata Pengantar
DAFTAR ISI
ii
DAFTAR GAMBAR
iv
DAFTAR TABEL
BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA

1.1 Peubah Acak . . . . . . . . . . . . . . . . . . . . .
1.1.1 Peubah Acak Diskrit . . . . . . . . . . . . .
1.1.2 Peubah Acak Kontinu . . . . . . . . . . . .
1.1.3 Beberapa Sifat Nilai Harapan . . . . . . . .
1.1.4 Batas-batas Peluang . . . . . . . . . . . . .
1.2 Momen dan Fungsi Pembangkit Momen . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
2
2
3
3
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

2.1 Distribusi-distribusi Diskrit Khusus . . . . . . . . . . . . . .
2.1.1 Distribusi Bernoulli . . . . . . . . . . . . . . . . . .
2.1.2 Distribusi Binomial . . . . . . . . . . . . . . . . . . .
2.1.3 Distribusi Hipergeometrik . . . . . . . . . . . . . . .
2.1.4 Distribusi Geometrik . . . . . . . . . . . . . . . . . .
2.1.5 Distribusi Binomial Negatif . . . . . . . . . . . . . .
2.1.6 Distribusi Poisson . . . . . . . . . . . . . . . . . . .
2.1.7 Distribusi Seragam Diskrit . . . . . . . . . . . . . . .
2.2 Distribusi-distribusi Kontinu Khusus . . . . . . . . . . . . .
2.2.1 Distribusi Seragam . . . . . . . . . . . . . . . . . . .
2.2.2 Distribusi Gamma . . . . . . . . . . . . . . . . . . .
2.2.3 Distribusi Eksponensial . . . . . . . . . . . . . . . .
2.2.4 Distribusi Normal . . . . . . . . . . . . . . . . . . .
2.2.5 Distribusi Weibull . . . . . . . . . . . . . . . . . . .
2.2.6 Fungsi pembangkit momen . . . . . . . . . . . . . .
2.3 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Latihan Soal Teoretis . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4
4
4
5
5
6
6
6
7
7
7
8
14
15
19
20
20
21
BAB 3. PEUBAH ACAK BERGANDA

3.1 Distribusi Bersama dan Marginal . . . . . . . . .
3.1.1 Distribusi Diskrit Bersama . . . . . . . .
3.1.2 Distribusi Hypergeometrik yang Diperluas
3.1.3 Distribusi Multinomial . . . . . . . . . . .
3.1.4 Distribusi Kontinu Bersama . . . . . . . .
3.2 Peubah Acak Bebas . . . . . . . . . . . . . . . .
3.3 Distribusi Bersyarat . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
23
23
24
24
27
29
30
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
DAFTAR ISI
3.4
iii
3.3.1 Distribusi Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
BAB 4. SIFAT-SIFAT PEUBAH ACAK

4.1 Sifat-sifat Nilai Harapan . . . . . . . .
4.2 Kovarians dan Korelasi . . . . . . . . .
4.3 Harapan Bersyarat . . . . . . . . . . .
4.3.1 Distribusi Normal Bivariat . .
4.4 Fungsi Pembangkit Momen Bersama .
4.5 Latihan Soal . . . . . . . . . . . . . .
4.6 Latihan Soal Teoretis . . . . . . . . . .
30
32
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
34
36
39
41
42
42
44
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK

5.1 Teknik Fungsi Distribusi Kumulatif . . . . . .
5.2 Metode Transformasi . . . . . . . . . . . . . .
5.2.1 Transformasi Satu-satu . . . . . . . .
5.2.2 Transformasi yang Tidak Satu-satu . .
5.2.3 Transformasi Bersama . . . . . . . . .
5.3 Jumlah Peubah Acak . . . . . . . . . . . . . .
5.3.1 Formula Konvolusi . . . . . . . . . . .
5.3.2 Metode Fungsi Pembangkit Momen . .
5.4 Statistik Terurut . . . . . . . . . . . . . . . .
5.4.1 Penarikan Sampel Tersensor . . . . . .
5.4.2 Pengambilan Sampel Tersensor . . . .
5.5 Latihan Soal . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
46
48
49
52
55
58
58
59
60
60
67
68
.
.
.
.
.
.
.
70
70
73
75
75
76
76
77
.
.
.
.
.
.
.
.
.
78
78
80
80
80
83
83
84
84
84
BAB 6. LIMIT DISTRIBUSI

6.1 Barisan Peubah Acak . . . . . . . .
6.2 Teorema Limit Pusat . . . . . . . .
6.3 Pendekatan Distribusi Binomial . .
6.4 Distribusi Normal Asimtotik . . . .
6.5 Sifat-sifat Konvergensi Stokastik .
6.6 Teorema-teorema Limit Tambahan
6.7 Latihan Soal . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL

7.1 Statistik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Distribusi-distribusi Pengambilan Sampel . . . . . . . . . . . . . . . . .
7.2.1 Kombinasi Linear Peubah-peubah Normal . . . . . . . . . . . . .
7.2.2 Distribusi Khi Kuadrat . . . . . . . . . . . . . . . . . . . . . . .
7.2.3 Distribusi Student t . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.4 Distribusi Snedecor F . . . . . . . . . . . . . . . . . . . . . . . .
7.2.5 Distribusi Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3 Pendekatan-pendekatan Sampel Besar . . . . . . . . . . . . . . . . . . .
7.4 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
DAFTAR PUSTAKA
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
87
DAFTAR GAMBAR
iv
DAFTAR TABEL
Tabel 3.1
Nilai fungsi densitas bersma dua peubah acak . . . . . . . . . . . . . . . . . .
30
BAB 1
PEUBAH ACAK DAN DISTRIBUSINYA
Kompetensi Dasar
Menggunakan konsep-konsep ilmu peluang.
Indikator Pencapaian
Materi Pokok
1.1 Peubah Acak
1.1.1 Peubah Acak Diskrit
1.1.2 Peubah Acak Kontinu
1.1.3 Beberapa Sifat Nilai Harapan
1.1.4 Batas-batas Peluang
1.2 Momen dan Fungsi Pembangkit Momen
Bab ini meninjau kembali konsep tentang peluang dan distribusinya seperti yang telah dipelajari
pada mata kuliah Pengantar Ilmu Peluang.
1.1
Peubah Acak
Definisi 1.1. Suatu peubah acak, katakanlah X, adalah suatu fungsi yang didefinisikan pada
ruang sampel , yang mengasosikan suatu bilangan real, X() = x, dengan masing-masing hasil
yang mungkin di .
1.1.1
Peubah Acak Diskrit
Definisi 1.2. Jika himpunan semua hasil yang mungkin dari peubah acak X adalah himpunan
terhitung x1 , x2 , . . . , xn atau x1 , x2 , . . . ,, maka X disebut peubah acak diskrit.
Definisi 1.3. Fungsi
fX (x) = P (X = x), x = x1 , x2 , . . .
(1.1)
yang menugaskan peluang untuk masing-masing nilai yang mungkin x disebut fungsi densitas
peluang diskrit.
Teorema 1.1. Suatu fungsi fX (x) adalah fungsi densitas peluang diskrit jika dan hanya jika
untuk paling banyak himpunan tak berhingga terhitung (countably infinite) x1 , x2 , . . . memenuhi
kedua sifat berikut:
1. untuk semua xi , fungsi fX (xi ) 0,
P
2. untuk semua xi ,
fX (xi ) = 1.
Definisi 1.4. Fungsi distribusi kumulatif peubah acak X didefinisikan untuk semua bilangan
real x sebagai
FX (x) = P (X x).
(1.2)
Teorema 1.2. Suatu fungsi FX (x) adalah fungsi distribusi kumulatif untuk beberapa peubah
acak X jika dan hanya jika memenuhi sifat:
(a). limx FX (x) = 0,
(b). limx FX (x) = 1,
(c). limh0+ FX (x + h) = FX (x),
(d). jika a < b maka FX (a) FX (b).
Definisi 1.5. Jika X adalah peubah acak diskrit dengan fungsi densitas peluang fX (x), maka
nilai harapan X didefinisikan sebagai
X
E(X) =
xfX (x).
(1.3)
x
1.1.2
Peubah Acak Kontinu
Definisi 1.6. Suatu fungsi fX (x) dikatakan fungsi densitas peluang untuk beberapa peubah
acak kontinu X jika dan hanya jika ia memenuhi sifat
untuk semua x, dan

Z
fX (x) 0
(1.4)
fX (x) dx = 1.
(1.5)
Definisi 1.7. Fungsi distribui kumulatif peubah acak kontinu X dinyatakan sebagai
Z x
FX (x) =
fX (x) dx.
(1.6)
Definisi 1.8. Jika X adalah peubah acak kontinu dengan fungsi densitas peluang fX (x), maka
nilai harapan X didefinisikan sebagai
Z
E(X) =
xfX (x) dx.
(1.7)
1.1.3
Beberapa Sifat Nilai Harapan
Definisi 1.9. Momen ke-k di sekitar titik asal (moment about the origin) peubah acak X adalah
0k = E(X k ),
(1.8)
dan momen ke-k di sekitar rata-rata (moment about the mean) adalah
k = E[X E(X)]k = E(X )k .
(1.9)
Definisi 1.10. Variansi peubah acak X didefinisikan sebagai

var(X) = E[(X )2 ]
(1.10)
1.1.4
Batas-batas Peluang
Teorema 1.3. Jika X adalah suatu peubah acak dan u(x) adalah fungsi bernilai non-negatif,
maka untuk sembarang konstanta positif c > 0,
P (u(X) c)
E(u(X))
.
c
(1.11)
Teorema 1.4 (Ketidaksamaan Chebychev). Jika X adalah suatu peubah acak dengan rata-rata
dan variansi 2 , maka untuk sembarang k > 0,
P (|X | k)
1.2
1
.
k2
(1.12)
Momen dan Fungsi Pembangkit Momen
Definisi 1.11. Misal X adalah peubah acak, maka nilai harapan

MX (t) = E(etX )
(1.13)
disebut fungsi pembangkit momen dari X jika nilai harapan ini ada untuk semua nilai t dalam
beberapa interval dengan bentuk h < t < h untuk beberapa h > 0.
Teorema 1.5. Jika fungsi pembangkit momen peubah acak X ada, maka
r
E(X r ) = MX
(0), untuk semua r = 1, 2, . . .
dan
MX (t) = 1 +
X
E(X r )tr
r=1
r!
(1.14)
(1.15)
BAB 2
DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS
Kompetensi Dasar
Membedakan peubah acak diskrit, peubah acak kontinu, dan distribusi keluarga eksponensial.
Mampu memisahkan peubah acak diskrit, kontinu, dan distribusi keluarga eksponensial.
Materi Pokok
2.1 Distribusi-distribusi Diskrit Khusus
2.2 Distribusi-distribusi Kontinu Khusus
2.3 Latihan Soal
2.4 Latihan Soal Teoretis
Bab ini membahas beberapa distribusi khusus, baik diskrit maupun kontinu, yang telah dipelajari dalam mata kuliah Pengantar Ilmu Peluang.
2.1
2.1.1
Distribusi-distribusi Diskrit Khusus

Distribusi Bernoulli
Dalam suatu percobaan tunggal terdapat dua kejadian yang menjadi daya tarik, katakanlah
K and komplemennya K 0 . Kejadian K dan K 0 menyatakan kejadian munculnyamuka atau
belakang pada pelemparan satu mata uang atau rusak atau bagus pada barang yang diproduksi atau sukses atau gagal pada kejadian lainnya. Misal peluang K terjadi dengan peluang
P (K) = p dan K 0 terjadi dengan peluang P (K 0 ) = q = 1 p.
Suatu peubah acak, X, yang menganggap hanya nilai 0 atau 1 disebut peubah Bernoulli, dan
percobaa dengan dua hasil yang mungkin disebut percobaan Bernoulli (Bernoulli trial ). Jika
suatu percobaan menghasilkan hanya sukses (K) dan gagal (K 0 ), maka peubah Bernoulli
yang bersesuaian adalah
(
1, jika k K;
X(k) =
(2.1)
0, jika k K 0 .
Fungsi densitas (massa) peluang X diberikan oleh fX (0) = q dan fX (1) = p. Distribusi yang
bersesuaian, disebut distribusi Bernoulli (Bernoulli distribution), dan fungsi densitasnya dapat
dinyatakan sebagai
fX (x) = px q 1x , x = 0, 1.
2.1.2
(2.2)
Distribusi Binomial
Apabila percobaan Bernoulli dilakukan secara bebas sebanyak n kali dengan peluang sukses p
pada masing-masing percobaan, dan peubah acak X menyatakan banyaknya sukses. Fungsi
densitas peluang diskrit X diberikan oleh

n x nx
fX (x; n, p) =
p q
, x = 0, 1, . . . , n; 0 < p < 1; q = 1 p.
(2.3)
x
Peubah acak X berdistribusi binomial dengan parameter n dan p dinotasikan sebagai X
BIN(n, p). Distribusi Bernoulli yang merupakan kejadian khusus dari distribusi binomial dinotasikan sebagai X BIN(1, p).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Binomial
Beberapa hasil penting:
1. Nilai harapan: E(X) = np;
2. Variansi: var(X) = npq;
3. Fungsi pembangkit momen : MX (t) = (p et +q)n , < t < .
2.1.3
Distribusi Hipergeometrik
Misal suatu populasi terdiri dari beberapa jumlah item tertentu, katakanlah N , dan terdapat
M item tipe 1 dan sisanya N M item bertipe 2. Misal n item diambil secara acak tanpa
pengembalian, dan misal X menyatakan banyaknya item tipe 1 yang diambil. Fungsi densitas
peluang diskrit X diberikan oleh

N M
M
nx
x

fX (x; n, M, N ) =
; x = 0, 1, . . . , n; n = 1, . . . , N ; M = 0, 1, . . . , N. (2.4)
N
n
Bentuk Persamaan (2.4) merupakan fungsi densitas peluang dari distribusi hipergeometrik, dinotasikan X HYP(n, M, N ).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Hipergeometrik
1. Nilai harapan:
E(X) =
2. Variansi:
nM
;
N

M
M
N n
var(X) = n
1
;
N
N
N 1
3. Fungsi pembangkit momen : MX (t) = (p et +q)n , < t < .
(2.5)
(2.6)
2.1.4
Distribusi Geometrik
Misal kita tertarik untuk mengetahui banyaknya percobaan yang diperlukan untuk memperoleh
sukses pertama dan notasikan ini dengan X, maka fungsi densitas peluang diskritnya dinyatakan
oleh
fX (x; p) = pq x1 , x = 1, 2, 3, . . . ; 0 < p < 1; q = 1 p.
(2.7)
Bentuk Persamaan (2.7) merupakan fungsi densitas peluang dari distribusi geometrik, dinotasikan X GEO(p).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Geometrik
1. Nilai harapan: E(X) = 1/p.
2. Variansi: var(X) = q/p2 .
3. Fungsi pembangkit momen : MX (t) = p et /(1 q et ).
2.1.5
Distribusi Binomial Negatif
Dalam percobaan Bernouli bebas yang diulang, misal X menyatakan banyaknya percobaan
yang diperlukan untuk memperoleh r sukses. Distribusi peubah acak X merupakan distribusi
binomial negatif (negative binomial ) yang diberikan oleh

x 1 r xr
fX (x; r, p) =
p q ;
(2.8)
r1
dengan x = r, r + 1, . . . , ; 0 < p < 1; q = 1 p. Bentuk Persamaan (2.8) dapat pula dinotasikan
X NB(r, p).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Binomial Negatif
1. Nilai harapan: E(X) = r/p.
2. Variansi: var(X) = rq/p2 .
3. Fungsi pembangkit momen :

MX (t) =
2.1.6
p et
1 q et
r
.
(2.9)
Distribusi Poisson
Suatu peubah acak diskrit X dikatakan memiliki distribui Poisson dengan parameter > 0,
dinotasikan X POI() apabila ia memiliki fungsi densitas (massa) peluang dengan bentuk
fX (x; ) =
e x
; x = 1, 2, . . . .
x!
(2.10)
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Poisson

1. Nilai harapan: E(X) = .
2. Variansi: var(X) = .
MX (t) = exp((exp(t) 1)).
(2.11)
Teorema 2.1. Jika X BIN(n, p), maka untuk setiap nilai x = 0, 1, 2, . . . , dan sebagaimana
p 0 dengan np = konstan, maka

n x
e x
p (1 p)nx =
lim
.
(2.12)
n x
x!
2.1.7
Distribusi Seragam Diskrit
Suatu peubah acak diskrit X dikatakan memiliki distribusi seragam diskrit, dinotasikan X
DU(N ), jika untuk setiap bilangan bulat 1, 2, . . . , N ia memiliki fungsi densitas peluang dengan
bentuk
1
(2.13)
fX (x) = , 1, 2, . . . , N.
N
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Poisson
1. Nilai harapan: E(X) = (N + 1)/2.
2. Variansi: var(X) = (N 2 1)/12.
MX (t) =
2.2
1 et e(N +1)t
.
N
1 et
(2.14)
Distribusi-distribusi Kontinu Khusus
Pada sub bab ini akan dibicarakan beberapa distribusi kontinu khusus.
2.2.1
Distribusi Seragam
Suatu peubah acak X dikatakan memiliki distribusi seragam pada selang (a, b) , dinotasikan
X UNIF(a, b), dengan fungsi densitas peluang
1 , untuk a < x < b;

fX (x; a, b) = b a
(2.15)
0,
untuk x lainnya.
Fungsi distribusi kumulatif X UNIF(a, b) memiliki bentuk
0,
jika x a;
x a
, jika a < x < b;
FX;a,b =
ba
1,
jika b x.
(2.16)
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Seragam Kontinu

1. Nilai harapan: E(X) = (a + b)/2.
2. Variansi: var(X) = (b a)2 /12.
MX (t) =
2.2.2
ebt eat
.
(b a)t
(2.17)
Distribusi Gamma
Definisi 2.1 (Bain and Engelhardt (1992)). Fungsi gamma, dinotasikan () untuk semua
> 0, didefinisikan sebagai
Z
t1 et dt.
(2.18)
() =
0
Jika = 1 maka
Z
et dt

t
= e
(1) =
= e ( e0 )
=0+1
= 1.
(2.19)
Fungsi gamma dan sifat-sifatnya dapat dilihat pada teorema berikut.

Teorema 2.2. Fungsi gamma memiliki sifat-sifat berikut:
1. () = ( 1)( 1), untuk k > 1;
2. (n) = (n 1)!, untuk n = 1, 2, . . . ;
3. (1/2) = .
Bukti: Akan ditunjukkan sifat 1 dengan integral bagian. Misal u = t1 , du = ( 1)t2 ,
dv = exp(t) dan v = exp(t). Sehingga
() = ( 1)( 1), untuk k > 1
menjadi
Z
() = t
( e )
( et )( 1)t2 dt
0
Z

1 t
= t
e +
et ( 1)t2 dt
0
Z 0
= 0 + ( 1)
t2 et dt
1
= ( 1)( 1),
> 1.
(2.20)
Selanjutnya akan ditunjukkan sifat 2. Bila n adalah bilangan bulat maka

(n) = (n 1)(n 1)
= (n 1)(n 2)(n 2)
=
= (n 1)(n 2) 3 2 1(1)
= (n 1)(n 2) 3 2 1
= n!.
Kemudian akan ditunjukkan sifat 3.
Z
(1/2) =
Z0
=
t1/21 et dt
t1/2 et dt.
(2.21)
(2.22)
Misal x = t1/2 , dx = (1/2)t1/2 dt atau dt = 2t1/2 dx = 2x dx. Dengan substitusi ini, maka
Persamaan (2.21) menjadi
Z
2
x1 ex 2x dx
(1/2) =
Z0
2
=
2 ex dx.
(2.23)
0
(2.24)
Menggandakan Persamaan (2.23) diperoleh

Z
Z
2
2
2 ey dy
2 ex dx
[(1/2)]2 =
0
Z 0 Z
2
2
=
4 e(x +y ) dx dy
0
(2.25)
Untuk menyelesaikan integral pada Persamaan (2.25), lakukan transformasi koordinat kutub.
Misal x = r cos dan y = r sin ; sehingga x2 +y 2 = r2 cos2 +r2 sin2 = r2 (cos2 +sin2 ) = r2 .
Kemudian turunan parsial masing-masing peubah terhadap r dan adalah sebagai berikut
x
= cos ,
r
y
= sin ,
r
x
= r sin ,
y
= r cos .
Dengan demikian diperoleh Jacobian,

cos r sin

J =

sin r cos
= r cos2 +r sin2
= r.
Sehingga integral Persamaan (2.25) menjadi
Z /2 Z
2
[(1/2)] =
0
4 er rdr d.
10
Untuk menyelesaikan integral ini, misalkan u = r2 , du = 2r dr. Dengan demikian

Z /2 Z
2
[(1/2)] = 2
eu du d
0
0

Z /2

u
d
e
=2
0
/2
Z
=2
( e + e0 ) d
/2
=2
0
/2

= 2
=0
= .
Jadi diperoleh (1/2) =
Suatu peubah acak kontinu X dikatakan berdistribusi gamma dengan parameter > 0 dan
> 0 jika memiliki fungsi densitas peluang dengan bentuk
1 x1 ex/ , untuk 0 < x < ;

fX (x; , ) = ()
(2.26)
0,
untuk x lainnya;
dan dinotasikan X GAM(, ). Bentuk (2.26) juga dapat direparameterisasi sebagai

x1 ex , untuk 0 < x < ;
fX (x; , ) = ()
0,
untuk x lainnya;
(2.27)
Lihat Rice (2007), halaman 53 untuk bentuk fungsi densitas peluang persamaan(2.27).
Diskusi: Tunjukkan bahwa persamaan (2.27) adalah fungsi densitas peluang.
Parameter disebut parameter bentuk (shape parameter ) karena menentukan bentuk dasar
grafik fungsi densitas peluang. Secara umum ada tiga bentuk dasar bergantung pada apakah
< 1, = 1, atau > 1. Sementara itu, parameter disebut parameter skala (scale parameter ).
Mengubah nilai bersesuaian dengan mengubah-ubah unit-unit pengukuran (katakanlah dari
detik ke menit).
Untuk memeriksa apakah integral persamaan (2.26) adalah fungsi densias peluang gunakan
teknik substitusi. Dengan kata lain, untuk memeriksa
Z
1
x1 ex/ dx = 1
(2.28)
()
0
lakukan substitusi dengan t = x/, dt = (1/) dx, dengan batas-batas pengintegralan tidak
berubah. Sehingga
Z
Z
1
1 x/
x
e
dx =
(t)1 et dt
()
()
0
Z0
1
=
1 t1 et dt
()
0
1 ()
=
()
= 1.
(2.29)
11
Fungsi Distribusi Kumulatif

Fungsi distribusi kumulatif X GAM(, ) adalah
Z x
1
FX (x; , ) =
x1 ex/ dt.
0 ()
(2.30)
Integral bentuk (2.30) secara umum tidak dapat diselesaikan secara eksplisit, namun bila
adalah bilangan bulat positif, katakanlah = n, maka integralnya dapat dinyatakan sebagai
penjumlahan.
Teorema 2.3. Jika X GAM(, n), dengan n adalah bilang bulat positif maka fungsi distribusi
kumulatifnya dapat ditulis
FX (x; , n) = 1
n1
X
i=0
(x/)i x/2
e
.
i!
(2.31)
Bukti: Stone (1996) Akan ditunjukkan Persamaan (2.31) dengan induksi. Untuk n = 1:
FX (x; , 1) = 1 ex/
0
X
(x/)0
i=0
0!
= 1 ex/ .
[Catatan: jika jika n = 1 maka X EXP(), sehingga FX (x) = 1 exp(x/)].
Selanjuntya akan ditunjukkan benar untuk n + 1:
Z x
tn+11
FX (x; , n + 1) =
et/ dt
n+1 (n + 1)
Z0 x
tn
=
et/ dt
n+1 (n + 1 1)!
Z0 x
tn
et/ dt
=
n+1 n!
0

Z x n
t
t/
=
d e
n
0 n!

Z x n1
nt
tn t/ t=x
= n e
+
et/ dt

n n!
n!
0
t=0
Z x n1
n
x/
x e
nt
= n
0+
et/ dt
n n!
n!
0
Z x n1
xn ex/
nt
t/
=
e
dt
.
n n!
n n!
0
(2.32)
(2.33)
Dengan hipotesis induksi

FX (x; , n) = 1
n1
X
i=0
=1
(x/)i x/2 xn ex/

e
n
i!
n!
n
X
(x/)i
i=0
i!
ex/2 .
(2.34)
12
Rata-rata dan Varians

Nilai tengah atau rata-rata dari X GAM(, ) diperoleh sebagai berikut:
Z
1
E(X) =
x
x1 ex/ dx
()
0
Z
1
x(1+)1 ex/ dx
=
() 0
R
1+ (1 + ) 0 x(1+)1 x/
=
e
dx
()
1+ (1 + )
1+ (1 + )
=
()
()
=
()
= .
(2.35)
dan
Z
E(X ) =
x2
()
1
()
x1 ex/ dx
x(2+)1 ex/ dx
0
R
2+
(2 + ) 0 x(2+)1 x/
e
dx
=
()
2+ (2 + )
2+ (2 + )
=
()
2 (1 + )(1 + )
=
()
2
(1 + )()
=
()
2
= (1 + ).
=
(2.36)
Dengan demikian
var(X) = E(X 2 ) [E(X)]2
= 2 (1 + ) []2
= 2 (2 + ) 2 2
= 2 2 + 2 2 2
= 2 .
(2.37)
Fungsi pembangkit momen

Fungsi pembangkit momen X GAM(, ) dapat dihitung sebagai berikut.
Z tx 1
e x
MX (t) =
ex/ dx
()
0
Z 1 x(1t)/
x
e
=
dx
()
(2.38)
13
Untuk menyelesaikan integral persamaan (2.38) lakukan substitusi u = x(1 t)/ dengan
t < 1/ atau x = u(1 t) sehingga dx = (/(1 t)) du. Dengan demikian

1
Z
u
MX (t) =
eu du
()(1 t) 1 t
0
Z
1 u1
=
eu du
()(1 t)(1 t)1
0
Z
u1
eu du
=
()(1
t)
0
Z 1
1
u
=
eu du
(1 t) 0 ()
1
()
=
(1 t) ()
1
=
(1 t)
= (1 t) , t < 1/.
(2.39)
Dengan mengetahui fungsi pembangkit momen, kita juga dapat menghitung momen pertama
dan kedua, yakni E(X) dan E(X 2 ). Menurunkan persamaan (2.39) terhadap t diperoleh
0
MX
(t) = ()(1 t)1 ()
(2.40)
00
MX
(t) = ()( 1)(1 t)2 ()().
(2.41)
dan
Selanjutnya
0
E(X) = MX
(0) = ()(1 0)1 ()
(2.42)
dan
(2.43)
2
E(X ) =
00
MX
(0)
= ()( 1)(1 0)
= ()( 1)
()()
= ( + 1)2
= 2 ( + 1).
(2.44)
Dengan menggunakan hasil dari Persamaan (2.42) dan (2.44) maka akan diperoleh varians
seperti pada Persamaan (2.37).
Turunan ke-r dapat dihitung sebagai berikut
(r)
MX (t) = ( + r 1) ( + 1)(1 t)r

( + r) r
(1 t)r .
=
()
(2.45)
(r)
Momen ke-r dihasilkan dari MX (0), yakni

( + r) r
(1 0)r
()
( + r) r
=
.
()
E(X r ) =
(2.46)
14
Sebagai contoh momen ketiga, yakni

( + 3)3
()
( + 2)( + 1)()3
=
()
= ( + 2)( + 1)2
E(X 3 ) =
(2.47)
Diskusi:Bagaimana cara menghitung fungsi gamma?

Program R memiliki fungsi gamma untuk menghitung fungsi gamma, baik untuk bilangan
bulat maupun pecahan. Perhatikan contoh berikut:
> gamma(4)
[1] 6
> gamma(5/3)
[1] 0.9027453
Distribusi gamma dengan parameter = 2 dan = 1 disebut distribusi khi kuadrat (chisquare). Distribusi ini banyak berperan dalam teknik pengambilan sampel. Selanjunya apabila
X GAM(, 1) maka X dikatakan berdistribusi eksponensial dengan parameter , dinotasikan
X EXP().
Aplikasi
Menurut Rice (2007), Wackerly et al. (2002), dan Hogg and Craig (1995) distribusi gamma
cocok digunakan untuk memodelkan peubah acak non negatif. Lebih lanjut Wackerly et al.
(2002) menambahkan bahwa distribusi ini cenderung miring (skewed ) ke kanan. Distribusi
gamma biasanya digunakan untuk memodelkan lama waktu antara kerusakan (malfunction)
mesin pesawat terbang, memodelkan antrian pada saat pembayaran di kasir supermarket, dan
lama waktu perawatan (maintenance) mobil. Selanjutnya Rice (2007) mencontohkan pencarian
pola dalam penentuan gempa bumi dalam kaitannya dengan waktu, ruang, dan magnitudo.
Selain itu Hogg and Craig (1995) menambahkan bahwa distribusi gamma sering digunakan
sebagai model untuk waktu tunggu (waiting time) dalam reliabilitas.
2.2.3
Distribusi Eksponensial
Suatu peubah acak X dikatakan berdistribusi eksponensial dengan parameter > 0, dinotasikan
X EXP() jika memiliki fungsi densitas peluang dengan bentuk
1 ex/ , jika 0 < x; 0 < ;

fX (x; ) =
(2.48)
0,
jika x lainnya.
Distribusi eksponensial dengan parameter , yakni EXP() adalah kejadian khusus dari
distribusi gamma dengan parameter = 1 , yakni GAM(, 1). Dengan demikian sifat-sifat
distribusi gamma berlaku untuk distribusi eksponensial.
Fungsi distribusi kumulatif
Fungsi distribusi kumulatif X dapat dinyatakan sebagai
FX (x; ) = 1 ex/ , jika 0 < x.
(2.49)
15
Hasil ini diperoleh dari Teorema 2.3 dengan kasus n = 1 atau dengan menghitung langsung
integral persamaan (2.49), yakni
Z x
1 t/
FX (x) =
e
dt
0

Z x
1
t/
=
d e

Z0 x
t/
d e
=
0
x

t/
= e

0
= e ( e0 )
= 1 ex/ .
(2.50)
Rata-rata dan varians

Rata-rata dan varians juga merupakan hasil khusus dari distribusi GAM(, 1). Lihat Persamaan (2.35) dan (2.37) untuk rata-rata dan varians distribusi gamma. Dengan memanfaatkan
kedua hasil ini serta mensubstitusikan = 1 maka diperoleh E(X) = = 1 = dan
var(X) = 2 = 2 1 = 2 .
Diskusi: Carilah E(X), E(X 2 ), dan var(X) dengan mengintegralkan secara langsung kemudian
bandingkan hasilnya.
Dengan analogi yang sama maka fungsi pembangkit momen untuk distribusi eksponensial adalah
fungsi pembangkit momen dari distribusi GAM(, 1) sehingga diperoleh
MX (t) = (1 t)1 .
(2.51)
Diskusi: Carilah MX (t) dengan mengintegralkan secara langsung.
2.2.4
Distribusi Normal
Distribusi normal pertama kali dipublikasikan oleh Abraham de Moivre pada tahun 1733 sebagai
suatu pendekatan terhadap distribusi jumlah peubah acak binomial.
Suatu peubah acak X dikatakan berdistribusi normal (atau Gauss) dengan rata-rata dan
varians 2 , dinotasikan X N (, 2 ) jika ia memiliki fungsi densitas peluang dengan bentuk
1
fX (x; , ) =
e
2
(x )2
2 2 ,
< x < , < < , 0 < < .
(2.52)
Misal didefinisikan
Z
I=
fX (x; , ) dx
Z0
=
0
1
2
e[(x)/] /2 dx
2
(2.53)
Untuk memeriksa apakah fungsi integral fungsi densitas peluang ini sama dengan 1, gunakan teknik substitusi, misal z = (x )/ dengan dx = dz. Perhatikan bahwa f (z) =
(1/sqrt 2) exp(z 2 ) adalah fungsi genap, yakni f (z) = f (z). Dengan demikian
Z
f (x; , ) dx
I=
Z
1
2
=
ez /2 dz
2
Z
1
2
=2
ez /2 dz.
2
0
Apabila dimisalkan w = z 2 /2, maka z = 2w dan dz = (w1/2 / 2), sehingga

Z 1/2
w
2 w
I=
e
dw
2
0
Z 1/2
w
=
ew dw
0
(1/2)
=
( )
=
( )
= 1.
16
(2.54)
(2.55)
Lihat kembali sifat-sifat fungsi gamma untuk memahami hasil integral pada persamaan (2.55).
Fungsi distribusi kumulatif normal standar
Integran yang diperoleh dengan substitusi z = (x )/ disebut fungsi densitas peluang normal
standar, dinotasikan (z), yakni
1
2
(z) =
ez /2 ,
2
< z < .
(2.56)
Jika peubah acak Z memiliki fungsi densitas peluang dengan bentuk (2.56), maka Z N (0, 1).
Fungsi distribusi kumulatif normal standar diberikan oleh
Z z
(z) =
(t) dt.
(2.57)
Berikut ini sifat-sifat geometrik fungsi densitas peluang normal standar.

1. Untuk semua bilangan real z, fungsi (z) adalah fungsi genap, yakni (z) = (z). Dengan kata lain distribusi normal standar simetrik pada z = 0.
2. Berdasarkan sifat khusus pada sifat 1, diperoleh
0 (z) = z(z)
(2.58)
00 (z) = (z 2 1)(z).
(2.59)
dan
3. Sebagai konsekuensi (z) memiliki nilai maksimum tunggal (unique maximum) pada z = 0
dan titik infleksi pada z = 1. Perhatikan juga bahwa (z) 0 dan
z
0 (z) =
0
2 exp(z 2 /2)
sebagaimana z .
(2.60)
17

Dengan menggunakan sifat-sifat penting fungsi densitas peluang normal standar dapat dihitung
E(Z) dan E(Z 2 ):
Z
z(z) dz
E(Z) =
Z
=
0 (z) dz

= (z)
= 0, (lihat sifat 3)
(2.61)
dan
Z
E(Z ) =
z 2 (z) dz
[00 (z) + (z)] dz

Z

0
= (z) +
(z) dz
=
=0+1
= 1.
(2.62)
Dengan demikian var(Z) = E(Z 2 ) [E(Z)]2 = 1 0 = 1. Selanjutnya untuk X N (, 2 )

maka E(X) dan E(X 2 ) juga dapat dihitung dengan terlebih dahulu melakukan substitusi z =
(x )/ atau x = z + sehingga dx = dz. Kita peroleh
Z
E(X) =
Z
=
Z
=

x
1 x 2
dx
exp
2
2
(z + )
exp(z 2 /2) dz
2
(z + )
exp(z 2 /2) dz
2
(z + )(z) dz
Z
=
z(z) dz +
(z) dz
Z
Z
=
z(z) dz +
(z) dz
Z
=0+1
= .
(2.63)
18
Selanjutnya
Z
E(X ) =
Z
=
Z
=

x2
1 x 2
exp
dx
2
2
(z + )2
exp(z 2 /2) dz
2
(z + )2
exp(z 2 /2) dz
2
(z + )z (z) dz
( 2 z 2 + 2z + 2 )(z) dz
Z
Z
Z
2 2
=
z (z) dz +
2z(z) dz +
2 (z) dz
Z
Z
Z
2
2
2
(z) dz
z (z) dz + 2
z(z) dz +
=
=
= 2 1 + 0 + 2 1
= 2 + 2 .
(2.64)
Dengan demikian diperoleh

var(X) = E(Z 2 ) [E(Z)]2
= 2 + 2 2
= 2.
(2.65)
Teorema 2.4. Jika X N (, 2 ), maka

(a). peubah acak Z = (X )/ N (0, 1),
(b). fungsi distribusi X

x
FX (x) =
.
(2.66)
Bukti: Akan dibuktikan sifat (a) menggunakan definisi fungsi distribusi

FZ (z) = P (Z z)

X
=P
z
= P (X + z)

Z +z
1
1 x
=
exp
dx.
2
Dengan substitusi w = (x )/ atau x = + 2 diperoleh batas-batas untuk x = maka

w = dan untuk x = + z diperoleh w = z. Sehingga
Z z
1
2
FZ (z) =
ez /2 dz
2
Z
z
1
2
=
ez /2 dz
2
Z
z
=
(z) dz
= (z).
19
2
Dengan menurunkan fZ (z) = FZ0 (z) = ( 2)1 ez /2 . Jadi Z = (X )/ N (0, 1).
Selanjutnya untuk sifat (b)
FX (x) = P (X x)

x
X
=P

x
=

Untuk menentukan fungsi pembangkit momen distribusi normal terlebih dahulu diperhatikan
fungsi pembangkit momen distribusi normal standar.
Z
1
MZ (t) =
exp(tz) exp(z 2 /2) dz
2
Z
1
exp[(z t)2 /2 + t2 /2] dz

=
2
Z
1
2
= exp(t /2)
exp[(z t)2 /2] dz
2
= exp(t2 /2) 1
= exp(t2 /2).
(2.67)
Kita tahu bahwa Z = (X )/ N (0, 1) sehingga X = Z + . Dengan demikian

MX (t) = MZ+ (t)
= exp(t)MZ (t)
= exp(t) exp[(t)2 /2]
= exp[t + ( 2 t2 )/2]
2.2.5
(2.68)
Distribusi Weibull
Distribusi Weibull merupakan salah satu distribusi yang banyak digunakan dalam bidang pengujian tahan hidup benda. Distribusi ini diberi nama setelah fisikawan W. Weibull, menyarankan
penggunaannya pada berbagai aplikasi, terutama uji kelelahan dan kekuatan material.
Peubah acak kontinu X dikatakan memiliki distribusi Weibull dengan parameter > 0 dan
> 0 untuk x > 0, dinotasikan WEI(, ), bila memiliki fungsi densitas peluang dengan bentuk
x1 e(x/) , jika x > 0;

fX (x; , ) =
(2.69)
0,
jika x lainnya.
Parameter disebut parameter bentuk (shape parameter ). Seperti halnya pada distribusi
gamma, maka akan ada tiga bentuk dasar bergantung pada < 1, = 1, atau > 1.
Fungsi distribusi kumulatif
Untuk menghitung E(X) dan E(X 2 ) dapat memanfaatkan sifat-sifat fungsi gamma.
xx1 e(x/) dx
E(X) =
0
20
x(1+)1 e(x/) dx
(2.70)
Untuk menyelesaikan Persamaan (2.70) lakukan substitusi (x/) = u, sehingga dx = [(u1/21 )/] du.
Dengan demikian
Z
(u1/ )1+1 eu u1/1 du

E(X) =
0
Z
(u1/ ) eu u1/1 du
=
0
Z
u eu u1/1 du
=
0
Z
=
u(1+1/)1 eu du
0

1
.
(2.71)
= 1 +
Selanjutnya untuk menghitung E(X 2 ) lakukan substitusi seperti pada waktu menghitung E(X).
2
E(X ) =
2 1 (x/)
x x
e
dx
0
Z
=
x(2+)1 e(x/) dx
0
Z
=
(u1/ )+1 eu u1/1 du
0
Z
(+1 u(1+1/ )) eu u(1/1) du

=
0
Z
2
=
u(2/beta+1)1 eu du
0

2
2
= 1+
.
(2.72)
Berdasarkan Persamaan (2.70) dan (2.72) diperoleh

var(X) = E(X 2 ) [E(X)]2

2
1 2
= 2 1 +
1 +

2
1
2
2
= 1+
1 +
.
2.2.6
(2.73)
Fungsi pembangkit momen distribusi Weibull menghasilkan bentuk yang tidak terlacak (not
tractable).
2.3
Latihan Soal
2-1 Waktu tahan hidup (survival time) dalam hari suatu tikus putih yang bergantung pada
tingkat radiasi sinar X adalah peubah acak X GAM(5, 4). Hitunglah:
21
a) P (X 15);
b) P (15 < X < 20);
c) Nilai harapan tahan hidup, E(X).
[Petunjuk: gunakan teorema tentang sifat fungsi distribusi gamma]
2-2 Waktu (dalam menit) sampai pelanggan ketiga memasuki supermarket adalah peubah acak
X GAM(1, 3). Jika toko buka jam 08.00, hitunglah peluang bahwa:
a) pelanggan ketiga datang antara jam 08.05 dan 08.10;
b) pelanggan ketiga datang setelah jam 08.10.
2-3 Jika X GAM(1, 2) hitunglah modusnya.
2-4 Misal peubah acak X berdistribusi gamma dengan fungsi densitas peluang
1 x ex/ , untuk 0 < x < ;

fX (x; ) = 2
0,
untuk x lainnya.
Jika x = 2 adalah modus tunggal (unique mode) dari distribusi, hitunglah parameter .
2-5 Jika fungsi pembangkit momen peubah acak W adalah
MW (t) = (1 7t)20 ,
carilah fungsi densitas peluangnya, nilai tengah (rata-rata), dan varians W .
2-6 Misal X N (10, 16). Hitunglah:
a) P (X 14);
b) P (4 X 18);
c) P (2X 10 18);
2-7 Misal suatu LCD proyektor menghasilkan jumlah cahaya (dalam lumens) dan dianggap
berdistribusi normal dengan rata-rata = 350 dan varians 2 = 400.
a) Hitunglah P (325 < X < 363).
b) Carilah nilai c sehingga jumlah cahaya yang dihasilkan 90% cahaya LCD melebihi c
lumens.
2-8 Misal X N (1, 2).
a) Hitung E(X 1)4 .
b) Hitung E(X 4 ).
2.4
Latihan Soal Teoretis
2-1* Jika > 1, tunjukkan bahwa densitas gamma memiliki nilai maksimum pada ( 1)/.
2-2* Fungsi gamma adalah fungsi faktorial yang diperumum (generalized factorial function).
a) Tunjukkan bahwa (x + 1) = x(x).
b) Gunakan fakta bahwa (1/2) =

bulat ganjil maka
22
untuk menunjukkan bahwa jika n adalah bilangan
(n/2) =
(n 1)!

.
n1
n1
!
2
2
2-3* Tunjukkan dengan teknik pengubahan variabel (change of variable) bahwa

Z
2
t2x1 et dt
(x) = 2
0
Z
t
=
ext e e dt.
BAB 3
PEUBAH ACAK BERGANDA
Kompetensi Dasar
Membedakan sifat-sifat nilai harapan dan fungsi pembangkit momen.
Mampu memisahkan sifat-sifat nilai harapan, harapan bersyarat, dan fungsi pembangkit
momen.
Materi Pokok
3.1 Distribusi Bersama dan Marginal
3.2 Peubah Acak Bebas
3.3 Distribusi Bersyarat
3.4 Latihan Soal
Dalam banyak aplikasi biasanya terdapat lebih dari satu peubah acak yang menjadi objek
penelitian, katakanlah X1 , . . . , Xk . Secara matematis akan lebih mudah mengganggap peubahpeubah ini sebagai komponen dari vektor dimensi k, X = X1 , . . . , Xk , dan juga nilai-nilai
x = (x1 , . . . , xk ) dalam ruang Euclid berdimensi k. Nilai amatan x dapat merupakan hasil dari
pengukuran karakteristik-karakteristik sebanyak k, atau hasil dari pengukuran satu karakteristik
sebanyak k kali (hasil dari k kali percobaan yang diulang pada satu peubah saja).
3.1
3.1.1
Distribusi Bersama dan Marginal

Distribusi Diskrit Bersama
Definisi 3.1 (Fungsi densitas peluang bersama). Fungsi densitas peluang bersama (joint probability distribution function) dari peubah acak diskrit dimensi k, X = (X1 , . . . , Xk ), didefinisikan
sebagai
fX1 ,...,Xk (x1 , . . . , xk ) = P (X1 = x1 , X2 = x2 , . . . , Xk = xk )
untuk semua nilai yang mungkin X = (x1 , . . . , xk ) dari X.
Dalam konteks ini, notasi (X1 = x1 , X2 = x2 , . . . , Xk = xk ) menyatakan irisan k kejadian
(X1 = x1 ), (X2 = x2 ) (Xk = xk ).
Contoh 3.1. Sebuah kotak berisi 1000 bola, 500 berwarna merah, 400 berwarna putih, dan
100 berwarna biru. Jika sepuluh bola dipilih secara acak tanpa pengendalian, maka jumlah
23
24
bola merah, X1 , dan jumlah bola putih, X2 , dalam sampel adalah peubah acak diskrit yang
berdistribusi bersama. Fungsi densitas bersama pasangan (X1 , X2 ) dinyatakan oleh

500 400
100
x1
x2
10 x1 x2

fX1 ,X2 (x1 , x2 ) =
1000
10
untuk semua 0 x1 , 0 x2 , dan x1 + x2 10.
3.1.2
Distribusi Hypergeometrik yang Diperluas
Misal suatu koleksi terdiri dari suatu jumlah item tertentu N , dan terdapat k + 1 jenis berbeda;
M1 jenis 1, M2 jenis 2, dan seterusnya. Pilih n item secara acak tanpa pengembalian, dan
misal Xi adalah jumlah item jenis i yang terpilih. Vektor X = (X1 , . . . , Xk ) berdistribusi
hipergeometrik diperluas (extended hypergeometric distribution) dengan fungsi densitas peluang
dalam bentuk

Mk
Mk+1
M2
M1
x2
x
xk+1
x1
k
fX1 ,...,Xk (x1 , . . . , xk ) =
N
n
P
Pk
untuk semua 0 xi Mi , dengan Mk+1 = N i=1 Mi dan xk+1 = n ki=1 xi . Notasi
khusus untuk distribusi ini adalah
X HYP(n, M1 , M2 , . . . , Mk , N ).
Apabila pengambilan sampel dilakukan dengan pengembalian, maka vektor X akan berdistribusi multinomial.
3.1.3
Distribusi Multinomial
Misal terdapat k+1 kejadian saling lepas (mutually exclusive) dan exhaustive, yakni, E1 , E2 , . . . , Ek , Ek+1 ,
yang dapat terjadi pada setiap percobaan, dan misal pi = P (Ei ) untuk i = 1, 2, . . . , k + 1.
Pada setiap n kali percobaan bebas, misalkan Xi adalah banyaknya kejadian Ei . Vektor
X = (X1 , . . . , Xk ) dikatakan memiliki distribusi multinomial, dengan fungsi densitas bersama
dalam bentuk
n!
xk+1
fX1 ,...,Xk (x1 , . . . , xk ) =
px1 px2 pk+1
(3.1)
x1 !x2 ! xk+1 ! 1 2
P
P
untuk semua 0 xi n, dimana xk+1 = n ki=1 xi dan pk+1 = 1 ki=1 pi . Notasi untuk
distribusi ini adalah
X MULT(n, p1 , p2 , . . . , pk ).
Persamaan (3.1) mirip dengan distribusi binomial. Untuk terjadinya Ei sebanyak xi kali, diperlukan permutasi E1 sebanyak x1 , E2 sebanyak x2 , dan seterusnya. Banyaknya permutasi untuk
kejadian-kejadian tersebut adalah
n!
,
(x1 !)(x2 !) (xk+1 !)
x
k+1
dan masing-masing permutasi terjadi dengan peluang px1 1 px2 2 pk+1
.
Contoh 3.2. Sebuah dadu bermata empat dilemparkan sebanyak 20 kali, dan munculnya
masing-masing sisi dicatat. Peluang mendapatkan empat mata 1, enam mata 2, lima mata
3, dan lima mata 4 serta nilai pi = 0,25 adalah
20!
(0,25)20 = 0,0089.
(4!)(6!)(5!)(5!)
25
Teorema 3.1. Suatu fungsi fX1 ,...,Xk (x1 , . . . , xk ) adalah fungsi densitas peluang bersama untuk
beberapa peubah acak bernilai vektor X = (X1 , . . . , Xk ) jika dan hanya jika sifat-sifat berikut
dipenuhi:
fX1 ,...,Xk (x1 , . . . , xk ) 0 untuk semua nilai yang mungkin (x1 , . . . , xk )
dan
X
f (x1 , . . . , xk ) = 1.
xk
x1
Dalam kasus dua dimensi, akan lebih mudah menyajikan fungsi densitas bersama dalam bentuk tabel, lebih khusus lagi, jika bentuk fungsional untuk fungsi densitas bersama fX1 ,X2 (x1 , x2 )
tidak diketahui. Misal (X1 , X2 ) MULT(3; 0,4, 0,4). Bentuk tabel untuk nilai fungsi densitasnya adalah sebagai berikut:
x1
0
1
2
3
0
0,008
0,048
0,096
0,064
0,216
x2
1
0,048
0,192
0,192
0,000
0,432
2
0,096
0,192
0,000
0,000
0,288
3
0,064
0,000
0,000
0,000
0,064
0,216
0,432
0,288
0,064
1
Dengan melihat tabel diatas, kita tertarik untuk menghitung peluang "marjinal", yakni
P (X1 = 1), tanpa memperhatikan nilai X2 . Relatif terhadap ruang sampel bersama, X2 mempunyai pengaruh pada partisi kejadian, katakanlah A, bahwa X1 = 1; penghitungan peluang
marjinal P (A) = P (X1 = 1) menjadi
P (A) =
3
X
P (X1 = 1, X2 = j)
j=0
3
X
fX1 ,X2 (1, j)
j=0
f (1, x2 )
x2
= 0,432.
Definisi 3.2 (Fungsi densitas marjinal). Jika pasangan peubah acak diskrit (X1 , X2 ) memiliki
fungsi densitas bersama fX1 ,X2 (x1 , x2 ), maka fungsi densitas peluang marjinal X1 dan X2 adalah
X
fX1 (x1 ) =
fX1 ,X2 (x1 , x2 )
x2
dan
fX2 (x2 ) =
X
x1
fX1 ,X2 (x1 , x2 ).
26
Contoh 3.3. Misal (X1 , X2 ) MULT(n, p1 , p2 ), maka fungsi densitas marjinal X1 adalah
X
fX1 ,X2 (x1 , x2 )
fX1 (x1 ) =
x2
nx
X1
fX1 ,X2 (x1 , x2 )
x2 =0
nx
X1 (n x1 )!px2 [(1 p1 ) p2 ](nx1 )x2
n!
2
px1 1
x1 !(n x1 )!
x2 ![(n x1 ) x2 ]!
x2 =0
nx
X1 n x1
n!
x1
px2 2 [(1 p1 ) p2 ](nx1 )x2
=
p
x2
x1 !(n x1 )! 1
x2 =0

n x1
=
p [p2 + (1 p1 ) p2 ]nx1
x1 1

n x1
=
p (1 px1 )nx1 .
x1 1
(3.2)
Persamaan (3.2) merupakan bentuk distribusi dari binomial(n, p1 ), dengan kata lain X1
binomial(n, p1 ).
Definisi 3.3 (Fungsi distribusi kumulatif bersama). Fungsi distribusi kumulatif bersama k
peubah acak X1 , . . . , Xk adalah fungsi yang didefinisikan oleh
FX1 ,...,Xk (x1 , . . . , xk ) = P (X1 x1 , X2 x2 , . . . , Xk xk ).
Teorema 3.2 (Fungsi distribusi kumulatif bivariat). Suatu fungsi FX1 ,X2 (x1 , x2 ) adalah fungsi
distribusi kumulatif bivariat jika dan hanya jika:
(i) limx1 FX1 ,X2 (x1 , x2 ) = FX1 ,X2 (, x2 ) = 0 untuk semua x2 ;
(ii) limx2 FX1 ,X2 (x1 , x2 ) = FX1 ,X2 (x1 , ) = 0 untuk semua x1 ;
(iii) limx1 FX1 ,X2 (x1 , x2 ) = FX1 ,X2 (, ) = 1;
x2
(iv) Untuk semua a < b dan c < d berlaku: F (b, d) F (b, c) F (a, d) + F (a, c) 0;
(v) limh0+ FX1 ,X2 (x1 + h, x2 ) = limh0+ FX1 ,X2 (x1 , x2 + h) = FX1 ,X2 (x1 , x2 ) untuk semua
x1 dan x2 .
Contoh 3.4. Misal suatu fungsi didefinisikan sebagai berikut:
(
0, jika x1 + x2 < 1;
FX1 ,X2 (x1 , x2 ) =
1, jika x1 + x2 1.
Jika a = c = 1 dan b = d maka
F (1, 1) F (1, 1) F (1, 1) + F (1, 1) = 1 1 1 + 0 = 1.
Dengan kata lain sifat (iv) dalam Teorema 3.2 tidak dipenuhi.
3.1.4
27
Distribusi Kontinu Bersama
Definisi 3.4 (Fungsi peluang bersama kontinu). Suatu vektor peubah acak berdimensi k, X =
(X1 , . . . , Xk ) dikatakan kontinu jika terdapat suatu fungsi fX1 ,...,Xk (x1 , . . . , xk ) disebut fungsi
densitas bersama dari X, sedemikian hingga fungsi distribusi kumulatif bersama dapat ditulis
sebagai
Z
Z
xk
FX1 ,...,Xk (x1 , . . . , xk ) =
x1
fT1 ,T2 ,...,Tk (t1 , . . . , tk ) dt1 dtk
(3.3)
untuk semua x = (x1 , . . . , xk ).

Seperti halnya dalam kasus satu dimensi, fungsi densitas bersama dapat diperoleh dari fungsi
distribusi kumulatif bersama dengan menurunkan FX1 ,...,Xk (x1 , . . . , xk ) pada Persamaan (3.3),
yakni
k
fX1 ,...,Xk (x1 , . . . , xk ) =
FX1 ,...,Xk (x1 , . . . , xk ).
x1 xk
bilamana turunan parsialnya ada.
Teorema 3.3 (Syarat fungsi densitas bersama). Sembarang fungsi fX1 ,...,Xk (x1 , . . . , xk ) adalah
fungsi densitas bersama dari peubah acak berdimensi k jika dan hanya jika
fX1 ,...,Xk (x1 , . . . , xk 0) untuk semua x1 , . . . , xk
dan
fX1 ,...,Xk (x1 , . . . , xk ) dx1 dxk = 1.
Contoh 3.5. Misal X1 menyatakan konsentrasi substansi dalam suatu percobaan pertama
dan X2 menyatakan konsentrasi substansi dalam percobaan kedua. Dianggap fungsi densitas
bersama diberikan oleh
(
5x1 x2 untuk 0 < x1 < 1, 0 < x2 < 1;
fX1 ,X2 (x1 , x2 ) =
0
untuk x yang lain.
Fungsi distribusi kumulatif bersama diberikan oleh
Z x2 Z x1
FX1 ,X2 (x1 , x2 ) =
fT1 ,T2 (t1 , t2 ) dt1 dt2
Z
Z
x2
x1
=
5t1 t2 dt1 dt2
0
0

Z x2
5 2 x1
=
t1
t2 dt2
2 0
0
Z
5 2 x2
t2 dt2
= x1
2
0

5 2 1 2 x2
= x1
t
2
2 1 0
5 1
= x21 x22
2 2
5
= x21 x22
4
untuk 0 < x1 < 1, 0 < x2 < 1.
Menghitung peluang bersama dengan mengintegralkan fungsi densitas bersama peluang pada
daerah yang bersesuaian juga dimungkinkan. Misalnya, kita akan menghitung peluang untuk
kedua percobaan, bahwa "rata-rata konsentrasi kurang dari 0,5". Kejadian ini dapat dinyatakan
28
oleh [(X1 + X2 )/2 < 0,5], atau apabila himpunan A = {(x1 , x2 ) : (x1 + x2 )/2 < 0,5} maka dapat
dinyatakan sebagai [(X1 + X2 ) A]. Denga demikian,
P [(X1 + X2 )/2 < 0,5] = P [(X1 , X2 ) A]
Z Z
=
fX1 ,X2 (x1 , x2 ) dx1 dx2
A
Z 1 Z 1x2
5x1 x2 dx1 dx2
=
0
0

Z 1
5 2 1x2
x2
=
dx2
x
2 1 0
0
Z 1
5
=
x2 (1 x2 )2 dx2
0 2
Z 1
5
x2 (1 2x2 + x22 ) dx2
=
0 2
Z 1
5
=
(x2 2x22 + x32 ) dx2
2
0

5 1 2 2 3 1 4 1
=
x x2 + x
2 2
3
4
0

5 1 2 1
+
=
2 2 3 4
5
= .
24
Secara umum untuk peubah acak kontinu X = (X1 , . . . , Xk ) dimensi k dan kejadian A dimensi
k kita punya
Z
Z
P (X A) =
fX1 ,...,Xk (x1 , . . . , xk ) dx1 dxk .
Definisi 3.5 (Fungsi densitas marjinal). Jika pasangan peubah acak kontinu (X1 , X2 ) memiliki
fungsi densitas peluang bersama fX1 ,X2 (x1 , x2 ), maka fungsi densitas peluang marjinal X1 dan
X2 adalah
Z
fX1 (x1 ) =
fX1 ,X2 (x1 , x2 ) dx2
dan
Z
fX2 (x2 ) =
fX1 ,X2 (x1 , x2 ) dx1 .
Jika kita tinjau lagi Contoh 3.5, maka fungsi densitas marjinal X1 adalah
Z 1
fX1 (x1 ) =
5x1 x2 dx2
0
Z 1
= 5x1
x2 dx2
0

1 2 1
x
= 5x1
2 2 0
5
= x1 ,
2
untuk setiap 0 < x1 < 1 dan nol untuk yang lain.
29
Definisi 3.6 (Fungsi distribusi kumulatif marjinal). Jika X = (X1 , . . . , Xk ) adalah peubah
acak dimensi k dengan fungsi distribusi bersama FX1 ,...,Xk (x1 , . . . , xk ), maka fungsi distribusi
kumulatif marjinal Xj adalah
FXj (xj ) =
lim
xj
semua i6=j
FX1 ,...,Xk (x1 , . . . , xj , . . . , xk ).
Lebih lanjut, jika peubah acak X diskrit, maka fungsi densitas peluang marjinalnya adalah
X
X
fXj (xj ) =
fX1 ,...,Xk f (x1 , . . . , xj , . . . , xk )

semua i6=j
dan jika X kontinu maka

Z
fXj (xj ) =
fX1 ,...,Xk f (x1 , . . . , xj , . . . , xk ) dx1 dxk .
semua i6=j
Contoh 3.6. Misal X1 ,X2 , dan X3 adalah peubah-peubah acak kontinu dengan fungsi densitas
bersama dalam bentuk
(
c, untuk 0 < x1 < x2 < x3 < 1,
(3.4)
fX1 ,X2 ,X3 (x1 , x2 , x3 ) =
0, untuk x yang lain,
Nilai konstanta c dapat dihitung berdasarkan Teorema 3.3, yakni c = 6. Dengan demikian
Z x3 Z x2
fX3 (x3 ) =
6 dx1 dx2
0
0
Z x3 x2

x1
=6
dx2
0
0
Z x3
=6
x2 dx2
0

6 2 x2
=
x2
2
0
= 3x23 ,
jika 0 < x3 < 1 dan nol untuk yang lain.
3.2
Peubah Acak Bebas
Definisi 3.7 (Peubah acak bebas). Peubah-peubah acak X1 , . . . , Xk dikatakan bebas jika untuk
setiap ai < bi
k
Y
P (a1 X1 b1 , . . . , ak Xk bk ) =
P (ai Xi bi ).
(3.5)
i=1
Pernyataan pada sisi kanan Persamaan (3.5) merupakan perkalian peluang marjinal P (a1
X1 b1 ), . . . , P (ak Xk bk ). Dalam konteks ini disebut pula bebas secara stokastik (stochastically independent). Jika syarat pada Persamaan (3.5) tidak dipenuhi untuk semua ai < bi ,
maka peubah acak tersebut disebut tidak bebas (dependent).
Contoh 3.7. Misal X1 dan X2 adalah peubah acak diskrit dengan peluang bersama diberikan
tabel berikut:
Pada Tabel 3.7, nilai fungsi fX1 ,X2 (1, 1) = 0,2 = fX1 (x1 )fX2 (x2 ). Namun, nilai fX1 ,X2 (1, 2) =
0,1 6= fX1 (1)fX2 (2). Dengan demikian peubah acak X1 dan X2 tidak bebas.
30
Tabel 3.1: Nilai fungsi densitas bersma dua peubah acak
x1
fX2 (x2 )
0
1
2
0
0,1
0,1
0,1
0,3
x2
1
0,2
0,2
0,1
0,5
2
0,1
0,1
0
0, 2
fX1 (x1 )
0,4
0,4
0,2
Teorema 3.4. Peubah acak X1 , . . . , Xk adalah bebas jika dan hanya jika salah satu dari sifat
berikut dipenuhi:
(i) FX1 ,...,Xk (x1 , . . . , xk ) = FX1 (x1 ) FXk (xk ), atau
(ii) fX1 ,...,Xk (x1 , . . . , xk ) = fX1 (x1 ) fXk (xk ),
dimana FXi (xi ) dan fXi (xi ) adalah fungsi distribusi kumulatif marjinal dan fungsi densitas dari
Xi .
Teorema 3.5. Dua peubah acak X1 dan X2 dengan fungsi densitas bersama fX1 ,X2 (x1 , x2 )
dikatakan bebas jika dan hanya jika:
(i) himpunan pendukung, {(x1 , x2 ) : fX1 ,X2 (x1 , x2 ) > 0} , adalah produk Cartesius, A B,
dan
(ii) fungsi densitas bersama dapat difaktorkan menjadi produk dari fungsi-fungsi x1 dan x2 ,
fX1 ,X2 (x1 , x2 ) = gX1 (x1 )hX2 (x2 ).
Contoh 3.8. Fungsi densitas bersama dari pasangan peubah acak X1 dan X2 dinyatakan oleh
(
8x1 x2 untuk 0 < x1 < x2 < 1;
fX1 ,X2 (x1 , x2 ) =
0
untuk x lainnya.
Dalam kasus ini himpunan pendukungnya adalah {(x1 , x2 )|0 < x1 < 1 dan 0 < x2 < 1} dapat
dinyatakan sebagai A B, dimana A dan B keduanya selang terbuka (0, 1). Bagian kedua pada
Teorema 3.5 dipenuhi karena x1 x2 bisa difaktorkan sebagai gX1 (x1 )hX2 (x2 ). Dengan demikian,
X1 dan X2 bebas.
Contoh 3.9. Fungsi densitas bersama dari pasangan peubah acak X1 dan X2 dinyatakan oleh
(
x1 + x2 untuk 0 < x1 < 1, 0 < x2 < 1;
fX1 ,X2 (x1 , x2 ) =
0
untuk x lainnya.
Dalam kasus ini himpunan pendukungnya adalah {(x1 , x2 )|0 < x1 < 1 dan 0 < x2 < 1} dapat
dinyatakan sebagai AB, dimana A dan B keduanya selang terbuka (0, 1). Namun, bagian kedua
pada Teorema 3.5 tidak dipenuhi karena x1 + x2 tidak bisa difaktorkan sebagai gX1 (x1 )hX2 (x2 ).
Dengan demikian, X1 dan X2 tidak bebas.
3.3
3.3.1
Distribusi Bersyarat
Distribusi Bersyarat
Konsep kebebasan juga berhubungan dengan peluang bersyarat dan hal ini menyarankan bahwa
definisi peluang bersyarat dari kejadian dapat diperluas untuk konsep peubah acak bersyarat.
31
Definisi 3.8 (Fungsi densitas peluang bersyarat). Jika X1 dan X2 adalah peubah acak diskrit
atau kontinu dengan fungsi densitas peluang bersama fX1 ,X2 (x1 , x2 ) maka fungsi densitas peluang bersyarat dari X2 diketahui X1 = x1 didefinisikan sebagai
fX2 |X1 =x1 (x2 |x1 ) =
fX1 ,X2 (x1 , x2 )

fX1 (x1 )
untuk nilai x1 sedemikian hingga fX1 (x1 ) > 0 dan nol untuk yang lain.
Dengan cara yang sama, fungsi densitas peluang bersyarat X1 diberikan X2 = x2 adalah
fX1 |X2 =x2 (x1 |x2 ) =
fX1 ,X2 (x1 , x2 )

fX2 (x2 )
untuk nilai x2 sedemikian hingga fX2 (x2 ) > 0 dan nol untuk yang lain.
Untuk kasus diskrit fungsi densitas peluang bersyarat sebenarnya adalah peluang bersyarat.
Sebagai misal, jika X1 dan X2 adalah diskrit, maka fX1 ,X2 (x1 , x2 ) adalah peluang bersyarat kejadian (X2 = x2 ) diberikan kejadian (X1 = x1 ). Namun, dalam kasus kontinu interpretasi pada
fungsi densitas peluang bersyarat tidak jelas karena P (X1 = x1 ) = 0. Meskipun fX1 ,X2 (x1 , x2 )
tidak dapat diinterpretasikan sebagai peluang bersyarat dalam hal ini, namun dapat dianggap
sebagai penugasan "densitas peluang" bersyarat untuk selang kecil sembarang [x2 , x2 + x2 ],
seperti halnya fungsi densitas peluang marjinal fX2 (x2 ) menugaskan densitas peluang marjinal.
Dengan demikian untuk kasus kontinu, peluang bersyarat kejadian dengan bentuk a X2 b
diberikan X1 = x1 dinyatakan sebagai
Z b
P (a X2 b|X1 = x1 ) =
fX2 |X1 =x1 (x2 |x1 ) dx2
a
Rb
a fX1 ,X2 (x1 , x2 ) dx2
= R
.
fX1 ,X2 (x1 , x2 ) dx2
Contoh 3.10. Misal X1 ,X2 , dan X3 adalah peubah-peubah acak kontinu dengan fungsi densitas
bersama berbentuk
(
6, untuk 0 < x1 < x2 < x3 < 1,
fX1 ,X2 ,X3 (x1 , x2 , x3 ) =
0, untuk x yang lain.
Maka peluang bersyarat X3 diketahui (X1 , X2 ) = (x1 , x2 ) adalah
fX1 ,X2 ,X3 (x1 , x2 , x3 )
fX1 ,X2 (x1 , x2 )
6
=
6(1 x2 )
1
=
untuk 0 < x1 < x2 < x3 < 1
1 x2
fX3 |X1 =x1 ,X2 (x3 |x1 , x2 ) =
dan nol untuk x lainnya.

Teorema 3.6. Jika X1 dan X2 adalah peubah-peubah acak dengan fungsi densitas bersama
fX1 ,X2 (x1 , x2 ) dan fungsi densitas peluang marjinal fX1 (x1 ) dan fX2 (x2 ), maka
fX1 ,X2 (x1 , x2 ) = fX1 (x1 )fX2 |X1 =x1 (x2 |x1 ) = fX2 (x2 )fX1 |X2 =x2 (x1 |x2 )
dan jika X1 dan X2 saling bebas, maka
fX2 |X1 =x1 (x2 |x1 ) = fX2 (x2 )
dan
fX1 |X2 =x2 (x1 |x2 ) = fX1 (x1 ).
3.4
32
Latihan Soal
3-1 Misal X1 dan X2 adalah peubah acak diskrit dengan fungsi peluang densitas (massa) peluang bersama dengan bentuk
fX1 ,X2 (x1 , x2 ) = c(x1 + x2 ) untuk x1 = 0, 1, 2; x2 = 0, 1, 2;
dan nol untuk x1 dan x2 lainnya. Hitunglah konstanta c.
3-2 Misal X1 dan X2 adalah peubah acak diskrit dengan fungsi densitas peluang bersama
fX1 ,X2 (x1 , x2 ) diberikan oleh tabel berikut:
x1
1
2
3
1
1/12
0
1/18
x2
2
1/6
1/9
1/4
3
0
1/5
2/15
a) Carilah fungsi densitas peluang marjinal X1 dan X2 .

b) Apakah X1 dan X2 saling bebas? Jelaskan!
c) Hitung P (X1 2).
d) Hitung P (X1 X2 ).
e) Tabulasikan fungsi densitas peluang bersyarat fX2 |X1 =x1 (x2 |x1 ) dan fX1 |X2 =x2 (x1 |x2 ).
3-3 Misal X1 dan X2 adalah peubah acak kontinu dengan fungsi densitas peluang bersama
dengan bentuk
(
2e(x1 +x2 )
jika 0 < x1 < x2 dan x2 > 0;
fX1 ,X2 (x1 , x2 ) =
0
untuk x1 dan x2 lainnya.
a) Hitung fX1 (x1 ) dan fX2 (x2 ).
b) Hitung fX1 |X2 =x2 (x1 |x2 ) dan fX2 |X1 =x1 (x2 |x1 ).
c) Apakah X1 dan X2 bebas?
3-4 Misal X dan Y memiliki fungsi densitas bersama
(
(2/3)(x + 1)
untuk 0 < x < 1, 0 < y < 1;
fX,Y (x, y) =
0
untuk x dan y lainnya.
a) Hitung fungsi distribusi kumulatif bersama FX,Y (x, y).
b) Hitung fY |X=x (y|x).
c) Hitung fX|Y =y (x|y).
d) Hitung P (x 0,5|Y = 0,75).
e) Hitung P (x 0,5|Y 0,75).
BAB 4
SIFAT-SIFAT PEUBAH ACAK
Kompetensi Dasar
Menghasilkan transformasi peubah acak.
Membuat transformasi peubah acak dengan menggunakan teknik fungsi distribusi, metode
transformasi, formula konvolusi, dan fungsi pembangkit momen.
Materi Pokok
4.1 Sifat-sifat Nilai Harapan
4.2 Kovarians dan Korelasi
4.3 Harapan Bersyarat
4.4 Fungsi Pembangkit Momen Bersama
4.5 Latihan Soal
4.6 Latihan Soal Teoretis
Penggunaan peubah acak dan distribusi peluangnya telah dibicarakan sebagai suatu cara untuk mengekspresikan suatu model matematika untuk suatu fenomena fisikal nondeterministik.
Peubah acak mungkin berasosiasi dengan beberapa karakteristik numerik dari populasi sebenarnya atau konsep dari item-item dan fungsi densitas peluang mewakili distribusi populasi
terhadap semua nilai yang mungkin dari karakteristiknya. Seringkali densitas populasi yang
sesungguhnya tidak diketahui. Salah satu kemungkinan adalah mempertimbangkan suatu keluarga fungsi densitas peluang yang diindeks oleh suatu parameter yang tidak diketahui sebagai
suatu model yang mungkin dan berkonsentrasi pada memiliki suatu nilai untuk parameter tersebut.
Penekanan utama dalam statistika adalah mengembangkan pendugaan (estimates) parameter yang tidak diketahui berdasarkan data sampel. Pada beberapa kasus suatu parameter
mungkin mewakili suatu kuantitas yang berarti secara fisika, misalnya rata-rata atau nilai tengah
dari populasi. Dengan demikian, sangatlah bermanfaat untuk mendefinisikan dan mempelajari
beragam sifat peubah acak yang mungkin berguna dalam mewakilkan dan menginterpretasikan
populasi sesungguhnya (original population), begitu pula berguna dalam pendugaan atau pemilihan model yang sesuai.
Pada beberapa kasus, sifat-sifat khusus dari suatu model (misalnya sifat no memory distribusi eksponensial) mungkin cukup membantu dalam mengindikasikan jenis asumsi fisika yang
33
34
konsisten dengan model, meskipun implikasi dari model biasanya kurang jelas. Pada kasus
seperti ini kebergantungan lebih banyak didasarkan pada ukuran-ukuran deskriptif seperti varians dari suatu distribusi. Pada bab ini, ukuran-ukuran deskriptif tambahan dan sifat-sifat
peubah acak akan dikembangkan.
4.1
Sifat-sifat Nilai Harapan
Saat membicarakan nilai harapan kita sering tertarik dengan fungsi dari satu atau lebih peubah
acak. Sebagai contoh, suatu studi melibatkan suatu vektor dari k peubah acak, X = (X1 , . . . , Xk )
dan kita ingin menghitung nilai harapan dari beberapa fungsi dari X, katakanlah Y = u(X).
Notasi yang digunakan dapat berupa E(Y ), E[u(X)], atau EX [u(X)].
Teorema 4.1 ( Bain and Engelhardt (1992)). Jika X = (X1 , . . . , Xk ) memiliki suatu fungsi
densitas peluang bersama fX (x1 , . . . , xk ) dan jika Y = u(X1 , . . . , Xk ) adalah fungsi dari X,
maka E(Y ) = EX [u(X1 , . . . , Xk )], dengan
(P
P
u(x1 , . . . , xk )fX (x1 , . . . , xk ),
jika X diskrit;
x1
R xk
EX [u(X1 , . . . , Xk )] = R
jika X kontinu.
u(x1 , . . . , xk )fX (x1 , . . . , xk ) dx1 dxk ,
(4.1)
Teorema 4.2. Jika X1 dan X2 adalah peubah-peubah acak dengan fungsi densitas peluang
bersama fX1 ,X2 (x1 , x2 ) maka
E(X1 + X2 ) = E(X1 ) + E(X2 ).
(4.2)
Bukti: Catatan: nilai harapan pada sisi kiri dari persamaan (4.2) adalah relatif terhadap fungsi
densitas peluang bersama X = (X1 , X2 ) sementara suku-suku pada sisi kanan relatif terhadap
fungsi densitas bersama atau marjinal. Dengan kata lain, persamaan yang lebih tepat untuk (4.2)
adalah
EX (X1 + X2 ) = EX (X1 ) + EX (X2 )
= EX1 (X1 ) + EX2 (X2 ).
Akan dibuktikan untuk kasus kontinu:
E(X1 + X2 ) = EX (X1 + X2 )
Z Z
=
(x1 + x2 )fX1 ,X2 (x1 , x2 ) dx1 dx2
Z
Z
Z Z
=
x1 fX1 ,X2 (x1 , x2 ) dx1 dx2 +
x2 fX1 ,X2 (x1 , x2 ) dx1 dx2

Z
Z
Z
Z
=
x1
fX1 ,X2 (x1 , x2 ) dx2 dx1 +
x2
fX1 ,X2 (x1 , x2 ) dx1 dx2
Z
Z
=
x1 fX1 (x1 ) dx1 +
x2 fX2 (x2 ) dx2
= EX1 (X1 ) + EX2 (X2 )

= E(X1 ) + E(X2 ).
35
Selanjutnya untuk kasus diskrit adalah sebagai berikut:

E(X1 + X2 ) = EX (X1 + X2 )
X
X
=
(x1 + x2 )fX1 ,X2 (x1 , x2 )
=
x2 = x1 =
X
X
x2 = x1 =
X
X
fX1 ,X2 (x1 , x2 ) +
x1
x1 =
x1 fX1 ,X2 (x1 , x2 ) +
x1 fX1 (x1 ) +
x1 =
x2 fX1 ,X2 (x1 , x2 )
x2 = x1 =
X
X
x2
x2 =
x2 =
x1 fX1 ,X2 (x1 , x2 )
x1 =
x2 fX1 (x2 )
x2 =
= EX1 (X1 ) + EX2 (X2 )

= E(X1 ) + E(X2 ).
Dengan Teorema 4.2 kasus dapat diperluas sampai k peubah. Jika a1 , . . . , ak adalah konstantakonsta dan jika X1 , . . . , Xk adalah peubah-peubah acak yang berdistribusi secara bersama-sama,
maka
X
X
k
k
E
ai Xi =
E(Xi ).
(4.3)
i=1
i=1
Teorema 4.3. Jika X dan Y adalah peubah-peubah acak saling bebas dan g(x) dan h(y) adalah
fungsi-fungsi maka
E[g(X)h(Y )] = E[g(X)] E[h(Y )].
(4.4)
Bukti: Akan dibuktikan untuk kasus kontinu:
Z Z
E[g(X)h(Y )] =
g(x)h(y)fX,Y (x, y) dx dy

Z Z
=
g(x)h(y)fX (x)fY (y) dx dy

Z
Z
=
g(x)fX (x) dx
fY (y) dy
= E[g(X)] E[h(Y )].

Selanjutnya untuk kasus diskrit:
E[g(X)h(Y )] =
y= x=
X
X
g(x)h(y)fX,Y (x, y)
g(x)h(y)fX (x)fY (y)
y= x=
y=
g(x)fX (x)
= E[g(X)] E[h(Y )].
h(y)fY (y)
36
Dengan teorema ini dimungkinkan untuk mengembangkan lebih dair dua peubah. Jika
X1 , . . . , Xn adalah peubah acak bebas dan u1 (x1 ), . . . , uk (xk ) adalah fungsi maka
E[u1 (X1 ) uk (XK )] = E[u1 (X1 )] E[uk (Xk )].
4.2
(4.5)
Kovarians dan Korelasi
Sifat-sifat tertentu nilai harapan memberikan hubungan antara dua peubah acak.
Definisi 4.1 (Bain and Engelhardt (1992)). Kovarians dari pasangan peubah-peubah acak X
dan Y didefinisikan oleh
cov(X, Y ) = E{[X E(X)][Y E(Y )]}.
(4.6)
Notasi lain untuk cov(X, Y ) adalah XY ; demikian pula, E(X) dan E(Y ) dinotasikan berturutturut X dan Y .
Teorema berikut memberikan sifat-sifat yang berhubungan dengan kovarians.
Teorema 4.4. Jika X dan Y adalah peubah acak dan a serta b adalah konstanta- konstanta,
maka
cov(aX, bY ) = ab cov(X, Y ),
(4.7)
cov(X + a, Y + b) = cov(X, Y ),
(4.8)
cov(X, aX + b) = a var(X).
(4.9)
dan
Bukti: Akan ditunjukkan cov(aX, bY ) = ab cov(X, Y ). Menurut definisi

cov(aX, bY ) = E{[aX E(aX)][bY E(bY )]}
= E{[aX a E(X)][bY b E(Y )]}
= E{a[X E(X)]b[Y E(Y )]}
= E{ab[X E(X)][Y E(Y )]}
= ab E{[X E(X)][Y E(Y )]}
= ab cov(X, Y ).
Kemudian akan ditunjukkan cov(X + a, Y + b) = cov(X, Y ).
cov(X + a, Y + b) = E{[X + a E(X + a)][Y + b E(Y + b)]}
= E{[X + a E(X) a][Y + b E(Y ) b]}
= E{[X E(X)][Y E(Y )]}
= cov(X, Y ).
Selanjutnya akan ditunjukkan cov(X, aX + b) = a var(X).
cov(X, aX + b) = E{[X E(X)][aX + b E(aX + b)]}
= E{[X E(X)][aX + b a E(X) b]}
= E{[X E(X)][aX a E(X)]}
= E{[X E(X)]a[X E(X)]}
= E{a[X E(X)]2 }
= a E{[X E(X)]2 }
= a var(X).
37
Teorema berikut memberikan cara lain untuk menghitung kovarians dan sifat-sifatnya bila
kedua peubah acak saling bebas.
Teorema 4.5 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah acak maka
cov(X, Y ) = E(XY ) E(X) E(Y )
(4.10)
dan cov(X, Y ) = 0 bilamana X dan Y saling bebas.

Bukti: Akan ditunjukkan cov(X, Y ) = E(XY ) E(X) E(y). Menurut definisi
cov(X, Y ) = E{[X E(X)][Y E(Y )]}
= E{[XY X E(Y ) E(X)Y + E(X) E(Y )]}
= E(XY ) E(X) E(Y ) E(X) E(Y ) + E(X) E(Y )
= E(XY ) E(X) E(Y ).
Bilamana X dan Y saling bebas maka
cov(X, Y ) = E(XY ) E(X) E(Y )
= E(X) E(Y ) E(X) E(Y )
= 0.
Teorema 4.6 (Bain and Engelhardt (1992)). Jika X1 dan X2 adalah peubah acak dengan fungsi
densitas peluang bersama fX1 ,X2 (x1 , x2 ) maka
var(X1 + X2 ) = var(X1 ) + var(X2 ) + 2 cov(X1 , X2 )
(4.11)
var(X1 + X2 ) = var(X1 ) + var(X2 )
(4.12)
dan
bilamana X1 dan X2 saling bebas.
Bukti:
var(X1 + X2 ) = E{[(X1 + X2 ) E(X1 + X2 )]}
= E{[X1 E(X1 ) + X2 E(X2 )]2 }
= E{[X1 E(X1 )]2 + 2[X1 E(X1 )][X2 E(X2 )] + [X2 E(X2 )]2 }
= E{[X1 E(X1 )]}2 + 2 E{[X1 E(X1 )][X2 E(X2 )]} + E{[X2 E(X2 )]2 }
= var(X1 ) + 2 cov(X1 , X2 ) + var(X2 )
= var(X1 ) + var(X2 ) + 2 cov(X1 , X2 ).
Mengingat cov(X1 , X2 ) = 0 bilamana X1 dan X2 saling bebas, maka
var(X1 + X2 ) = var(X1 ) + var(X2 ) + 0
= var(X1 ) + var(X2 ).
Dengan cara yang sama kasus ini pun dapat diperluas untuk k peubah acak. Bila X1 , . . . , Xk
adalah peubah acak dan a1 , . . . , ak adalah konstanta-konstanta, maka
var
X
k
i=1

ai Xi
k
X
i=1
a2i var(Xi ) + 2
XX
i<j
ai aj cov(Xi , Xj ).
(4.13)
38
dan jika X1 , . . . , Xk saling bebas maka

X
X
k
k
var
ai Xi =
var(Xi ).
i=1
i=1
Pada bagian sebelumnya konvarians digunakan sebagai ukuran untuk mengukur ketergantungan antara dua peubah acak. Telah ditunjukkan bahwa cov(X, Y ) = 0 bilamana X dan Y
saling bebas. Namun, sebaliknya tidaklah benar.
Contoh 4.1. Misal suatu pasangan peubah acak diskrit X dan Y dengan fungsi densitas peluang
bersama
1,
jika (0, 1), (1, 0), (0, 1), (1, 0);
fX,Y (x, y) = 4
(4.14)
0,
jika x dan y lainnya.
Fungsi densitas peluang marjinal X adalah fX (1) = 1/4, fX (0) = 1/2, dan fX (x) = 0 untuk
x lainnya. Demikian pula fungsi densitas peluang marjinal fY (1) = 1/4, fY (0) = 1/2, dan
fY (y) = 0 untuk y lainnnya. Selanjutnya
E(X) = (1/4) + 0(1/2) + 1(1/4) = 0,
(4.15)
E(Y ) = (1/4) + 0(1/2) + 1(1/4) = 0.
(4.16)
dan
Mengingat xy = 0 bilamana f (x, y) > 0 maka E(XY ) = 0. Sehingga cov(XY ) = E(XY )
E(X) E(Y ) = 0 0 = 0. Namun, fX,Y (0, 0) 6= fX (0)fY (0). Jadi X dan Y tidak saling bebas. Jadi secara umum dapat disimpulkan bahwa X dan Y terikat jika cov(X, Y ) 6= 0, tetapi
cov(X, Y ) = 0 tidaklah perlu mengimplikasikan bahwa X dan Y adalah bebas.
Definisi 4.2 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak dengan
varians var(X) dan var(Y ) dan kovarians cov(X, Y ), maka koefisien korelasi dari X dan Y
adalah
cov(X, Y )
p
corr(X, Y ) = p
.
(4.17)
var(X) var(Y )
Catatan: Biasanya korelasi X dan Y dinotasikan sebagai XY atau dan varians X dan Y
2 dan 2 . Sehingga, Persamaan (4.17) dapat ditulis sebagai
sebagai X
Y
XY
XY =
.
(4.18)
X Y
Peubah-peubah acak X dan Y dikatakan tidak berkorelasi jika XY = 0; selain itu dikatakan
berkorelasi.
Teorema 4.7 (Bain and Engelhardt (1992)). Jika XY adalah koefisien korelasi dari X dan Y ,
maka
1 XY 1
(4.19)
dan XY = 1 jika dan hanya jika Y = aX + b dengan peluang 1 untuk beberapa a 6= 0 dan b.
Bukti: Untuk membuktikan Persamaan (4.19), misalkan
X
Y
W =
XY
,
Y
X
sehingga
2

1
XY 2 2
XY
2
var(W ) =
Y +
X 2XY
Y
X
X Y
= 1 + 2XY 22XY
= 1 2XY 0,
karena var(W ) 0.
4.3
39
Harapan Bersyarat
Definisi 4.3. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersama,
maka harapan bersyarat (conditional expectation) Y diketahui X = x didefinisikan sebagai
(P
yf
(y|x),
jika X dan Y diskrit;
E(Y |x) = R y Y |X
(4.20)
jika X dan Y kontinu.
yfY |X (y|x) dy,
Catatan: notasi lain untuk harapan bersyarat adalah EY |x (Y ) dan E(Y |X = x). Pada
bagian ini kita akan menggunakan simbol E(Y |x) untuk menyederhanakan notasi.
Contoh 4.2. Suatu fungsi densitas peluang bersyarat Y diketahui X = x adalah
fY,X (y|x) =
2
x
, 0<y< .
x
2
(4.21)
Harapan bersyaratnya adalah

Z
E(Y |x) =
0
x/2
2
y dy
x

2 y 2 y=x/2
=
x 2 y=0
2 (x/2)2
x 2
x
= , 0 < x < 2.
4
=
(4.22)
Ingat bahwa harapan bersyarat Y diketahui X = x adalah fungsi dari x, katakanlah u(x) =
E(Y |x). Teorema berikut mengatakan bahwa secara umum, peubah acak u(X) = E(Y |X)
memiliki harapan marjinal Y , yakni E(Y ).
Teorema 4.8. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersamasama, maka
E[E(Y |X)] = E(Y ).
(4.23)
Bukti: Akan dibuktikan untuk kasus kontinu:
Z
E[E(Y |X)] =
E(Y |x)fX (x) dy
Z Z
=
yfY |X (y|x)fX (x) dy dx
Z Z
=
fX,Y (x, y) dx dy
=
yfY (y) dy
= E(Y ).
40
Selanjutnya untuk kasus diskrit:

E[E(Y |X)] =
E(Y |X)fX (x)
XX
x
yfY |X (y|x)fX (x)
X X
y
fY |X (y|x)fX (x)
y
X X
=
y
fX,Y (x, y)
=
fY (y)
= E(Y ).
Teorema berikut memberikan gambaran jika X dan Y saling bebas.

Teorema 4.9 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak saling
bebas, maka E(Y |x) = E(Y ) dan E(X|y) = E(X).
Bukti: Peubah acak X dan Y saling bebas sehingga fY |X (y|x) = fY (y) dan fX|Y (x|y) = fX (x).
Akan dibuktikan untuk kasus kontinu:
Z
E(Y |x) =
yfY |X dy
Z
=
yfY (y) dy
= E(Y )
dan
E(X|y) =
xfX|Y (x|y) dx
Z
xfX (x) dx
= E(X).
Selanjutnya akan ditunjukkan untuk kasus diskrit:
X
E(Y |x) =
yfY |X (y|x)
y
yfY (y)
= E(Y )
dan
E(X|y) =
xf (x|y)
fX (x)
= E(X).
41
Definisi 4.4 (Bain and Engelhardt (1992)). Varians bersyarat Y diketahui X = x diberikan
oleh
var(Y |x) = E{[Y E(Y |x)]2 |x}.
(4.24)
Bentuk (4.24) dapat pula dituliskan sebagai
var(Y |x) = E(Y 2 |x) [E(Y |x)]2 .
(4.25)
Teorema 4.10. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersamasama, maka
var(Y ) = EX [var(Y |X)] varX [E(Y |X)].
(4.26)
Bukti:
EX [var(Y |X)] = EX {E(Y |X) [E(Y |X)]2 }
= {E(Y 2 ) EX [E(Y |X)]}
= E(Y 2 ) E[(Y )]2 {EX [E(Y |X)] E[(Y )]2 }
= var(Y ) varX [E(Y |X)].
Teorema ini menegaskan bahwa varians bersyarat lebih kecil dair varians tidak bersyarat.
Namun, apabila X dan Y saling bebas, varians akan sama. Sebagai ilustrasi, jika kita tertarik
untuk menduga rata-rata tinggi individual E(Y ), maka teorema ini menegaskan bahwa lebih
mudah untuk menduga tinggi (bersyarat) orang jika kita tahu berat badan orang tersebut karena
populasi tidak bersyarat tinggi tidak akan pernah lebih besar daripada varians yang direduksi
dari populasi individu berat badan tertentu x.
Teorema 4.11 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak yang
berdistribusi secara bersama-sama dan h(x, y) adalah suatu fungsi, maka
E[h(X, Y )] = EX {E[h(X, Y )]|X}.
(4.27)
Teorema 4.12 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak yang
berdistribusi bersama dan g(x) adalah fungsi, maka
E[g(X)Y |x] = g(x) E(Y |x).
4.3.1
(4.28)
Distribusi Normal Bivariat
Suatu pasangan peubah acak kontinu X dan Y dikatakan berdistribusi normal bivariat jika
memiliki fungsi densitas peluang bersama dengan bentuk

1
1
x X 2
y Y
x X
y Y 2
q
fX,Y (x, y) =
exp
2
+
X
X
Y
Y
2(1 2XY )
2X Y 1 2XY
< x < , < y < .
(4.29)
Notasi khusus untuk distribusi persamaan (4.29) adalah
2
(X, Y ) BVN(X , Y , X
, Y2 , XY )
(4.30)
yang bergantung pada lima parameter < X < , < Y < , X > 0, Y > 0, dan
1 < XY < 1.
4.4
42
Fungsi Pembangkit Momen Bersama
Konsep fungsi pembangkit momen dapat diperluas untuk peubah acak berdimensi k.
Definisi 4.5 (Bain and Engelhardt (1992)). Fungsi pembangkit momen bersama dari X =
(X1 , . . . , Xk ), jika ada, didefinisikan sebagai

X

k
MX (t) = E exp
ti Xi
(4.31)
i=1
dengan t = (t1 , . . . , tk ) dan h < ti < h untuk beberapa h > 0.

Sifat-sifat fungsi pembangkit momen bersama analog dengan sifat fungsi pembangkit momen univariat. Momen campuran seperti E(Xir , Xjs ) dapat dihitung dengan menurunkan fungsi
pembangkit momen bersama r kali bersesuaian dengan ti dan s kali bersuaian dengan tj dan
membuat semua ti = 0. Fungsi pembangkit momen bersama juga secara unik menentukan
distribusi bersama dari peubah-peubah X1 , . . . , Xk . Fungsi pembangkit momen dari distribusi
marjinal dari fungsi pembangkit momen bersama juga dimunkinkan. Sebagai contoh,
MX (t1 ) = MX,Y (t1 , 0)
(4.32)
MY (t2 ) = MX,Y (0, t2 ).
(4.33)
dan
Contoh 4.3. Misal X = (X1 , . . . , Xk ) MULT(n, p1 , . . . , pk ). Kita tahu bahwa distribusi marjinalnya adalah binomial, yakni Xi BIN(n, pi ). Fungsi pembangkit momen bersama distribusi
multinomial dapat dihitung menggunakan distribusi binomial

X

k
MX (t) = E exp
ti Xi
i=1
n
k +1
(p1 et1 )x1 (pk etk )xk pxk+1
x1 ! xk+1 !
= (p1 et1 + + pk etk +pk+1 )n
=
dengan pk+1 = 1 p1 pk .
4.5
Latihan Soal
4-1 Misal peubah acak kontinu X dan Y dengan fungsi densitas peluang bersama
(
24xy, jika 0 < x, 0 < y, dan x + y < 1;
fX,Y (x, y) =
0,
Hitunglah:
a) E(XY );
b) kovarians antara X dan Y ;
c) koefisien korelasi antara X dan Y ;
d) cov(3X, 5Y );
e) cov(X + 1, Y 2);
(4.34)
43
f) cov(X + 1, 5Y 2);
g) cov(3X + 5, X).
4-2 Misal X dan Y adalah peubah acak diskrit dengan fungsi densitas peluang bersama
4 , jika x = 1, 2, dan y = 2, 3;
fX,Y (x, y) = 5xy
0,
Hitunglah:
a) E(X);
b) E(Y );
c) E(XY );
d) cov(X, Y ).
4-3 Misal berat (dalam ons) dari suatu bola basket adalah suatu peubah acak dengan rata-rata
5 dan simpangan baku 2/5. Sebuah kotak berisi 144 bola basket. Dianggap berat masingmasing bola basket adalah saling bebas dan T menyatakan berat total semua bola basket
dalam kotak. Hitunglah:
a) nilai harapan total berat, yakni E(T );
b) varians total berat, yakni var(T ).
4-4 Untuk Soal No. 1 dan 2, hitunglah:
a) E(Y |x);
b) var(Y |x).
4-5 Misal distribusi bersyarat Y diberikan X = x adalah Poisson dengan rata-rata E(Y |x) = x,
Y |x POI(x), dan E(X) EXP(1). Hitunglah:
a) E(Y );
b) var(Y ).
4-6 Misal X dan Y memiliki fungsi densitas peluang bersama
(
ey , jika 0 < x < y < ;
fX,Y (x, y) =
0,
Hitunglah E(X|y).
4-7 Misal Y1 dan Y2 adalah peubah-peubah acak kontinu dengan fungsi densitas peluang bersama
(
2 ey1 y2 , jika 0 < y1 < y2 < ;
fY1 ,Y2 (y1 , y2 ) =
0,
Hitunglah fungsi pembangkit momen (MGF) bersama Y1 dan Y2 .
4.6
44
Latihan Soal Teoretis
4-1* Jika X, Y , Z, dan W adalah peubah-peubah acak, maka tunjukkan bahwa:

a) cov(X Y, Z) = cov(X, Z) cov(Y, Z);
b) cov(X + Y, Z + W ) = cov(X, Z) + cov(X, W ) + cov(Y, Z) + cov(Y, W );
c) cov(X + Y, X Y ) = var(X) var(Y ).
4-2* Jika X1 , . . . , Xn dan Y1 , . . . , Yn adalah peubah acak yang berdistribusi bersama, dan jika
a1 , . . . , ak dan b1 , . . . , bm adalah konstanta-konstanta, maka tunjukkan bahwa
cov
X
k
i=1
ai Xi ,
n
X
j=1

bj Yj
k X
m
X
cov(Xi , Yj ).
i=1 j=1
4-3* Misal X1 dan X2 adalah peubah acak normal bebas, Xi N (i , i2 ), dan Y1 = X1 serta
Y2 = X1 + X2 .
a) Tunjukkan bahwa Y1 dan Y2 adalah normal bivariat.
b) Berapakah rata-rata, varians, dan koefisien korelasi Y1 dan Y2 ?
c) Carilah distribusi bersyarat Y2 diketahui Y1 = y1 .
BAB 5
FUNGSI-FUNGSI PEUBAH ACAK
Kompetensi Dasar
Materi Pokok
5.1 Teknik Fungsi Distribusi Kumulatif
5.2 Metode Transformasi
5.3 Jumlah Peubah Acak
5.4 Statistik Terurut
5.5 Latihan Soal
Pada BAB I, peluang didefinisikan dalam konsep teori himpunan. Konsep peubah acak diperkenalkan sedemikian hingga kejadian-kejadian dapat diasosiasikan dengan himpunan bilangan real
dalam ruang rentang (range space) dari peubah acak. Hal ini memungkinkan kita untuk mengekspresikan secara matematis model peluang untuk populasi atau karakteristik yang ingin diteliti
dalma bentuk suatu fungsi densitas peluang atau suatu fungsi distribusi kumulatif untuk peubah
acak yang bersesuaian, katakanlah X. Dalam kasus ini, X menyatakan karakteristik awal yang
menjadi daya tarik dari fungsi densitas peluang fX (x), disebut fungsi densitas peluang populasi.
Seringkali dalam banyak kasus beberapa fungsi peubah acak ini menjadi daya tarik. Misal
jika X menyatakan umur anak ayam dalam minggu, peneliti lain mungkin menyatakan umur
dalam hari, yakni Y = 7X. Dengan cara yang sama, W = X 2 atau Z = ln X atau beberapa
fungsi lain mungkin menjadi daya tarik peneliti.
Setiap fungsi dari peubah acak X adalah suatu peubah acak, dan fungsi distribusidari suatu
fungsi X ditentukan oleh distribusi peluang X. Misal, untuk peubah acak Y diatas P (21 X
28) = P (3 Y 4) dan sebagainya. Akan lebih berguna jika kita dapat menyatakan fungsi
densitas peluang atau fungsi distribusi kumulatif suatu fungsi dari peubah acak dalam fungsi
densitas peluang atau fungsi distribusi kumulatif peubah acak asli. Fungsi denstias peluang
seperti ini disebut distribusi-distribusi turunan (derived distributions). Suatu fungsi densitas
peluang tertentu mungkin menyatakan fungsi densitas peluang populasi dalam suatu aplikasi,
tetapi menjadi distribusi turunan dalam aplikasi lain. Dalam bab ini kita akan mempelajari
beberapa teknik untuk memperoleh fungsi distribusi turunan dari suatu fungsi peubah acak
antara lain: teknik fungsi distribusi kumulatif, metode transformasi, formula konvolusi, dan
45
46
metode fungsi pembangkit momen. Pada akhir bab, kita akan membahas tentang statistik
terurut (order statistics).
5.1
Teknik Fungsi Distribusi Kumulatif
Teknik fungsi distribusi kumulatif (cumulative distribution function, disingkat CDF) merupakan metode umum yang mengekspresikan peubah acak baru dengan istilah peubah acak
lama. Misal peubah acak X memiliki fungsi distribusi kumulatif FX (x) dan beberapa fungsi
Y yang menjadi daya tarik, katakanlah Y = u(X). Ide dari teknik fungsi distribusi kumulatif
adalah mengekspresikan fungsi distribusi kumulatif dari Y dalam bentuk (terms) distribusi X.
Lebih khusus lagi, untuk setiap bilangan real y, kita dapat mendefinisikan sebuah himpunan
Ay = x : u(x) y. Dengan demikian Y y dan X Ay adalah kejadian-kejadian yang sama,
sehingga
FY (y) = P (u(X) y).
(5.1)
Bentuk persamaan (5.1) dapat pula dinyatakan sebagai P (X Ay ). Peluang ini dapat pula
dinyatakan sebagai integral dari fungsi densitas peluang fX (x) sepanjang himpunan Ay jika X
kontinu, atau penjumlahan fX (x) sepanjang x di Ay jika X diskret.
Sebagai contoh, sering kita menyatakan u(x) y dalam bentuk kejadian yang sama x1
X x2 dimana satu atau lebih batas-batas x1 dan x2 bergantung pada Y . Dalam kasus kontinu
Z x2
FY (y) =
fX (x) dx
x1
0
Z
=
x2
Z
fX (x) dx +
Zx1x2
fX (x) dx
0
x1
fX (x) dx
fX (x) dx
= FX (x2 ) FX (x1 ).
(5.2)
Fungsi densitas peluang (5.2) adalah

fY (y) =
d
FY (y).
dy
(5.3)
Berikut ini diberikan beberapa contoh untuk mengilustrasikan teknik fungsi distribusi kumulatif.
Contoh 5.1. Misal fungsi distribusi kumulatif peubah acak X, yakni FX (x) = 1 e2x , 0 <
x < dan kita tertarik untuk mengetahui fungsi distribusi dari peubah acak Y = eX .
Fungsi distribusi Y dapat dinyatakan sebagai
FY (y) = P (Y y)
= P (eX y)
= P (X ln y)
= FX (ln y)
= 1 e2(ln y)
= 1 eln y
= 1 y 2 .
(5.4)
Sekarang kita tentukan batas-batas untuk peubah acak Y . Mengingat 0 < x < , maka batas
peubah acak Y akan terletak diantara e0 dan e , jadi 1 < y < . Tentu saja untuk x lainnya
47
maka y akan bernilai 0. Dengan demikian FY (y) = 1y 2 , 1 < y < . Fungsi densitas peluang
Y adalah
d
fY (y) =
FY (y)
dy
d
=
(1 y 2 )
dy
= 2y 3 , 1 < y < .
(5.5)
Contoh 5.2. Misal X adalah peubah acak kontinu dan Y = X 2 . Fungsi distribusi Y dapat
dinyatakan sebagai
FY (y) = P (Y y)
= P (X 2 y)
= P ( y X y)
= FX ( y) FX ( y).
(5.6)
Berdasarkan fungsi distribusi persamaan (5.6), kita dapat menghitung fungsi densitas peluang
Y sebagai
d

FX ( y) FX ( y)
fY (y) =
dy
d
d
= fX ( y) ( y) fX ( y) ( y)
dy
dy
1
1
= fX ( y) + fX ( y)
2 y
2 y
1

(5.7)
= fX ( y) + fX ( y) y > 0.
2 y
Contoh 5.3. Misal X adalah peubah acak dengan fungsi densitas peluang
(
4x3 ,
jika 0 < x < 1;
fX (x) =
0,
jika x lainnya.
(5.8)
Misal kita tertarik dengan peubah acak Z = ln X. Terlebih dahulu kita hitung fungsi distribusi
X. Kita peroleh fungsi distribusi untuk fungsi densitas peluang (5.8)
Z x
FX (x) =
4x3 dx
0
x=x

4
=x
x=0
= x4 0
= x4 .
(5.9)
Selanjutnya, dengan menggunakan fungsi distribusi persamaan (5.9) diperoleh

FZ (z) = P (Z z)
= P (ln X z)
= P (X ez )
= FX (ez )
= (ez )4
= e4z , 0 < z < .
(5.10)
Batas-batas untuk z diperoleh dari nilai z = ln 0 = dan z = ln 1 = 0. Dengan demikian

0 < z < .
48
Teknik fungsi distribusi kumulatif juga dapat diterapkan untuk fungsi beberapa peubah,
meskipun analisis pada umumnya lebih kompleks.
Teorema 5.1. Misal X = (X1 , . . . , Xk ) adalah vektor peubah acak kontinu berdimensi k dengan
fungsi densitas peluang bersama fX (x1 , . . . , xk ). Jika Y = u(X) adalah suatu fungsi dari X,
maka
FY (y) = P (u(X) y)
Z
Z
= fX (x1 , . . . , xk ) dx1 dxk ,
(5.11)
Ay
dimana Ay = x : u(x) y.
Contoh 5.4. Misal peubah acak X berdistribusi eksponensial, yakni X EXP(1). Fungsi
densitas peluang X dapat dinyatakan sebagai
(
ex ,
untuk 0 < x < ;
fX (x) =
(5.12)
0,
untuk x lainnya.
Misal Anda tertarik dengan jumlah dari dua peubah acak bebas, katakanlah Y = X1 + X2 ,
dimana Xi EXP(1), i = 1, 2. Himpunan Ay seperti didefinisikan pada Teorema 5.1, dapat
ditentukan sebagai
Ay = {(x1 , x2 ) : 0 x1 y x2 , 0 x2 y}.
(5.13)
Dengan demikian fungsi distribusi Y adalah
FY (y) = P (X1 + X2 y)
Z y Z yx2
=
e(x1 +x2 ) dx1 dx2
0
0
x1 =yx2
Z y

(x1 +x2 )
=
e
dx2

0
Z
=
x1 =0
y
Z0 y
((yx2 )+x2 )
(0+x2 )

dx2

ey + ex2 dx2
0
x2 =0

y
x2
= x2 e e

x =0
2

= y ey ey 0 e0
= y ey ey +1
= 1 ey y ey .
5.2
(5.14)
Metode Transformasi
Pada bagian ini, kita akan membahas transformasi untuk peubah dalam dimensi satu. Misal
u(x) adalah suatu fungsi bernilai real dari peubah real x. Jika persamaan y = u(x) dapat
diselesaikan secara tunggal, katakanlah x = w(y), maka transformasi ini dikatakan satu-satu
(one-to-one). Berikut ini akan kita bahas metode transformasi satu-satu untuk kasus diskrit
dan kontinu.
5.2.1
49
Transformasi Satu-satu
Teorema 5.2 (Kasus Diskrit). Misal X adalah peubah acak diskrit dengan fungsi densitas
(massa) peluang fX (x) dan Y = u(X) adalah transformasi satu-satu. Dengan kata lain, persamaan y = u(x) dapat diselesaikan secara tunggal, katakanlah x = w(y). Maka fungsi densitas
(massa) peluang Y adalah
fY (y) = fX (w(y)), y B;
(5.15)
dimana B = {y : fY (y) > 0}.
Bukti: Fungsi densitas
FY (y) = P (Y = y)
= P (u(X) = y)
= P (X = w(y))
= fX (w(y)).
(5.16)
Contoh 5.5. Misal peubah acak diskrit X GEO(p), dengan fungsi densitas peluang
fX (x) = pq x1 , x = 1, 2, 3, . . . .
(5.17)
Misal kita tertarik dengan peubah acak Y = X 1. Dalam hal ini y = u(x) = x 1, sementara
itu diperoleh solusi x = w(y) = y + 1. Dengan demikian
fY (y) = fX (y + 1)
= pq (y+1)1
= pq y , y = 0, 1, 2, . . . .
(5.18)
Contoh 5.6. Misal peubah acak diskrit X BIN(r, p). Anda tertarik dengan peubah acak
Y = X r. Fungsi densitas peluang X dinyatakan sebagai berikut

x 1 r r1
fX (x) =
p q , x = r, r + 1, . . . .
(5.19)
r1
Dalam hal ini y = u(x) = x r sehinga x = w(y) = y + r. Kita peroleh
fY (y) = fX (y + r)

(y + 1) 1 r (y+r)r
=
p q
r1

(y + 1) 1 r y
=
p q , y = 0, 1, 2, . . . .
r1
(5.20)
(5.21)
(5.22)
Teorema 5.3 (Kasus Kontinu). Misal X adalah peubah acak kontinu dengan fungsi densitas peluang fX (x) dan anggap Y = u(X) mendefinisikan suatu transformasi satu-satu dari
A = x : fX (x) > 0 ke B = x : fY (y) > 0 dengan transformasi invers x = w(y). Jika turunan
(d/dy)w(y) adalah kontinu dan tak nol pada B, maka fungsi densitas peluang Y adalah

d

fY (y) = fX (w(y)) w(y), y B.
(5.23)
dy
50
Bukti: Jika y = u(x) adalah satu-satu, maka y naik monoton atau turun monoton. Pertama,
kita asumsikan naik, maka u(x) y jika dan hanya jika x w(y). Dengan demikian
FY (y) = P (u(X) y)
= P (X w(y))
= FX (w(y)),
sehingga fungsi densitasnya menjadi
d
FX (w(y))
dy
d
d
=
FX (w(y)) w(y)
dw(y)
dy

d

= fX (w(y)) w(y).
dy
fY (y) =
Dalam hal ini (d/dy)w(y) > 0 karena y monoton naik. Sekarang, dalam kasus monoton turun
u(x) y jika dan hanya jika w(y) x. Dengan demikian
FY (y) = P (u(X) y)
= P (X w(y))
= 1 P (X w(y))
= 1 FX (w(y)),
sehingga fungsi densitasnya menjadi
d
[1 FX (w(y))]
dy
d
d
=
(1)
FX (w(y))
dy
dy
d
d
FX (w(y)) w(y)
=0
dw(y)
dy
d
= fX (w(y)) w(y)
dy

d

= fX (w(y)) w(y).
dy
fY (y) =
Dalam hal ini (d/dy)w(y) < 0 karena y monoton turun.

Dalam konteks kasus kontinu, turunan w(y) disebut Jacobian dari transformasi dan dinotasikan
d
J=
w(y).
(5.24)
dy
Contoh 5.7. Misal peubah acak kontinu X memiliki fungsi densitas peluang
fX (x) = 2 e2x ,
0 < x < .
(5.25)
Kita tertarik untuk mencari fungsi densitas peluang Y = eX . Dengan transformasi inverse
diperoleh x = w(y) = ln y, dan Jacobian
J = w0 (y)
d
=
w(y)
dy
d
=
ln y
dy
1
= .
y
51
Dengan demikian fungsi densitas peluang Y adalah

1
fY (y) = fX (ln y)
y

1
= 2 e2 ln y
y
= 2 eln y
y 1
= 2y 2 y 1
= 2y 3 ,
y B = (1, ).
Dalam masalah transformasi, sangatlah penting untuk mengidentifikasi himpunan B dimana

fY (y) > 0, dalam contoh ini B = (1, ) karena ex > 1 saat x > 0.
Contoh 5.8. Misal peubah acakk kontinu X N (, 2 ) dan kita tertarik dengan peubah acak
Y = eX . Fungsi densitas peluang X dapat dinyatakan sebagai
1 (x )2
1
2 , < x < , < < , 0 < < .
fX (x) =
e 2
2
(5.26)
Dengan transformasi invers diperoleh x = w(y) = ln y dan Jacobian J = (d/dy)w(y) = 1/y.

Dengan demikian fungsi densitas peluang Y adalah

1
fY = fX (ln y)
y

1 (ln y )2
1
exp
,0 < y <
=
2
2
2

1
1 (ln y )2
=
, y B = (0, ).
(5.27)
exp
2
2
2y
Fungsi densitas peluang persamaan (5.27) adalah bentuk dari distribusi lognormal dengan ratarata dan variansi 2 , ditulis LOGN(, 2 ).
Contoh 5.9. Misal peubah acak kontinu X EXP(). Kita tertarik dengan distribusi dari
peubah acak Y = exp(X/). Fungsi densitas peluang X dapat dinyatakan sebagai
x
1
fX (x) = e , 0 < x < .
(5.28)
Dengan transformasi invers diperoleh x = w(y) = ln y sehingga Jacobian (d/dy)( ln y) =

/y. Kita peroleh fungsi densitas peluang Y

fY (y) = fX ( ln y)
y

1
ln y
= exp
y
1
= y , 0<y<1
y
= 1, y B = (0, 1).
(5.29)
Bentuk persamaan (5.29) adalah fungsi densitas peluang dari distribusi seragam pada selang
(0, 1), yakni Y UNIF(0, 1).
52
Teorema 5.4 (Peluang Transformasi Integral). Jika X adalah peubah acak kontinu dengan
fungsi distribusi kumulatif FX (x), maka U = FX (X) UNIF(0, 1). Sebaliknya, jika U berdistribusi secara seragam sepanjang interval (0, 1), maka X = FX1 (U ) memiliki fungsi distribusi
kumulatif FX ().
Bukti: Akan dibuktikan untuk kasus FX (x) adalah satu-satu sehingga invers FX1 (u) ada.
FU (u) = P (U u)
= P (FX (X) u)
= P (X FX1 (u))
= FX (FX1 (u))
= u.
Karena 0 FX (x) 1, kita peroleh
(
0,
FU (u) =
0,
jika u 0;
jika u 1.
Sebaliknya,
FX (x) = P (X x)
= P (FX1 (U ) x)
= P (U FX (x))
= FX (x).
Teorema 5.5. Misal FX (x) adalah suatu fungsi distribusi kumulatif dan GU (u) adalah fungsi
yang didefinisikan oleh
G(u) = min{x : u FX (x)},
0 u 1.
(5.30)
Jika U UNIF(0, 1), maka X = GU (U ) FX (x).

Teorema (5.5) berguna untuk membangkitan bilangan acak dari distribusi dengan fungsi
distribusi kumulatif FX (x).
5.2.2
Transformasi yang Tidak Satu-satu
Misal fungsi u(x) tidaklah satu-satu sepanjang himpunan A = {x : fX (x)}. Meskipun hal ini
berarti tidak terdapat penyelesaian tunggal pada persamaan y = u(x), namun biasanya mungkin
untuk mempartisi himpunan A menjadi himpunan bagian tak bersama (disjoint) A1 , A2 , . . .
sedemikian hingga u(x) adalah satu-statu sepanjang Aj . Untuk setiap y di dalam range u(x),
persamaan y = u(x) memiliki penyelesaian tunggal xj = wj (y) sepanjang himpunan Aj . Untuk
kasus diskrit, Teorema (5.2) dapat diperluas untuk suatu fungsi yang tidak satu-satu dengan
mengganti persamaan yang tidak satu-satu pada persamaan (5.15) dengan
X
fY (y) =
fX (wj (y)).
(5.31)
j
Dalam hal ini fY (y) = j fX (xj ) dimana jumlah keseluruhan sepanjang xj sedemikian hingga
u(xj ) = y. Sementara, dalam kasus kontinu, untuk fungsi yang tidak satu-satu diperoleh dengan
memperluas persamaan (5.23) menjadi

X
d

fY (y) =
fX (wj (y)) wj (y).
(5.32)
dy
j
53
Untuk transformasi Y = u(X), penjumlahan sepanjang nilai j yang mana u(xj ) = y, meskipun
Jacobiannya masuk ke persamaan untuk kasus kontinu.
Contoh 5.10. Suatu peubah acak diskrit X memiliki fungsi densitas peluang

4 1 x
; x = 2, 1, 0, 1, 2.
fX (x) =
31 2
(5.33)
Misal kita tertarik dengan peubah acak Y = |X|. Dalam hal ini himpunan B = {0, 1, 2} serta

4 1 0
4
fY (0) = fX (0) =
= ;
31 2
21

4 1 1
4 1 1
8
2
10
fY (1) = fX (1) + fX (1) =
+
=
+
= ;
31 2
31 2
31 31
31
2
2
4 1
4 1
16
1
17
fY (2) = fx (2) + fX (2) =
+
=
+
= .
31 2
31 2
31 31
31
Cara lain untuk menyatakan fungsi densitas peluang ini adalah
4
untuk y = 0;
,
31 y y
fY (y) =
4
1
1
+
, untuk y = 1, 2.
31 2
2
(5.34)
(5.35)
(5.36)
(5.37)
Jika kita lihat kembali Contoh (5.2), yakni teknik fungsi distribusi kumulatif, jika X adalah
peubah acak kontinu serta Y = X 2 , maka
FY (y) = FX ( y) FX ( y);
(5.38)
fY (y) = [fX ( y) + fX ( y)].

2 y
(5.39)
dengan menurunkan diperoleh
Contoh 5.11. Misal peubah acak X UNIF(1, 1) dan misalkan pula Y = X 2 . Fungsi
densitas peluang X dapat dinyatakan sebagai berikut
fX (x) =
1
1
= , 1 < x < 1.
1 (1)
2
(5.40)
Jika kita partisi himpunan A = (1, 1) menjadi A1 = (1, 0) dan A2 = (0, 1) maka y = x2
memiliki penyelesaian tunggal, yakni x1 = w1 (y) = y dan x2 = w2 (y) = y sepanjang selang

ini. Kita dapat mengabaikan titik x = 0 dalam partisi ini karena x kontinu. Dengan demikian
54
fungsi densitas peluang Y adalah

2
X

d

fY (y) =
fX (wj (y)) wj (y)
dy
j=1

d

d

= fX (w1 (y)) w1 (y) + fX (w2 (y)) w2 (y)
dy
dy

d

d
= fX ( y) ( y) + fX ( y) ( y)
dy
dy

1

1
= fX ( y) + fX ( y)
2 y
2 y

1 1
1 1
= +
2 2 y
2 2 y

2 1
=
2 2 y

1

=
2 y
1
= , y B = (0, 1).
2 y
Contoh 5.12. Suatu peubah acak kontinu X memiliki fungsi densitas peluang
2
x
, jika 1 < x < 2;
fX (x) =
3
0,
jika x lainnya.
(5.41)
Misal kita tertarik dengan peubah acak Y = X 2 . Kita peroleh transformasi inverse x1 = w1 (y) =
y untuk x < 0 dan x2 = w2 (y) = y untuk x > 0. Namun, untuk 0 < y < 1 terdapat dua
titik dengan fungsi densitas peluang tidak nol, yakni x1 = y dan x2 = y yang terpetakan
ke y. Sementara untuk 1 < y < 4 hanya terdapat satu titik dengan fungsi densitas peluang tidak
nol, x2 = y yang dipetakan ke y. (Ingat bahwa batas untuk y adalah 0 < y < 4). Dengan
demikian, fungsi densitas peluang Y adalah
1
fY (y) = (fX ( y) + fX ( y))

2 y

1 ( y)2 ( y)2
+
,

2 y
3
3

2
fY (y) =
( y)
1
1 ( y)2
0+
=
,
2 y
3
2 y
3
untuk 0 < y < 1;

untuk 1 < y < 4.
Catatan: persamaan
fY (y) =
fX (wj (y))
dan
fY (y) =
X
j

d

fX (wj (y)) wj (y)
dy
dapat disederhanakan menjadi

fY (y) =
X
j
fX (xj )
(5.42)
dan
fY (y) =
X
j
55

dxj
,
fX (xj )
dy
dengan
xj = wj (y)
adalah fungsi dari y.
5.2.3
Transformasi Bersama
Misal X adalah suatu vektor peubah acak berdimensi k, yakni X = (X1 , . . . , Xk ), dan misalkan
u1 (x), . . . , uk (x) adalah fungsi dari x sebanyak k, sedemikian hingga Yi = ui (X) untuk i =
1, . . . , k mendefinisikan suatu peubah acak lain yakni Y = (Y1 , . . . , Yk ) = u(X).
Teorema 5.6 (Kasus Diskrit). Jika X adalah suatu vektor peubah acak diskrit dengan fungsi
densitas peluang bersama fX (x) dan Y = u(X) mendefinisikan suatu transformasi satu-satu,
maka fungsi densitas peluang bersama Y adalah
fY (y1 , . . . , yk ) = fX (x1 , . . . , xk )
(5.43)
dimana x1 , . . . , xk adalah penyelesaian dari y = u(x) dan bergantung pada y1 , . . . , yk . Jika

transformasinya tidak satu-satu dan jika partisi ada katakanlah A1 , A2 , . . . , sedemikian hingga
y = u(x) memiliki penyelesaian tunggal x = xj atau
xj = (x1j , . . . , xkj )
sepanjang Aj , maka fungsi densitas peluang Y adalah
X
fY (y1 , . . . , yk ) =
fX (x1j , . . . , xkj ).
(5.44)
(5.45)
Untuk kasus kontinu, transformasi peubah acak kontinu juga dapat diperoleh dengan memperluas notasi Jacobian. Suatu transformasi dengan k peubah y = u(x) dengan suatu penyelesaian tunggal x = (x1 , . . . , xk ) memiliki Jacobian yang merupakan matriks turunan parsial
kk

x1 x1
x1

y1 y2
yk
x
x2
2 x2

yk
J = y. 1 y. 2 .
(5.46)
..
..
.
.
.
.
.

xk xk

x
k

y
y2
yk
1
Teorema 5.7. Misal suatu vektor peubah acak kontinu X = (X1 , . . . , Xk ) dengan fungsi densitas peluang bersama fX (x1 , . . . , xk ) > 0 pada himpunan A, dan Y = (Y1 , . . . , Yk ) didefinisikan
oleh transformasi satu-satu
Yi = ui (X1 , . . . , Xk ),
i = 1, . . . , k.
(5.47)
Jika Jacobiannya kontinu dan tak nol sepanjang rentang (range) dari transformasi, maka fungsi
densitas peluang bersama Y adalah
fY (y1 , . . . , yk ) = fX (x1 , . . . , xk )|J|
dimana x = (x1 , . . . , xk ) adalah penyelesaian dari y = u(x).
(5.48)
56
Contoh 5.13. Misal X1 dan X2 adalah peubah-peubah acak kontinu bebas dan berdistribusi
eksponensial, yakni Xi EXP(1). Fungsi densitas peluang bersamanya adalah
fX1 ,X2 (x1 , x2 ) = exp((x1 + x2 )),
(x1 , x2 ) A,
(5.49)
dengan A = {(x1 , x2 ) : 0 < x1 , 0 < x2 }. Misal peubah acak Y1 = X1 dan Y2 = X1 + X2 . Hal

ini bersesuaian dengan transformasi y1 = x1 dan y2 = x1 + x2 , yang memiliki solusi tunggal
x1 = y1 dan x2 = y2 y1 . Jacobian transformasi ini adalah

x1 x1

y1 y2
J = x

2 x2

y1 y2

1 0

=

1 1
= (1 1) ((1) 0)
=10
= 1.
Dengan demikian fungsi densitas peluang bersama Y1 dan Y2 adalah
fY1 ,Y2 (y1 , y2 ) = fX1 ,X2 (y1 , y2 y1 )
= exp(y1 + y2 y1 )
(y1 , y2 ) B;
= exp(y2 ),
dan nol untuk y lainnya.

Himpunan B diperoleh dengan mentransformasikan himpunan A yang bersesuaian dengan
y1 = x1 > 0 dan y2 y1 = x2 > 0. Dengan demikian B = {(y1 , y2 ) : 0 < y1 < y2 < }. Fungsi
densitas marjinal Y1 dan Y2 adalah
Z
fY1 (y1 ) =
ey2 dy2
y1
y2 =

y2
= e

y2 =y1
= e
( ey1 )
= 0 + ey1
= ey1 ,
y1 > 0;
(5.50)
dan
Z
y2
ey2 dy1
0
y1 =y2

y2
=e
y1
fY2 (y2 ) =
y1 =0
= y2 e
y2
= y2 e
y2
y2 > 0.
(5.51)
Dari fungsi densitas peluang (5.50) dan (5.51) diperoleh Y1 EXP(1) dan Y2 GAM(1, 2).
57
Contoh 5.14. Sehubungan dengan Contoh (5.13), misal kita tertarik dengan peubah acak
Y1 = X1 X2 dan Y2 = X1 + X2 . Hal ini bersesuaian dengan transformasi x1 = (y1 + y2 )/2 dan
x2 = (y2 y1 )/2. Dengan demikian Jacobiannya adalah

x1

y2
x2

y2

1/2

1/2

1
1 1 1
=
2 2 2
2

x1

y1
J = x
2

y1

1/2

=
1/2
1 1
+
4 4
2
4
1
= .
2
Fungsi densitas peluang bersama Y1 dan Y2 adalah
fY1 ,Y2 (y1 , y2 ) = fX1 ,X2 ((y1 + y2 )/2, (y2 y1 )/2)|1/2|
= exp((y1 + y2 )/2 + (y2 y1 )/2)(1/2)
= exp((y1 + y2 + y2 y1 )/2)(1/2)
= exp((2y2 )/2)(1/2)
= (1/2) exp(y2 ),
(y1 , y2 ) B.
Dalam hal ini B = {(y1 , y2 ) : y2 < y1 < y2 , y2 > 0} dengan batas-batas y2 = y1 dan
0 < y2 = y1 . Fungsi marjinal Y1 dan Y2 adalah sebagai berikut. Pertama, untuk y1 < 0:
Z
1 y2
e
dy2
fY1 (y1 ) =
y1 2

1 y2 y2 =
= e

2
y2 =y1

1
1 y1
e
= e
2
2
1 y1
=0+ e
2
1 y1
= e .
(5.52)
2
58
Kedua, untuk y1 > 0:
1 y2
e
dy2
y1 2
y2 =

1
= ey2
2
y2 =y1

1
1
= e ey1
2
2
1
= 0 + ey1
2
1 y1
= e
.
2
fY1 (y1 ) =
(5.53)
Bentuk persamaan (5.52) dan (5.53) dapat disederhanakan menjadi

fY1 (y1 ) =
1 |y1 |
e
,
2
< y1 < .
(5.54)
Sementara,
Z
y2
1 y2
dy1
e
y2 2

y1 y2 y1 =y2
=
e

2
y1 =y2

y2 y2
y2 y2
e
=
e
2
2
y2 y2 y2 y2
e
+ e
=
2
2
= y2 ey2 , y2 > 0.
fY2 (y2 ) =
(5.55)
Dari persamaan (5.55) diperoleh Y1 DE(1, 0) dan Y2 GAM(1, 2).

Untuk transformasi yang tidak satu-satu Teorema (5.7) juga dapat dipeluas. Jika persamaan
y = u(x) dapat diselesaikan secara tunggal sepanjang setiap himpunan pada partisi A1 , A2 , . . . ,
dan menghasilkan penyelesaian, dan jika penyelesaian ini memiliki Jacobian kontinu tak nol,
maka
X
fY (y1 , . . . , yk ) =
fX (x1i , . . . , xki )|Ji |,
(5.56)
i
dimana Ji adalah Jacobian dari penyelesian sepanjang himpunan Ai .
5.3
5.3.1
Jumlah Peubah Acak

Formula Konvolusi
Misal X1 dan X2 adalah peubah acak kontinu dengan fungsi densitas peluang bersama fX1 ,X2 (x1 , x2 )
dan jika kita hanya tertarik pada fungsi densitas peluang dari suatu jumlah S = X1 + X2 maka
kita dapat menggunakan
Z
f (t, s t) dt.
fS (s) =
(5.57)
Jika X1 dan X2 saling bebas, maka kita akan memperoleh formula konvolusi
Z
fS (s) =
fX1 (t)fX2 (s t) dt.
(5.58)
59
Contoh 5.15. Misal X1 dan X2 adalah peubah acak bebas dan berdistribusi seragam, yakni
Xi UNIF(0, 1), i = 1, 2. Misal pula S = X1 + X2 . Fungsi distribusi peluang bersama X1 dan
X2 dapat dinyatakan sebagai
fX1 ,X2 (x1 , x2 ) = 1,
0 < x1 < 1; 0 < x2 < 1.
(5.59)
Daerah B bersesuaian dengan transformasi t = x1 dan s = x1 + x2 adalah B = {(s, t) : 0 < t <

s < t + 1 < 2}. Dengan demikian diperoleh
R
s
untuk 0 < s < 1;
R0 dt = s,
1 dt = 2 s, untuk 1 s < 2;
s1
fS (s) =
(5.60)
|s
1|,
untuk
0
<
s
<
2;
0,
untuk s lainnya.
Contoh 5.16. Misal X1 dan X2 adalah peubah acak gamma bebas, yakni X1 GAM(1, )
dan X2 GAM(1, ). Misal peubah acak Y1 = X1 + X2 dan Y2 = X1 /(X1 + X2 ). Fungsi
densitas peluang bersama X1 dan X2 adalah
fX1 ,X2 (x1 , x2 ) =
1
x1
x1
exp(x1 x2 ),
1
2
()()
0 < xi < , 0 < , 0 < .
(5.61)
Dengan transformasi invers diperoleh x1 = y1 y2 dan x2 = y1 y1 y2 = y1 (1 y2 ). Jacobian

transformasi ini adalah

x1 x1

y1 y2
J = x

2 x2

y1 y2

y2
y1

=

1 y2 y1
= y2 (y1 ) (y1 )(1 y2 )
= y1 y2 y1 + y1 y2
= y1 .
Dengan demikian fungsi densitas peluang bersama X1 dan X2 adalah
fY1 ,Y2 (y1 , y2 ) =
(y1 y2 )1
(y1 (1 y2 ))1 exp(y1 y2 (y1 y1 y2 ))| y1 |
()()
y11 y21 y11 (1 y2 )1 y1

e
y1
()()
y21 (1 y2 )1 +1 y1
y1
e ;
()()
jika (y1 , y2 ) B = {(y1 , y2 ) : 0 < y1 < , 0 < y2 < 1} dan nol untuk y lainnya.
5.3.2
Metode Fungsi Pembangkit Momen
Fungsi pembangkit momen (moment generating function) dari suatu peubah acak secara unik
menentukan distribusinya. Pendekatan fungsi pembangkit momen berguna dalam menentukan
distribusi jumlah peubah acak bebas dan bahkan lebih nyaman dibandingkan melakukan transformasi bersama. Jika fungsi pembangkit momen suatu peubah acak diperoleh, maka langkah
selanjutnya adalah menentukan atau mengenali distribusi yang memiliki fungsi pembangkit momen tersebut.
60
Teorema 5.8. Jika X1 , . . . , Xn adalah peubahPacak bebas dengan fungsi pembangkit momen
MXi (t), maka fungsi pembangkit momen Y = ni=1 Xi adalah
MY (t) = MX1 (t) MXn (t).
(5.62)
Bukti:
MY (t) = E(etY )
= E(et(X1 ++Xn ) )
= E(etX1 etXn )
= E(etX1 ) E(etXn )
= MX1 (t) MXn (t).
Apabila X1 , . . . , Xn merupakan sampel acak dari suatu populasi dengan fungsi densitas
peluang fX (x) dan fungsi pembangkit momen MX (t) maka
MY (t) = MX (t) MX (t) = [MX (t)]n .
(5.63)
Contoh 5.17. Misal X1 , . . . , Xn adalah peubah-peubah

acak berdistribusi Poisson yang saling
P
bebas, yakni Xi POI(i ) dan misal pula Y = ni=1 Xi . Fungsi pembangkit momen Xi adalah
MXi (t) = exp[i (et 1)]. Dengan demikian fungsi pembangkit momen Y adalah
MY (t) = MX1 (t) MXn (t)
= exp[1 (et 1)] exp[n (et 1)]
= exp[(1 + + n )(et 1)].
Bentuk
Pn(5.64) adalah fungsi pembangkit momen dari POI(1 + + n ). Jadi Y =
POI( i=1 i ).
(5.64)
Pn
i=1 Xi
Contoh 5.18. Misal X1 , . . . , Xn adalah peubah-peubah

Pn acak yang berdistribusi normal dan
2
saling bebas, Xi N (i , i ); i = 1, . . . , n. Misal Y = i=1 Xi . Fungsi pembangkit momen Xi
adalah
MY (t) = MX1 (t) MXn (t)
= exp(1 t + 12 t2 /2) exp(n t + n2 t2 /2)
= exp(1 t + + n t + 12 t2 /2 + + n2 t2 /2)
= exp[(1 + + n )t + (12 + + n2 )t2 /2].
P
P
Bentuk (5.65) adalah fungsi pembangkit momen dari Y N ( ni=1 i , ni=1 i2 ).
5.4
5.4.1
(5.65)
Statistik Terurut
Penarikan Sampel Tersensor
Konsep tentang suatu sampel acak berukuran n telah dibicarakan pada bab sebelumnya, dan
fungsi denstias peluang bersama dari n peubah acak saling bebas dari X1 , . . . , Xn diberikan oleh
fX1 ,...,Xn (x1 , . . . , xn ) = fX1 (x1 ) fXn (xn ).
(5.66)
Sebagai contoh suatu sampel acak enam bola lampu diuji dengan waktu kegagalan yang teramati
(dalam bulan) katakanlah (x1 , x2 , x3 , x4 , x5 , x6 ) = (6, 8, 11, 100, 5, 15). Nah, amatan sesungguhnya akan mengambil posisi x5 = 5, x1 = 6, x2 = 8, x3 = 11, x6 = 15, dan x4 = 100. Akan
61
lebih bermanfaat apabila kita mengganggap sampel acak terurut (ordered random sample)
berukuran n, dinotasikan sebagai (x1:n , . . . , xn:n ). Dalam hal ini, x1:6 = x5 = 5, x2:6 = x1 = 6,
x3:6 = x2 = 8, x4:6 = x3 = 11, x5:6 = x6 , dan x6:6 = x4 = 100. Mengingat kita tidak perduli
bola lampu mana yang diberi label nomor 1, nomor 2, nomor 3, dan seterusnya, kita dapat saja
dengan cara yang sama mencatat data terurut sebagaimana bahwa dia diambil tanpa mencatat
pelabelan awal. Dalam beberapa kasus kita ingin berhenti setelah r amatan terurut terkecil dari
n telah teramati, karena hal ini berarti kita bisa menghemat waktu. Dalam ilustrasi di atas
diperlukan 100 bulan agar keenam bola lampu gagal, tetapi lima bola lampu gagal dalam tempo
15 bulan.
Fungsi distribusi bersama dari peubah-peubah acak terurut tidaklah sama dengan fungsi
densitas bersama peubah-peubah acak tidak terurut. Sebagai contoh, ilustrasi di atas ada 6!
permutasi yang berbeda dari suatu sampel berukuran 6 bersesuaian dengan satu hasil terurut.
Misal suatu transformasi yang mengurutkan nilai-nilai x1 , . . . , xn yakni
y1 = u1 (x1 , . . . , xn ) = min(x1 , . . . , xn );
(5.67)
yn = un (x1 , . . . , xn ) = max(x1 , . . . , xn ).
(5.68)
Secara umum yi = ui (x1 , . . . , xn ) menyatakan nilai terkecil ke-i dari x1 , . . . , xn . Ilustrasi bola
lampu di atas memperlihatkan contoh transformasi ini. Apabila transformasi ini diterapkan pada
suatu sampel acak X1 , . . . , Xn , kita akan mendapatkan sampel acak terurut, disebut statistik
terurut (order statistics) dinotasikan sebagai X1:n , . . . , Xn:n atau Y1 , . . . , Yn .
Teorema 5.9. Jika X1 , . . . , Xn adalah suatu sampel acak dari suatu populasi dengan fungsi
densitas peluang kontinu fX (x), maka fungsi densitas peluang bersama dari statistik terurut
Y1 , . . . , Yn adalah
(
n!fY1 (y1 ) fYn (yn ), jika y1 < y2 < < yn ;
gY1 ,...,Yn (y1 , . . . , yn ) =
(5.69)
0,
jika y lainnya.
Jika transformasi peubah acak kontinu tidak satu-satu maka perlu dilakukan partisi pada domain menjadi himpunan-himpunan bagian A1 , A2 , . . . , sedemikian hingga transformasi menjadi
satu-satu pada masing-masing himpunan bagian dan menjumlahkannya, yakni
X
gY1 ,...,Yn (y1 , . . . , yn ) =
fY1 (y1 ) fYn (yn )|Ji |.
(5.70)
i
Untuk memahami Teorema (5.9), sebagai ilustrasi kita ambil kasus n = 3. Dalam hal ini ruang
sampel dapat dibagi menjadi 3! = 6 himpunan disjoint:
A1 = {(x1 , x2 , x3 ) : x1 < x2 < x3 },
A2 = {(x1 , x2 , x3 ) : x2 < x1 < x3 },
A3 = {(x1 , x2 , x3 ) : x1 < x3 < x2 },
A4 = {(x1 , x2 , x3 ) : x2 < x3 < x1 },
A5 = {(x1 , x2 , x3 ) : x3 < x1 < x2 },
A6 = {(x1 , x2 , x3 ) : x3 < x2 < x1 },
dan rentang (range) transformasi adalah B = {(y1 , y2 , y3 ) : y1 < y2 < y3 }. Dalam mentransformasi menuju sampel acak terurut kita peroleh transformasi satu-satu:
Y1 = X1 , Y2 = X2 , Y3 = X3 ,
dengan J1 = 1 pada A1 ;
Y1 = X2 , Y2 = X1 , Y3 = X3 ,
Y1 = X1 , Y2 = X3 , Y3 = X2 ,
Y1 = X2 , Y2 = X3 , Y3 = X1 ,
Y1 = X3 , Y2 = X1 , Y3 = X2 ,
Y1 = X3 , Y2 = X2 , Y3 = X1 ,
dengan J6 = 1 pada A6 .
62
Catatan: masing-masing Jacobian dapat dihitung sebagai berikut, misalnya untuk J3 :

x1 x1 x1

y1 y2 y3

x
2 x2 x2
J3 =

y1 y2 y3

x
3 x3 x3

y1 y2 y3

1 0 0

= 0 0 1

0 1 0
=0+0+0010
= 1.
Pada setiap kasus |Ji | = 1. Lebih lanjut, untuk setiap daerah, fungsi densitas peluang bersamanya
adalah produk dari faktor-faktor fYi (yi ) dikalikan menurut urutan. Namun, dapat dituliskan
sebagai fY1 (y1 )fY2 (y2 )fY3 (y3 ), mengabaikan urutan. Jika kita jumlahkan semuanya maka terdapat 3! = 6 himpunan bagian. Dengan demikian, fungsi densitas peluang bersama Y1 , Y2 , dan Y3
adalah
gY1 ,Y2 ,Y3 (y1 , y2 , y3 ) =
6
X
fY1 (y1 )fY2 (y2 )fY3 (y3 )
i=1
= 3!fY1 (y1 )fY2 (y2 )fY3 (y3 ),
y1 < y2 < y3 ;

Contoh 5.19. Misal X1 , X2 , dan X3 menyatakan suatu sampel acak berukuran tiga dari suatu
populasi dengan fungsi densitas peluang
(
2x, jika 0 < x < 1;
fX (x) =
(5.71)
0,
jika x lainnya.
Fungsi densitas peluang bersama dari statistik terurut Y1 , Y2 , dan Y3 adalah
gY1 ,Y2 ,Y3 (y1 , y2 , y3 ) = 3!(2y1 )(2y2 )(2y3 )
= 6 8y1 y2 y3
= 48y1 y2 y3 , 0 < y1 < y2 < y3 < 1,
Jika kita tertarik dengan fungsi densitas marjinal dari suatu statistik terurut tunggal, misalnya Yk , maka hal ini dapat diperoleh dengan mengintegralkan sepanjang peubah lain. Misal
63
fungsi peluang marjinal dari statistik terurut terkecil Y1 .

Z 1Z 1
48y1 y2 y3 dy3 dy2
gY1 (y1 ) =
y1
y2
1Z 1
y3 dy3 dy2
= 48y1 y2
y1 y2
Z 1

1 2 y3 =1
= 48y1 y2
y3
dy2
y1 2
y3 =y2

Z 1
1 2
2
= 48y1 y2
(1 y2 ) dy2
y1 2

Z 1
1 1 2
= 48y1 y2
y2 dy2
2
y1 2

Z 1
1 1 2
y2
= 48y1
y dy2
2 2 2
y1

Z 1
1
1 3
= 48y1
y2 y2 dy2
2
y1 2
y2 =1

1
1
= 48y1 y22 y24
dy2
4
8 y2 =y1

1 2 1 4
1 1

y y
= 48y1
4 8
4 1 8 1

1 1
1
2
4
= 48y1
2y1 y1
4 8
8

1 1
2
4
2y1 y1
= 48y1
8 8
48y1
=
[1 (2y12 y14 )]
8
= 6y1 (1 2y12 + y14 )
= 6y1 (1 y12 )2 , 0 < y1 < 1.
Untuk mendapatkan formula umum dari distribusi ke-k dari statistik terurut dalam fungsi densitas peluang fX (x) dan fungsi distribusi kumulatif FX (x). Jika X adalah peubah acak kontinu
dengan fungsi peubah acak fX (x) > 0 pada a < x < b (a mungkin dan b mungkin ) maka
64
untuk n = 3:
Z bZ
3!fY1 (y1 )fY2 (y2 )fY3 (y3 ) dy3 dy2
gY1 (y1 ) =
y1
y2
Z bZ
fY3 (y3 ) dy3 dy2
= 3!fY1 (y1 )fY2 (y2 )
y1 y2
Z b Z 0
Z
0
y1
y2
Z b Z b
Z
fY3 (y3 )
= 3!fY1 (y1 )fY2 (y2 )

y1

fY3 (y3 ) dy3 dy2
fY3 (y3 ) dy3 +
= 3!fY1 (y1 )fY2 (y2 )

fY3 (y3 ) dy3 dy3 dy2
Z b
y2

F (b) F (y2 ) dy2
= 3!fY1 (y1 )fY2 (y2 )

y1
= 3!fY1 (y1 )

fY2 (y2 ) F (b) F (y2 ) dy2
y1

[1 FY2 (y2 )]2 y2 =b
= 3!fY1 (y1 )

2
y2 =y1
= 3fY1 (y1 )[1 FY1 (y1 )]2 , a < y1 < b.
Teorema 5.10. Misal X1 , . . . , Xn adalah sampel acak berukuran n dari fungsi densitas peluang
kontinu fX (x), dimana fX (x) > 0 untuk a < x < b. Maka fungsi densitas peluang statistik
terurut ke-k, yakni Yk , diberikan oleh
gk (yk ) =
n!
[FY (yk )]k1 [1 FYk (yk )]nk fYk (yk ),
(k 1)!(n k)! k
(5.72)
jika a < yk < n, dan nol untuk yk lainnya.

Untuk memahami Teorema (5.10) perhatikan bahwa untuk mendapatkan Yk = yk , kita harus
mempunyai k 1 amatan kurang dari yk , satu amatan pada yk , dan n k amatan yang lebih
besar daripada yk , dimana P (X yk ) = FX (yk ) , P (X yk ) = 1 FX (yk ), dan likelihood pada
amatan saat yk adalah fYk (yk ). Terdapat n!/(k 1)!1!(n k)! pengurutan yang mungkin dari
n amatan peubah acak bebas, sehingga gk (yk ) diberikan oleh persamaan
gk (yk ) =
n!
[FY (yk )]k1 [1 FYk (yk )]nk fYk (yk ).
(k 1)!(n k)! k
Dengan argumentasi yang sama kita juga dapat memperoleh sembarang fungsi densitas peluang
bersama statistik terurut. Misalkan suatu pasangan statistik terurut Yi dan Yj dimana i < j.
Untuk mendapatkan Yi = yi dan Yj = yj , kita harus memiliki i 1 amatan kurang dari
yi , satu amatan pada yi , j i 1 antara yi dan yj , satu observasi pada yj , dan n j amatan
lebih besar daripada yj . Dengan menerapkan bentuk multinomial kita akan memperoleh fungsi
densitas peluang bersama Yi dan Yj
gij (yi , yj ) =
n!
[FY (yi )]i1 fYi (yi )[FYj (yj ) FYi (yi )]ji1
(i 1)!1!(j i 1)!1!(n j)! i
[1 FYj (yj )]nj fYj (yj ), (5.73)
jika a < yi < yj < b dan nol untuk yi dan yj lainnya. Dalam statistika dasar, kita telah mengenal
median dan rentang sampel. Median sampel didefinisikan sebagai
Y(n+1)/2 ,
jika n ganjil;
Yk = Y(n/2) + Y(n/2+1)
, jika n genap.
2
65
Sementara, rentang sampel adalah selisish antara amatan terbesar dan terkecil, yakni R =
Yn Y1 .
Fungsi densitas peluang untuk amatan minimum dan maksimum, yakni Y1 dan Yn dapat
ditentukan sebagai kasus khusus dari Teorema (5.10) yakni
n!
[FY (y1 )]i1 [1 FY1 (y1 )]n1 fY1 (y1 )
(1 1)!(n 1)! 1
n!
=
[FY (y1 )]0 [1 FY1 (y1 )]n1 fY1 (y1 )
0!(n 1)! 1
n(n 1)!
=
1[1 FY1 (y1 )]n1 fY1 (y1 )
1(n 1)!
= n[1 FY1 (y1 )]n1 fY1 (y1 ), a < y1 < b;
g1 (y1 ) =
dan
n!
[FY (yn )]n1 [1 FYn (yn )]nn fYn (yn )
(n 1)!(n n)! n
n!
=
[FY (yn )]n1 [1 FYn (yn )]0 fYn (yn )
(n 1)!0! n
n(n 1)!
[FYn (yn )n1 ]1fYn (yn )
=
(n 1)!1
= n[FYn (yn )]n1 fYn (yn ), a < yn < b.
gn (yn ) =
Fungsi distribusi kumulatif peubah acak diskrit dan kontinu untuk nilai sampel minimum dan
maksimum dapat dihitung dengan teknik fungsi distribusi kumulatif. Untuk nilai amatan minimum, fungsi distribusi kumulatifnya adalah
G1 (y1 ) = P (Y1 y1 )
= 1 P (Y1 > y1 )
= 1 P (semua Xi > y1 )
= 1 [1 FY1 (y1 )]n ;
sementara untuk nilai amatan maksimum
Gn (yn ) = P (Yn yn )
= P (semua Xi yn )
= [FYn (yn )]n .
Dengan argumentasi yang sama diperoleh fungsi distribusi kumulatif untuk statistik terurut
ke-k.
Teorema 5.11. Untuk suatu sampel acak berukuran n dari suatu fungsi distribusi kumulatif
diskrit atau kontinu FX (x), maka fungsi distribusi kumulatif marjinal dari statistik terurut ke-k
diberikan oleh
n
X
n
Gk (yk ) =
[FYk (yk )]j [1 FYk (yk )]nj .
(5.74)
j
j=k
Contoh 5.20. Misal suatu sampel acak berukuran n dari suatu distribusi dengan fungsi densitas
peluang fX (x) = 2x, 0 < x < 1 dan fungsi distribusi kumulatif
FX (x) = x2 ;
0 < x < 1.
(5.75)
66
Fungsi densitas peluang untuk sampel minimum dan maksimum diperoleh

g1 (y1 ) = n[1 FY1 (y1 )]n1 fY1 (y1 )
= n(1 y12 )n1 2y1
= 2ny1 (1 y12 )n1 ,
0 < y1 < 1,
dan
gn (yn ) = n(yn2 )n1 2yn
= 2nyn (yn2 )n1
= 2nyn2n1 ,
0 < yn < 1.
Untuk fungsi distribusi kumulatifnya diperoleh

G1 (y1 ) = 1 [1 FY1 (y1 )]n
= 1 [1 y12 ]n ;
sedangkan untuk fungsi distribusi maksimum diberikan oleh
Gn (yn ) = [FYn (yn ))]n
= [yn2 ]n
= yn2n .
Contoh 5.21. Misal kita tertarik pada fungsi densitas peluang dari rentang sampel R = Yn Y1 .
Fungsi densitas peluang bersama Y1 dan Yn diberikan oleh
g1,n (y1 , yn ) =
=
=
=
=
n!
[FY (y1 )]11 fY1 (y1 )[FYn (yn FYn (y1 ))]n11 [1 FYn (yn )]nn fYn (yn )
(1 1)!(n 1 1)!(n n)! 1
n!
[FY (y1 )]0 fY1 (y1 )[FYn (yn ) FY1 (y1 )]n2 [1 FYn (yn )]0 fYn (yn )
0!(n 2)!0! 1
n!
(2y1 )[yn2 y12 ]n2 (2yn )
(n 2)!
n!
2y1 [yn2 y12 ]n2 2yn
(n 2)!
n!
4y1 yn (yn2 y12 )n2 , 0 < y1 < yn < 1.
(n 2)!
Dengan membuat transformasi R = Yn Y1 , dan S = Y1 transformasi invers y1 = s, yn = r + s,

dan

s
s

1 yn
J = y
r
r

y1 yn

1 1

=

0 1
=10
= 1.
67
Dengan demikian, fungsi densitas peluang bersama R dan S adalah

n!
4s(r + s)[(r + s)2 s2 ]n2
(n 2)!
4n!
=
s(r + s)[r2 + 2rs + s2 s2 ]n2
(n 2)!
4n!
=
s(r + s)(r2 + 2rs), 0 < s < 1 r, 0 < r < 1.
(n 2)!
hR,S (r, s) =
Fungsi densitas peluang marjinal rentang diberikan oleh

Z 1r
hR (r) =
h(r, s) ds
(5.76)
dan
Z
h(r, s) dr.
hS (s) =
(5.77)
Misal untuk n = 3 kita peroleh

Z 1r
4 3!
hR (r) =
s(r + s)[r + 2rs]32 ds
(3
2)!
0
Z 1r
4 3!
=
s(r + s)[r + 2rs]32 ds
1!
0
Z 1r
=
24s(r + s)(r + 2rs) ds
0
Z 1r
= 24
(sr2 + 2r2 s2 + rs2 + 2rs3 ) ds
0
s=1r

2
r
1
1
= 24 s2 r2 + r2 s3 + s3 + s4 r
2
3
3
2
s=0

s=1r

1
2
1
1
= 24s2 r r + rs + s + s2
2
3
3
2
s=0

1
2
1
1
2
2
= 24(1 r) r r + r(1 r) + (1 r) + (1 r) 0
2
3
3
2

1
2
2 2 1 1
1
2
2
= 24(1 r) r r + r r + r + (1 2r + r )
2
3
3
3 3
2

1
2
2
1 1
1
r2
= 24 (1 r)2 r r + r r2 + r + r + )
2
3
3
3 3
2
2

2
1
2
1
2 2 r
1 1
2
= 24 (1 r) r r + r r r r +
+ + )
2
3
3
3
2
3 2

2
2
2
2
r
5
= 24(1 r)2 r r r r2 +
+
2
3
3
2
6

5
1
5
= 24(1 r)2 r r r2 +
.
3
6
6
5.4.2
Pengambilan Sampel Tersensor
Dalam beberapa maslah seperti percobaan uji hidup (life testing) untuk memperoleh informasi
reliabilitas benda, amtan terururut adalah hal yang terjadi secara alami. Dalam kasus seperti itu
penghematan dalam waktu dan biaya dapat dilakukan dengan menghentikan percobaan setelah
68
r amatan terurut terjadi, dibandingkan menunggu sampai semua n amatan gagal terjadi. Hal ini
disebut pengambilan sampel tersensor tipe II (Type II censored sampling). Pada kasus ini, fungsi
densitas marjinal dari statistik terurut diperoleh dengan mengintegralkan sepanjang peubah.
Teorema 5.12 (Pengambilan Sampel Tersensor Tipe II). Fungsi densitas bersama fungsi dari r
statistik terurur pertama dari suatu sampel acak berukuran n dari suatu fungsi densitas peluang
kontinu fX (x) diberikan oleh
n! [1 F (y )]nr Qr f (y ), jika < y < < y < ;

r
i
1
r
i=1
gY1 ,...,Yr (y1 , . . . , yr ) = (n r)!
0,
jika ylainnya.
(5.78)
Dalam pengambilan sampel tersensor tipe II, jumlah amatan r adalah tetap, namun lama
eksperimen, Yr adlaha peubah acak jika pelaku percobaan menghentikan percobaan setelah
waktu tertentu t0 , maka prosedur ini disebut pengambilan sampel tersensor tipe I (Type I censored sampling).
Teorema 5.13 (Pengambilan Sampel Tersensor Tipe I). Jika Y1 , . . . , Yr menyatakan nilai-nilai
amatan pada suatu sampel acak berukuran n dari fX (x), yakni tersensor tipe I pada sebelah
kanan saat t0 , maka fungsi densitas peluang bersama Y1 , . . . , Yr diberikan oleh
n
fY1 ,...,Yr (y1 , . . . , yr ) =
Y
n!
[1 F (t0 )]nr
f (yi )[1 F (t0 )]n ,
(n r)!
(5.79)
i=1
jika < y1 < < yr < t0 dan r = 1, . . . , n.
5.5
Latihan Soal
5-1 Misal X adalah peubah acak dengan dengan fungsi densitas peluang
(
4x3 , jika 0 < x < 1;
fX (x) =
0,
jika x lainnya.
Gunakan teknik fungsi distribusi kumulatif untuk menentukan fungsi densitas peluang dari
masing-masing peubah acak berikut:
a) Y = X 4 ;
b) W = eW ;
c) Z = ln X;
d) U = (X 1/2)2 ;
5-2 Misal X adalah peubah acakyang berdistribusi secara seragam, Xi UNIF(0, 1). Gunakan
teknik fungsi distribusi kumulatif untuk menentukan fungsi densitas peluang dari masingmasing peubah acak berikut:
a) Y = X 1/4 ;
b) W = eX ;
c) Z = 1 eX ;
d) U = X(1 X).
69
5-3 Jika X berdistribusi Weibull, yakni X WEI(, ) , carilah fungsi distribusi kumulatif dan
fungsi densitas peluang dari peubah-peubah acak berikut:
a) Y = (X/) ;
b) W = ln X;
c) Z = (ln X)2 .
5-4 Kerjakan kembali Soal No. 1 dan 2 menggunakan metode transformasi.
5-5 Misal X BIN(n, p). Tentukan fungsi densitas peluang Y = n X.
5-6 Misal X NB(r, p). Tentukan fungsi densitas peluang Y = X r.
5-7 Misal X memiliki fungsi densitas peluang
2
x
,
fX (x) = 24
0,
jika 2 < x < 4;

jika x lainnya.
Carilah fungsi densitas peluang dari Y = X 2 .

5-8 Misal X dan Y memiliki fungsi densitas peluang bersama
(
4 e2(x+y) , jika 0 < x < , 0 < y < ;
fX,Y (x, y) =
0,
x dan y lainnya.
a) Carilah fungsi distribusi kumulatif W = X + Y .
b) Carilah fungsi densitas peluang bersama U = X/Y dan V = X.
c) Carilah fungsi densitas peluang marjinal U .
5-9 Jika X1 dan X2 menyatakan sampel acak berukuran dua dari suatu distribusi Poisson,
Xi POI(), carilah fungsi densitas peluang bersama Y = X1 + X2 .
BAB 6
LIMIT DISTRIBUSI
Kompetensi Dasar
Menilai berdasarkan sifat konvergensi distribusi.
Memperbandingkan sifat-sifat konvergensi distribusi meliputi barisan peubah acak, teorema
limit pusat, distribusi normal asimtotis, sifat konvergen, dan teorema limit tambahan.
Materi Pokok
6.1 Barisan Peubah Acak
6.2 Teorema Limit Pusat
6.3 Pendekatan Distribusi Binomial
6.4 Distribusi Normal Asimtotik
6.5 Sifat-sifat Konvergensi Stokastik
6.6 Teorema-teorema Limit Tambahan
6.7 Latihan Soal
Pada Bab 5, kita telah membahas metode-metode umum untuk mendapatkan distribusi dari
suatu fungsi dari n peubah acak, katakanlah Wn = u(X1 , . . . , Xn ). Dalam beberapa kasus,
fungsi densitas peuang Wn mudah diperoleh, tetapi dalam beberapa kasus penting penurunan
distribusi tidaklah terlacak (not tractable). Untuk mengatasi hal ini, sangatlah mungkin untuk
memperoleh hasil-hasil yang mendekati yang bisa diterapkan saat n besar. Hasil ini berdasarkan
konsep konvergensi dalam distribusi dan limit distribusi.
6.1
Barisan Peubah Acak
Misal suatu barisan peubah acak W1 , W2 , . . . dengan barisan distribusi kumulatif yang bersesuain G1 (w), G2 (w), . . . sedemikian hingga untuk setiap n = 1, 2, . . .
Gn (w) = P (Wn w).
(6.1)
Definisi 6.1 (Konvergensi dalam Distribusi). Jika Wn Gn (w) untuk setiap n = 1, 2, . . . , dan
jika untuk beberapa fungsi distribusi kumulatif G(w),
lim Gn (w) = G(w)
70
(6.2)
71
untuk semua nilai w yang mana G(w) adalah kontinu, maka barisan W1 , W2 , . . . dikatakan
konvergen dalam distribusi (converge in distribution) ke W G(w), dinotasikan
d
W.
Wn
(6.3)
Distribusi yang bersesuaian dengan fungsi distribusi kumulatif G(w) disebut limit distribusi
dari Wn (limiting distribution of Wn )
Contoh 6.1. Misal X1 , . . . , Xn adalah sampel acak dari suatu distribusi seragam, yakni Xi
UNIF(0, 1) dan misal Wn = Xn:n adalah statistik terurut terbesar. Dari Bab 5 kita tahu bahwa
fungsi distribusi kumulatif Wn adalah
jika w 0;
0,
n
Gn (w) = w , jika 0 < w < 1;
(6.4)
1,
jika w 1.
Pada saat 0 < w < 1, bentuk wn mendekati 0 sebagaimana n mendekati ; pada saat w 0
atau w 1 maka Gn (w) adalah suatu barisan konstan, dengan batas-batas bersesuaian 0 atau
1. Dengan dmeikian limn Gn (w) = G(w) dimana
(
0, jika w < 1;
G(w) =
(6.5)
1, jika w 1.
Contoh 6.2. Misal suatu sampel acak dari suatu sampel berukuran n dari suatu distribusi
dengan fungsi distribusi kumulatif
(
1 1/x, jika 1 ;
FX (x) =
(6.6)
0,
jika x lainnya.
Misal Wn = X1:n . Dari Bab 5 kita tahu bahwa fungsi distribusi W adalah
(
1 [1 (1 1/w)]n , jika 1 w ,
Gn (w) =
0,
jika w lainnya,
(
1 (1/w)n , jika 1 w ,
=
0,
jika w lainnya,
Kita peroleh limn Gn (w) = 1 jika 1 w karena 1/wn = 0, dan limn = 0 jika w
lainnya.
Definisi 6.2 (Distribusi Degenerasi). Fungsi G(w) adalah fungsi distribusi kumulatif dari suatu
distribusi degenerasi (degenerate distribution) pada nilai w = c jika
(
0, jika w < c;
G(w) =
(6.7)
1, jika w c.
Dengan kata lain, G(w) adalah fungsi distribusi kumulatif dari suatu distribusi diskrit yang
menugaskan peluang satu pada saat w = c dan nol untuk yang lainnya.
Contoh 6.3. Misal X1 , . . . , Xn adalah suatu sampel acak dari suatu distribusi eksponensial
Xi EXP() dan misalkan Wn = X1:n adalah statistik terurut terkecil. Dari Bab 5, kita tahu
72
bahwa fungsi distribusi kumulatif untuk statistik terurut terkecil adalah

Gn (w) = 1 [1 F (w1 )]n
= 1 [1 (1 ew/ )]n
= 1 [1 1 + ew/ ]n
= 1 [ew/ ]n
= 1 ewn / , untuk w > 0,
dan nol untuk w lainnya. Kita peroleh limn Gn (w) = 1 jika w > 0 karena ew/ < 1 dalam
hal ini. Dengan demikian limit ini nol jika w < 0 dan 1 jika w > 0, yang bersesuaian dengan
distribusi degenerasi pada nilai w = 0.
Definisi 6.3 (Konvergen Secara Stokastik). Suatu barisan peubah acak W1 , W2 , . . . , dikatakan
konvergen secara stokastik (converge stochastically) ke suatu konstan c apabila memiliki suatu
limit distribusi yang degenarasi pada w = c.
Berikut ini limit yang penting untuk diketahui:

c nb
lim 1 +
= ecb ;
n
n

d(n) nb
c
= ecb , jika lim d(n) = 0.
lim 1 + +
n
n
n
n
(6.8)
(6.9)
Contoh 6.4. Misal X1 , . . . , Xn adalah suatu sampel acak dari suatu distribusi Pareto, yakni
Xi PAR(1, 1), dan misal Wn = nX1:n . Fungsi distribusi kumulatif Xi diberikan oleh FX (x) =
1 (1 + x)1 , x > 0. Dengan demikian fungsi distribusi kumulatif Wn adalah
Gn (w) = 1 [1 F (w/n)]n
= 1 [1 (1 (1 + w/n)1 )]n
= 1 [1 1 + (1 + w/n)1 ]n
= 1 [(1 + w/n)]n
= 1 (1 + w/n)n , w > 0.
Untuk w > 0 kita peroleh limn Gn (w) = 1 ew dan nol untuk w lainnya. Ini merupakan
fungsi distribusi kumlulatif dari EXP(1).
Contoh 6.5. Jika kita lihat kembali Contoh 6.4 misal Wn = Xn:n . Fungsi distribusi kumulatif
Wn = Xn:n . Fungsi distribusi kumulatif Wn adalah
Gn (w) = [F (w)]n
= [1 1/(1 + w)]n

(1 + w) 1 n
=
(1 + w)

n
w
=
, w > 0,
1+w
dan nol untuk w lainnya. Mengingat w/(1+w) < 1 maka kita peroleh limn Gn (w) = G(w) =
0 untuk semua w, yang tentu bukan suatu fungsi distribusi kumulatif karena tidak mendekati
satu sebagaimana w .
73
Contoh 6.6. Lihat kembali Contoh 6.5. Jika sekarang Anda tertarik dengan Wn = (1/n)Xn:n
maka fungsi distribusi kumulatinya
n

nw
Gn (w) =
1 + nw

1 + nw n
=
nw

n
1
=
+1
nw

1 n
.
= 1+
nw
Kita peroleh limn Gn (w) = e1/w . Ingat bahwa

1
lim 1 +
= e1/w(1) = e1/w , w > 0.
n
nw
(6.10)
Jadi kita peroleh fungsi distribusi kumulatif G(w) = e1/w , w 0.
6.2
Teorema Limit Pusat
Dalam contoh sebelumnya, fungsi distribusi kumulatif yang pasti telah diketahui untuk setiap
n tertentu (terbatas), dan distribusi limit diperoleh secara langsung dair barisan ini. Salah
satu keuntungan limit distribusi adalah bahwa dimungkinkan untuk menentukan limit distribusi
tanpa mengetahui bentuk pasti dair fungsi distribusi kumulatif untuk n terbatas. Limit distribusi
menyediakan informasi yang berguna apabila peluang eksak tidak tersedia.
Teorema 6.1. Misal W1 , W2 , . . . , adalah suatu barisan peubah acak dengan fungsi distribusi
kumulatif bersesuaian G1 (w), G2 (w), . . . , dari fungsi pembangkit momen M1 (t), M2 (t), . . . . Jika
M (t) adalah fungsi pembangkit momen dari suatu fungsi distribusi kumulatif G(w) dan jika
limn Mn (t) = M (t) untuk semua t dalam interval terbuka yang berisi nol, h < t < h, maka
limn Gn (w) = G(w) untuk semua titik-titik kontinu dari G(w).
Contoh 6.7. Misal X1 , . . . , Xn adalahP
suatu sampel acak dari suatu distribusi Bernoulli, yakni
Xi BIN(1, p), dan misalkan Wn = ni=1 Xi . Jika p 0 sebagaimana n sedemikian
hingga np = , maka untuk > 0 diperoleh
Mn (t) = (p et +q)n
= (p et +1 p)n
t

e
n
=
+1
n
n

t
(e 1) n
= 1+
.
n
Dengan demikian diperoleh limn Mn (t) = e(e
1)
yang merupakan fungsi pembangkit mod
men dari distribusi Poisson dengan rata-rata . Hal ini berarti Wn

W POI(). Contoh
ini menyarankan bahwa peubah acak binomial Wn BIN(n, p), jika n besar dan p kecil, maka
Wn POI(np).
Contoh 6.8. Lihat kembali Contoh 6.7. Misal kita buat p tetap (fixed ) dan anggap barisan
proporsi sampel Vn = pn = Wn /n. Dengan menggunakan ekspansi deret eu = 1 + u + u2 /2 +
74
dengan u = t/n, kita peroleh

MWn (t) = (p et/n +q)n
= (p(1 + t/n + t2 /2n2 + ) + (1 p))n
= (p + p(t/n + t2 /2n2 + ) + 1 p)n
= (1 + pt/n + p(t2 /2n2 + ))n
= (1 + pt/n + d(n)/n)n
dengan d(n) melibatkan suku-suku yang diabaikan dan d(n) 0 sebagaimana n , sehingga
diperoleh limn MWn (t) = ept yang merupakan fungsi pembangkit momen dari distribusi
degenerasi pada w = p. Jadi pn konvergen secara stokastik ke p sebagaimana n mendekati tak
berhingga.
Contoh 6.9. Sekarang kita lihat apabila
Zn =
Dengan menyederhanakan notasi n =
ekspansi deret sebelumnya diperoleh
Wn np
.
npq
(6.11)
npq kita peroleh Zn = Wn /n np/n . Menggunakan
MZn (t) = E(exp(tZn ))

= E[exp{(Wn /n np/n )}t]
= exp(npt/n )E(exp(Wn /n )t)
= exp(npt/n )MWn /n (t)
= exp(npt/n )MWn (t/n )
= exp(npt/n )[p e(t/n ) +q]n

pt
pt
p2 t2
pt2
=
1
+ 1 +
+
+
+
n
2n2
n 2n2

pt
p2 t2 p3 t3 n
pt
pt2
pt2
+
+
+
=
1+
+
n 2n2
n 2n2
2n2
2n2

n
t2
d(n)
= 1+
+
2n
n
dimana d(n) 0 sebagaimana n . Sehingga
2 /2
lim MZn (t) = et
(6.12)
d
yang merupakan fungsi pembangkit momen dari distribusi normal standar. Jadi Zn
Z
N (0, 1). Contoh ini mengilustrasikan bahwa untuk n besar dan p tertentu (fixed ) maka Wn
mendekati normal yakni Wn N (np, npq).
Teorema 6.2 (Teorema Limit Pusat). Jika X1 , . . . , Xn adalah suatu sampel acak dari distribusi
dengan rata-rata dan variansi 2 < , maka limit distribusi (limiting distribution) dari
Pn
Xi n
(6.13)
Zn = i=1
n
d
adalah normal standar, yakni Zn

Z N (0, 1) sebagaimana n .
Bentuk persamaan (6.13) dapat juga dihubungkan dengan rata-rata sampel, yakni
n
X
.
Zn =
/ n
(6.14)
6.3
75
Pendekatan Distribusi Binomial
Pendekatan binomial seperti pada contoh di atas akan bagus jika p dekat 0,5, karena distribusi
binomial simetris saat p = 0,5. Akurasi yang diperlukan dalam pendekatan tergantung pada
aplikasi. Salah satu panduan adalah menggunakan pendekatan normal apabila np 5 dan
nq 5. Namun, sekali lagi, ini tergantung pada akurasi yang diperlukan.
Contoh 6.10. Peluang bahwa seorang pemain basket memasukkan bola adalah p = 0,5. Jika
ia mengambil 20 kali lemparan, berapakah peluang ia memasukkan bola paling tidak sembilan
kali? Peluang eksaknya adalah
P (W20 9) = 1 P (W20 8)
8
X
20
=1
0,5w 0,520w
w
w=0
= 0,7483
Pendekatan normalnya adalah
P (W20 9) = 1 p(W20 8)

8 10
1
5
1 (0,89)
0,8133.
Ingat bahwa Zn = (Wn np)/( npq) dengan n = 20, p = 0,5, dan q = 0,5.
Mengingat distribusi binomial adalah diskrit dan distribusi normal adalah kontinu, maka
pendekatan dapat diperbaiki dengan membuat koreksi kontinuitas (continuity correction). Secara khusus masing-masing peluang binomial b(w, n, p) memiliki nilai yang sama seperti area
persegi panjang dengan tinggi b(w, n, p) dan dengan interval [w 0,5, w + 0,5] sebagai dasarnya,
karena panjang unitnya satu unit. Luas persegi panjang ini dapat didekati dengan area dibawah
fungsi densita peluang W N (np, npq). Dengan menerapkan koreksi kontinuitas, kita peroleh
P (W20 9) = 1 P (W20 8)

8,5 10
1
5
1 (0,67)
0,7486,
yang lebih mendekati hasil eksaknya dibandingkan tanpa koreksi kontinuitas. Secara umum, jika
Wn BIN(n, p) dan a b adalah bilangan-bilangan bulat, maka

a 0,5 np
b + 0,5 np
.
(6.15)
P (a Wn b)
npq
npq
6.4
Distribusi Normal Asimtotik
Definisi 6.4 (Distribusi Normal Asimtotik). Jika W1 , W2 , . . . adalah suatu barisan peubah acak
dan m serta c adalah konstanta sedemikian hingga
Zn =
Wn m d
Z N (0, 1)
c/ n
(6.16)
bilamana n , maka Wn dikatakan memiliki distribusi normal asimtotik (asymptotic normal

distribution) dengan rata-rata asimtotik m dan variansi asimtotik c2 /n.
6.5
76
Sifat-sifat Konvergensi Stokastik
Dalam contoh-contoh sebelumnya kita menemukan bahwa barisan peubah acak konvergen secara stokastik ke suatu konstanta. Teorema berikut memberikan kriteria alternatif untuk menunjukkan konvergensi stokastik.
Teorema 6.3 (Konvergen dalam Peluang). Barisan W1 , W2 , . . . konvergen secara stokastik ke
c jika dan hanya jika untuk setiap > 0,
lim P (|Wn c| < ) = 1.
(6.17)
Suatu barisan peubah acak yang memenuhi Teorema 6.3 disebut juga konvergen dalam pelup
ang ke konstanta c, dinotasikan Wn
c.
Contoh 6.11. Dalam contoh Hukum Bernoulli Bilangan Besar (Bernoulli Law of Large Numbers), diperoleh rata-rata dan variansi dari pn adalah E(
pn ) = p dan var(
pn ) = pq/n sehingga
P (|
pn p| < ) 1
pq
2 n
(6.18)
untuk setiap > 0. Jadi limn P (|

pn p| < ) = 1.
Teorema 6.4 (Hukum Bilangan-Bilangan Besar). Jika X1 , . . . , Xn adalah suatu sampel acak
dari suatu distribusi dengan rata-rata terbatas (finite) dan variansi 2 , maka barisan rata-rata
sampel konvergen dalam peluang ke , yakni
p
n
X
.
(6.19)
Teorema 6.4 ini menunjukkan bahwa rata-rata sampel memberikan suatu pendugaan yang
bagus dari rata-rata populasi, dalam hal bahwa peluang mendekati 1 sebagaimana secara per n dekat bila n .
lahan X
Teorema berikut menunjukkan bahwa suatu barisan peubah acak yang normal asimtotis
konvergen dalam peluang ke rata-rata asimtotis.
Teorema 6.5. Jika Zn =
6.6
p
d
n(Wn m)/c
Z N (0, 1), maka Wn
m.
Teorema-teorema Limit Tambahan
Definisi 6.5 (Konvergensi dalam Peluang). Barisan peubah acak Wn dikatakan konvergen
p
dalam peluang ke W , ditulis Wn
W jika
lim P (|Wn W | < ) = 1.
(6.20)
Konvergensi dalam peluang memiliki sifat yang lebih kuat dibandingkan konvergensi dalam
distribusi.
p
Teorema 6.6. Untuk suatu barisan peubah acak, jika Wn

W maka Wn
W.
Kasus khusus untuk Teorema 6.6, jika W = c maka limit distribusi adalah distribusi degenerasi P (W = c) = 1.
6.7
77
Latihan Soal
6-1 Misal suatu sampel acak berukuran n dari suatu distribusi dengan fungsi distribusi
1 1 , jika 1 x ;
FX (x) =
x
0,
x lainnya.
a) Carilah fungsi distribusi dari statistik terurut minimum, X1:n .
b) Carilah limit distribusi X1:n .
n .
c) Carilah limit distribusi X1:n
6-2 Misal suatu sampel acak berukuran n dari suatu distribusi dengan fungsi distribusi FX (x) =
(1 + ex )1 untuk semua bilangan real x.
a) Apakah statistik terurut terbesar Xn:n memiliki limit distribusi?
b) Apakah Xn:n ln n memiliki limit distribusi? Jika demikian, apa limit distribusinya?
6-3 Misal suatu sampel acak berukuran n berasal dari distribusi dengan fungsi distribusi FX (x) =
1x2 jika x > 1 dan nol untuk x lainnya. Periksalah apakah barisan-barisan berikut memiliki limit distribusi; jika demikian, berikan distribusi limit
a) X1:n .
b) Xn:n .
c) n1/2 Xn:n
6-4 Misal Zi N (0, 1) dan Z
1 , Z2 , . . . saling bebas. Gunakan fungsi pembangkit momen untuk
P
mencari limit distribusi ni=1 (Zi + 1/n)/ n.

n menyatakan rata-rata dari suatu sampel acak dari distribusi N (, 2 ). Carilah
6-5 Misal X
n.
limit distribusi X
2
6-6 Misal X1 , . . . , Xn adalah
Pn sampel acak berukuran n dari distribusi N (, ). Tunjukkan
bahwa jumlah Vn = i=1 Xi tidak memiliki limit distribusi.
6-7 Misal suatu sampel acak berasal dari distribusi Poisson, yakni Xi POI().
a) Tunjukkan bahwa Yn = eXn konvergen secara stokastik ke P (X = 0) = e .

b) Carilah distribusi normal asimtotis dari Yn .
n exp(X
n ) konvergen secara stokastik ke P (X = 1) = e .
c) Tunjukkan bahwa X
6-8 Misal Sn2 menyatakan varians of sampel acak berukuran n dari distribusi N (, 2 ). Buktikan
bahwa nSn2 /(n 1) konvergen dalam peluang ke 2 .
6-9 Misal Xn berdistribusi gamma dengan parameter = n dan , dengan bukan fungsi dari
n. Misal Vn = Xn /n. Carilah limit distribusi Vn .
6-10 Misal Xn berdistribusi 2 (n) dan dan misal Vn = Xn /n2 . Carilah limit distribusi Vn .
BAB 7
STATISTIK DAN DISTRIBUSI PENGAMBILAN
SAMPEL
Kompetensi Dasar
Menilai berdasarkan sifat teori pengambilan sampel.
Membandingkan sifat-sifat sampel acak, statistik dan distribusi pengambilan sampel,
distribusi t, distribusi F, distribusi beta, pendekatan sampel besar, dan statistik terurut.
Materi Pokok
7.1 Statistik
7.2 Distribusi-distribusi Pengambilan Sampel
7.3 Pendekatan-pendekatan Sampel Besar
7.4 Latihan Soal
Konsep sampel acak telah diperkenalkan pada bab-bab sebelumnya. Kemudian konsep tentang
fungsi distribusi empiris dikenalkan untuk kemudian digunakan untuk mencari informasi tentang
rata-rata sampel dan varians sampel sebagai penduga yang intuitif untuk rata-rata dan varians
distribusi populasi.
Bab ini akan membicarakan tentang konsep statistik yang menyertakan rata-rata sampel dan
varians sampel. Sifat-sifat statistik dan distribusinya akan dibahas secara mendalam, terutama
sifat-sifat distribusi normal dan turunannya.
7.1
Statistik
Pada bagian ini akan dibahas pengertian statistik beserta contoh-contohnya.

Definisi 7.1. Suatu fungsi dari peubah acak yang teramati, T = `(X1 , . . . , Xn ), yang tidak
bergantung pada parameter yang tidak diketahui, disebut statistik.
Pada Definisi 7.1, huruf ` adalah fungsi yang diterapkan pada X1 , . . . , Xn untuk mendefinisikan statistik, yang dinotasikan oleh huruf kapital T .
Contoh 7.1. Misal X1 , . . . , Xn menyatakan suatu sampel acak dari suatu populasi dengan
fungsi densitas peluang fX (x). Rata-rata sampel merupakan salah satu contoh statistik yang
78
79
didefinisikan oleh fungsi `(x1 , . . . , xn ) = (x1 + + xn )/n. Statistik ini biasanya dinotasikan
oleh
n
X
Xi
=
X
.
(7.1)
n
i=1
dihitung dari data yang biasanya dinotasikan

Apabila suatu sampel acak teramati, maka nilai X
oleh x
.
Sifat-sifat rata-rata sampel dan varians dapat dilihat pada teorema berikut.
Teorema 7.1. Jika X1 , . . . , Xn menyatakan suatu sampel acak dari fX (x) dengan E(X) =
dan var(X) = 2 , maka
=
E(X)
(7.2)
dan
=
var(X)
2
.
n
(7.3)
Bukti: Untuk menunjukkan Persamaan (7.2), gunakan sifat-sifat nilai harapan sampel acak.

X
n
1
E(X) = E
Xi
n
i=1
X

n
1
= E
Xi
n
i=1
1
= (E(X1 ) + + E(Xn ))
n
1
= (nE(X))
n
1
= (n)
n
= .
Dengan cara yang sama,P
untuk menunjukkan
Persamaan (7.3), gunakan sifat-sifat varians untuk
P
sampel acak, yakni var( ni=1 ai Xi ) = ni=1 a2i var(Xi ).
X

n
1
var(X) = var
Xi
n
i=1
X

n
1
= 2 var
Xi
n
i=1
n
1 X
= 2
var(Xi )
n
i=1
n
1 X
var(X)
= 2
n
i=1
1
= 2 n var(X)
n
1
= 2
n
2
=
.
n
80
Contoh 7.2. Fungsi `(x1 , . . . , xn ) = [(x1 x

)2 + + (xn x
)2 ]/(n 1) ketika diterapkan pada
data bersesuaian dengan varians sampel. Lebih khusus lagi hal ini dinyatakan sebagai
Pn
2
(Xi X)
2
S = i=1
.
(7.4)
(n 1)
Teorema 7.2. Jika X1 , . . . , Xn menyatakan suatu sampel acak berukuran n dari fX (x) dengan
E(X) = dan var(X) = 2 , maka
E(S 2 ) = 2
(7.5)
dan

n3 4
4
n1
var(S 2 ) =
,
n
7.2
n > 1.
(7.6)
Distribusi-distribusi Pengambilan Sampel
Statistik juga merupakan suatu peubah acak, distribusi yang bergantung pada distribusi dari
suatu sampel acak dengan bentuk fungsi `(x1 , . . . , xn ). Distribusi dari suatu statistik disebut
distribusi turunan (derived distribution) atau distribusi pengambilan sampel (sampling distribution).
7.2.1
Kombinasi Linear Peubah-peubah Normal
Teorema 7.3. Jika Xi N (i , i2 ), i = 1, . . . , n menyatakan peubah normal bebas, maka

Y =
n
X
ai Xi N
i=1
X
n
i=1
ai i ,
n
X
a2i i2

.
(7.7)
i=1
Bukti:
MY (t) = MPni=1 ai Xi (t)
=
=
n
Y
i=1
n
Y
MXi (ai t)
exp(ai i t + a2i t2 i2 /2)
i=1
X

n
n
X
2
2 2
= exp t
ai i + t
ai i /2 ,
i=1
i=1
yang merupakan
P fungsi pembangkit momen dari peubah acak normal dengan rata-rata
dan varians ni=1 a2i i2 .
Pn
i=1 ai i
N (, 2 /n).
Korolari 1. Jika X1 , . . . , Xn menyatakan suatu sampel acak dari N (, 2 ), maka X
7.2.2
Distribusi Khi Kuadrat
Misal suatu distribusi gamma khusus dengan = 2 dan = v/2. Peubah acak Y dikatakan
berdisttribusi khi kuadrat (chi-square) dengan derajat kebebasan v jika Y GAM(2, v/2),
dinotasikan sebagai
Y 2 (v).
(7.8)
81
Teorema 7.4. Jika Y 2 (v), maka

MY (t) = (1 2t)v/2 ,
(v/2 + r)
E(Y r ) = 2r
,
(v/2)
E(Y ) = v,
(7.10)
var(Y ) = 2v.
(7.12)
(7.9)
(7.11)
dan
Bukti: Mengingat Y GAM(2, v/2), maka sifat-sifat distribusi gamma pun berlaku. Untuk
membuktikan Persamaan (7.9), diketahui bahwa fungsi pembangkit momen distribusi gamma
adalah (1 t) untuk t < 1/. Sehingga untuk = 2 dan = v/2
MY (t) = (1 2t)v/2 .
Untuk ekspektasi ke-r pada Persamaan (7.10) juga berdasarkan hasil dari distribusi gamma.
Jika X GAM(, ) maka
( + r)
E(X r ) = r
.
()
Untuk = 2 dan = v/2, ekspektasi ke-r menjadi
E(Y r ) = 2r
(v/2 + r)
.
(v/2)
Selanjutnya untuk menunjukkan Persamaan (7.11), diketahui bahwa jika X GAM(, ) maka
E(X) = . Dengan demikian,
E(Y ) = 2(v/2) = v.
Untuk menghitung varians pada Persamaan (7.12), gunakan varians dari X, yakni
var(X) = 2 .
Sehingga, untuk = 2 dan = v/2
var(Y ) = 22 (v/2)
= 4(v/2)
= 2v.
Persentil (percentiles), 2 (v), adalah nilai yang didefinisikan sebagai

P (Y 2 (v)) = .
(7.13)
Teorema 7.5. Jika X GAM(, ), maka Y = 2X/ 2 (2).

Bukti: Akan digunakan teknik fungsi pembangkit momen untuk menentukan distribusi dari
Y = 2X/.
MY (t) = M2X/ (t)
= MX (2t/)
= (1 2t)2/2 ,
yang merupakan fungsi pembangkit momen dari distribusi khi kuadrat dengan derajatkebebasan
2.
82
Teorema 7.6. Jika Yi 2vi ; i = 1, . . . , n adalah peubah-peubah acak khi kuadrat yang bebas,
maka
X

n
n
X
V =
(7.14)
Yi 2
vi .
i=1
i=1
Bukti: Akan digunakan teknik fungsi pembangkit momen untuk menentukan distribusi dari V .
MV (t) = MPni=1 Yi (t)
= (1 2t)v1 /2 (1 2t)vn /2
= (1 2t)
Pn
yang merupakan fungsi pembangkit momen dari
i=1
vi /2

i=1 vi .
Pn
Teorema berikut memberikan hubungan antara peubah acak normal standar dengan peubah
acak khi kuadrat.
Teorema 7.7. Jika Z N (0, 1), maka Z 2 2 (1).
Bukti:
2
MZ 2 (t) = E(etZ )
Z
1
2
2
etz z /2 dz
=
2
Z
1
1 2t z 2 (12t)/2
=
e
dz
1 2t
2
= (1 2t)1/2 ,
yang merupakan fungsi pembangkit momen dari distribusi khi kuadrat dengan derajat kebebasan
satu, yakni 2 (1).
Korolari 2. Jika X1 , . . . , Xn menyatakan suatu sampel acak dari N (, 2 ), maka
n
X
(Xi )2
i=1
2 (n),
dan
)2
n(X
2 (1).
2
Teorema 7.8. Jika X1 , . . . , Xn menyatakan suatu sampel acak dari N (, 2 ), maka
dan suku-suku Xi X;
i = 1, . . . , n adalah saling bebas;
1. statistik X
dan S 2 saling bebas;
2. statistik X
3. kuantitas (n 1)S 2 / 2 2 (n 1).
7.2.3
83
Distribusi Student t
Kita tahu bahwa S 2 dapat digunakan untuk membuat inferensi tentang parameter 2 di dalam
yang berguna untuk parameter . Namun, distribusi
suatu distribusi normal. Demikian pula X
2
X juga bergantung pada parameter . Hal ini berarti bahwa tidaklah mungkin menggunakan
untuk prosedur statistika tertentu tentang rata-rata apabila 2 tidak diketahui. Sehingga,
X

)/, maka distribusinya tidak lagi normal (namun,
jika digantikan S pada kuantitas n(X
tetap tidak bergantung pada ).
Teorema 7.9. Jika peubah acak Z N (0, 1) dan V 2 (v) saling bebas, maka distribusi dari
Z
T =p
V /v
(7.15)
disebut distribusi Student t dengan derajat kebebasan v, dinotasikan sebagai T t(v). Fungsi
densitas peluangnya diberikan oleh
f (t, v) =
((v + 1)/2) 1
(1 + (t2 /v))(v+1)/2 .
(v/2)
v
Teorema 7.10. Jika T t(v), maka untuk v > 2r,

((2r + 1)/2)((v 2r)/2) r
v ;
(1/2)(v/2)
E(T 2r1 ) = 0, r = 1, 2, . . . ;
v
var(T ) =
, 2 < v.
v2
E(T 2r ) =
(7.16)
(7.17)
(7.18)
Teorema 7.11. Jika X1 , . . . , Xn menyatakan sampel acak dari N (, 2 ), maka

X
t(n 1).
S/ n
7.2.4
(7.19)
Distribusi Snedecor F
Teorema 7.12. Jika peubah-peubah acak V1 2 (v1 ) dan V2 2 (v2 ) saling bebas maka
peubah acak
V1 /v1
X=
(7.20)
V2 /v2
berdistribusi Snedecor F dengan derajat kebebasan v1 dan v2 , dinotasikan F(v1 , v2 ), dengan
fungsi densitas peluang untuk x > 0

v1 + v2

v1 /2

v1
v1 (v1 +v2 )/2
2
(v
/2)1
1
x
1+ x
(7.21)
f (x; v1 , v2 ) =
v1
v2
v2
v2
2
2
Teorema 7.13. Jika X F(v1 , v2 ), maka
r

v2
v1
v2
+r
r
v1
2
2
r

E(X ) =
,
v1
v2
2
2
v2
E(X) =
, 2 < v2 ;
v2 2
2v22 (v1 + v2 2)
var(X) =
, 4 < v2 .
v1 (v2 2)2 (v2 4)
v2 > 2r;
(7.22)
(7.23)
(7.24)
84
Persentil X F(v1 , v2 ), yakni, f (v1 , v2 ) adalah suatu nilai yang didefinisikan sebagai
P (X f (v1 , v2 )) = .
(7.25)
Jika X F(v1 , v2 ), maka Y = 1/X F(v2 , v1 ). Dengan demikian

1 = P (X < f1 (v1 , v2 ))

1
=P Y >
f1 (v1 , v2 )

1
;
=1P Y
f1 (v1 , v2 )
(7.26)
sehingga
1
= f (v2 , v1 )
f1(v1 ,v2 )
(7.27)
atau
f1 (v1 , v2 ) =
7.2.5
1
.
f (v2 , v1 )
(7.28)
Distribusi Beta
Teorema 7.14. Jika peubah acak X F(v1 , v2 ), maka peubah acak

Y =
(v1 /v2 )X
1 + (v1 /v2 )X
(7.29)
berdistribusi beta, dinotasikan BETA(a, b) untuk a > 0 dan b > 0, dengan fungsi densitas
peluang
(a + b) a1
f (y; a, b) =
y (1 y)b1 , 0 < y < 1;
(7.30)
(a)(b)
dengan a = v1 /2 dan b = v2 /2.
Persentil distribusi beta dapat dinyatakan dalam persentil distribusi F sebagai
y (a, b) =
7.3
af (2a, 2b)
.
b + af (2a, 2b)
(7.31)
Pendekatan-pendekatan Sampel Besar
Teorema 7.15. Jika Yv 2 (v), maka

Yv v d
Zv =
Z N (0, 1)
2v
(7.32)
sebagaimana v .
7.4
Latihan Soal
7-1 Misal X menyatakan berat dalam kg suatu tepung terigu dengan X N (101, 4).
7-2 Misal X1 , . . . , Xn adalah sampel
P acak berukuran nPdari suatu distribusi normal, yakni Xi
N (, 2 ) dan definisikan U = ni=1 Xi dan W = ni=1 Xi2 .
85
a) Carilah suatu statistik yang merupakan fungsi U dan W dan tak bias untuk parameter
= 2 5 2 .
b) Carilah suatu statistik yang tak bias untuk 2 + 2 .
7-3 Misal X1 dan X2 adalah peubah acak normal bebas,Xi N (, 2 ), dan misal Y1 = X1 +X2
dan Y2 = X1 X2 . Tunjukkan bahwa Y1 dan Y2 saling bebas dan berdistribusi normal.
7-4 Suatu komponen mesin baru sedang diservis dan sembilan suku cadang tersedia. Waktu
menuju kegagalan dalam hari adalah peubah acak eksponensial bebas, Ti EXP(100).
P
a) Apakah distribusi dari 10
i=1 Ti ?
b) Berapakah peluang bahwa operasi yang sukses dapat dipelihara sampai paling tidak
1,5 tahun?
c) Berapa banyak suku cadang yang diperlukan agar yakin 95% yakin operasi sukses untuk
paling tidak dua tahun?
7-5 Misal Xi N (, 2 ), i = 1, . . . , n dan Zi N (0, 1), i = 1, . . . , k dan semua peubahnya
saling bebas. Tentukan distribusi dari peubah- peubah acak berikut apakah berasal dari
distribusi yang diketahui (bernama) atau tidak diketahui.
(a) X1 X2
(b) X1 + 2X3
X1 X2
(c)
SZ 2
X1
(d)
X2
X1 + X2
(e)
X3
2
(f) Zi

n(X )
(g)
SZ
2
(h) Z1 + Z22
(i) Z12 Z22
Z1
(j) p 2
Z2
Z1
(k)
Z2
X
(l)
Z
)
nk(X
(m) qP
k
2
i=1 Zi
Pn
k
2
X
i=1 (Xi )
(n)
+
(Zi Z)
2
i=1
Pk
Zi
X
(o) 2 + i=1
k
(p) k Z 2
(q)
(k 1)
Pn
(n 1)
i=1
P
k
2
86
2
(Xi X)
2
(Zi Z)
i=1
7-6 Misal X 2 (m), Y 2 (n), dan X serta Y saling bebas. Apakah Y X 2 jika
n > m?
7-7 Misal X 2 (m), S = X + Y 2 (m + n), dan X serta Y saling bebas. Gunakan teknik
fungsi pembangkit momen untuk menunjukkan bahwa S X 2 (n).
7-8 Jika T t(v), tentukanlah distribusi dari T 2 .
DAFTAR PUSTAKA
Lee J. Bain and Max Engelhardt. Introduction to Probability and Mathematical Statistics.
Duxbury Press, California, second edition, 1992. ISBN 0-534-92930-3.
Robert V. Hogg and Allen T. Craig. Introduction to Mathematical Statistics. PrenticeHall,
Inc., New Jersey, fifth edition, 1995. ISBN 0-02-355722-2.
John A. Rice. Mathematical Statistics and Data Analysis. Duxbury, Belmont, California, third
edition, 2007.
Dennis D. Wackerly, William Mendenhall III, and Richard L. Scheaffer. Mathematical Statistics
with Applications. Duxbury Press, sixth edition, 2002.
87

Materi Statistika Matematika PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi Statistika Matematika PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL STATISTIKA MATEMATIKA I

Bukit Jimbaran, Februari 2009

BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

BAB 3. PEUBAH ACAK BERGANDA

3.3.1 Distribusi Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

BAB 4. SIFAT-SIFAT PEUBAH ACAK

BAB 5. FUNGSI-FUNGSI PEUBAH ACAK

BAB 6. LIMIT DISTRIBUSI

BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL

Nilai fungsi densitas bersma dua peubah acak . . . . . . . . . . . . . . . . . .

Peubah Acak Diskrit

BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA

Peubah Acak Kontinu

untuk semua x, dan

Beberapa Sifat Nilai Harapan

Definisi 1.10. Variansi peubah acak X didefinisikan sebagai

BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA

Momen dan Fungsi Pembangkit Momen

Definisi 1.11. Misal X adalah peubah acak, maka nilai harapan

Distribusi-distribusi Diskrit Khusus

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

3. Fungsi pembangkit momen : MX (t) = (p et +q)n , < t < .

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Distribusi Binomial Negatif

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Poisson

Distribusi Seragam Diskrit

Distribusi-distribusi Kontinu Khusus

1 , untuk a < x < b;

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Seragam Kontinu

Fungsi gamma dan sifat-sifatnya dapat dilihat pada teorema berikut.

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Selanjutnya akan ditunjukkan sifat 2. Bila n adalah bilangan bulat maka

Dengan demikian diperoleh Jacobian,

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Untuk menyelesaikan integral ini, misalkan u = r2 , du = 2r dr. Dengan demikian

1 x1 ex/ , untuk 0 < x < ;

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Fungsi Distribusi Kumulatif

Dengan hipotesis induksi

(x/)i x/2 xn ex/

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Rata-rata dan Varians

Fungsi pembangkit momen

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

MX (t) = ( + r 1) ( + 1)(1 t)r

Momen ke-r dihasilkan dari MX (0), yakni

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Sebagai contoh momen ketiga, yakni

Diskusi:Bagaimana cara menghitung fungsi gamma?

1 ex/ , jika 0 < x; 0 < ;

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Rata-rata dan varians

Diskusi: Carilah MX (t) dengan mengintegralkan secara langsung.

< x < , < < , 0 < < .

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Apabila dimisalkan w = z 2 /2, maka z = 2w dan dz = (w1/2 / 2), sehingga

Berikut ini sifat-sifat geometrik fungsi densitas peluang normal standar.

BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS

Rata-rata dan varians

[00 (z) + (z)] dz