Bab 1 Statmat
Bab 1 Statmat
Fungsi distribusi
Definisi:
Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah
FX (x) = P (X x)
Contoh:
1. Misalkan X Bin(3, 0.5), maka fungsi distribusi F (x) adalah fungsi
tangga berikut
0,
1/8,
F (x) = 1/2,
7/8,
1,
x (, 0);
x [0, 1);
x [1, 2);
x [2, 3);
x [3, ).
0,
F (x) = P (X x) = P (a X x) =
xa
,
ba
1,
x < a;
x [a, b];
x > b.
K. Syuhada, PhD.
MA3081 Stat.Mat.
K. Syuhada, PhD.
1.2
Unsur Peluang
d
= h(x, 0) +
h(x, 4x) 4x=0 4x + o(4x)
d4x
=
=
dimana
lim
4x0
o(4x)
=0
4x
Fungsi
d
dF (x) =
F (x) 4x
dx
disebut DIFERENSIAL. Dalam statistika, diferensial dari fungsi distribusi
adalah UNSUR PELUANG (yang merupakan pendekatan terhadap h(x, 4x)).
d
Unsur peluang adalah fungsi linier dari dx
F (x).
Contoh:
Misalkan F (x) = 1 e3x untuk x 0. Apakah F (x) suatu fungsi distribusi?
Hitung unsur peluang di x = 2. Cari pendekatan untuk P (2 X 2.01).
Densitas rata-rata pada selang (x, x + 4x) didefinisikan:
Density rata-rata =def
P (x X x + 4x)
4x
Sedangkan fungsi densitas peluang atau fungsi peluang (f.p) di x adalah limit
MA3081 Stat.Mat.
K. Syuhada, PhD.
4x0
P (x X x + 4x)
4x
=
=
=
d
F (x)
dx
f (x)dx
a
Latihan:
1. Misalkan bilangan riil positif. Jika F (x) = 1 ex , maka f (x) =
2. Jika X U (a, b) maka F (x) = dan f (x) =
3. *Misalkan f (x) = c/(1 + x2R) untuk < x < dan c konstanta.
MA3081 Stat.Mat.
K. Syuhada, PhD.
Misalkan X peubah acak kontinu dengan fungsi peluang f (x) dan Y = g(X)
fungsi yang terdiferensial bernilai tunggal. Maka fungsi peluang dari Y :
d 1
1
fY (y) = fX (g (y)) g (y)
dy
untuk support Y = g(X). Komponen
J(y) =
d 1
g (y)
dy
MA3081 Stat.Mat.
K. Syuhada, PhD.
1.3
Ekspektasi
Misalkan X peubah acak dengan fungsi peluang f (x). Nilai harapan dari X,
jika ada, adalah
Z
E(X) = X =
f (x)dx
Catatan: nilai ekspektasi dikatakan ada jika nilai integral adalah hingga.
Misalkan X rv dengan pdf f (x). Maka nilai harapan dari g(X), jika ada,
adalah
Z
E[g(X)] =
g(x)f (x)dx
.
Operator integral bersifat linier. Jika g1 (X) dan g2 (X) fungsi-fungsi yang
memiliki ekspektasi dan a, b, c konstanta, maka
E[ag1 (X) + bg2 (X) + c] = aE[g1 (X)] + bE[g2 (X)] + c
Contoh/Latihan:
1. Jika distribusi X simetrik di sekitar c dan nilai harapanny ada maka
E(X) = c.
Bukti:
Z
E(X c) =
(x c)f (x) dx
Z
c
(x c)f (x)dx +
(x c)f (x)dx
c
uf (c u)du +
uf (c + u)du
=
0
0
Z
=
u(f (c + u) f (c u)) du = 0
0
MA3081 Stat.Mat.
K. Syuhada, PhD.
Bukti:
a+b
a+b
1
f
=f
+ =
2
2
ba
untuk ba
, ba
2
2
3. Misalkan X berdistribusi Cauchy dengan fungsi peluang
f (x) =
1
h
i,
2
1 + (x)
2
dengan , konstanta yang memenuhi || < dan (0, ). Tunjukkan bahwa fungsi peluang simetrik di sekitar namun ekspektasinya
bukanlah .
4. Misalkan X Exp(). Nilai harapan dari X adalah...
MA3081 Stat.Mat.
K. Syuhada, PhD.
1.4
Distribusi Bivariat
2
xy
FX,Y (x, y)
MA3081 Stat.Mat.
K. Syuhada, PhD.
fY (y) =
fX,Y (x, y) dx
fX,Y (x, y) =
E(g(X, Y )) = E(X) =
MA3081 Stat.Mat.
10
K. Syuhada, PhD.
1.5
Distribusi Bersyarat
Misalkan fX,Y (x, y) adalah fungsi peluang bersama, maka fungsi peluang Y ,
diberikan X = x, adalah
fY |X (y|x) =def
fX,Y (x, y)
,
fX (x)
E Y Y (X) =
(y y(x))2 fX,Y (x, y) dydx
11
K. Syuhada, PhD.
maka
fY |X (y|x) =
y(x) =
2. Misalkan (Y, X) berdistribusi normal bivariat dengan E(Y ) = Y , E(X) =
2
X , V ar(Y ) = Y2 , V ar(X) = X
, Cov(X, Y ) = X,Y X Y . Distribusi
bersyarat Y , diberikan X, adalah
(Y |X = x)
3. Tunjukkan bahwa
h
i
EX fY |X (y|X) = fY (y)
4. Buktikan
n h
io
h
i
EX E h(Y )|X = E h(Y )
5. Buktikan
h
V ar(Y ) = EX
i
h
i
V ar(Y |X) + V ar E(Y |X)
3y 2
, 0<y<x<1
x3
Maka
fY (y) =
E(Y r ) = , E(Y ) = , V ar(Y ) =
fX (x) =
fY |X (y|x) =
E(Y r |X = x) = , E(Y |X = x) = , V ar(Y |X = x) =
V ar(E(Y |X)) =
E(V ar(Y |X)) =
MA3081 Stat.Mat.
12
K. Syuhada, PhD.
1.6
asalkan ekspektasi ada untuk t disekitar 0. Jika semua momen dari X tidak
ada, maka fungsi pembangkit momen juga tidak ada. Fungsi pembangkit
momen berkaitan dengan fungsi pembangkit peluang
MX (t) = GX (et )
asalkan GX (t) ada untuk t disekitar 1. Jika MX (t) adalah fungsi pembangkit
peluang maka MX (0) = 1.
Contoh/Latihan:
1. Jika fX (x) = ex I0, (x), maka
MX (t) =
2. Jika MX (t) ada maka
Ma+bX (t) =
3. Jika
P Xi , i = 1, . . . , n saling bebas, MXi (t) ada untuk setiap i, dan S =
Xi , maka
MS (t) =
4. Fungsi pembangkit momen bersifat unik. Setiap distribusi memiliki
fungsi pembangkit momen yang unik, dan setiap fungsi pembangkit
momen berkorespondensi dengan tepat satu distribusi. Akibatnya, jika
fungsi pembangkit momen ada maka fungsi pembangkit momen tersebut
secara unik menentukan distribusinya. Beri contoh.
5. Pandang turunan dari MX (t) yang kemudian dievaluasi di t = 0. Apa
yang dapat anda katakan? Dapatkah kita mendapatkan momen orde
tinggi?
6. Dapatkah hasil diatas digunakan untuk distribusi diskrit? Ambil contoh
distribusi Geometrik dengan parameter p.
MA3081 Stat.Mat.
13
K. Syuhada, PhD.
7. Misalkan Y U (a, b). Gunakan fungsi pembangkit momen untuk mendapatkan momen pusat
r
a+b
2
E((Y Y ) ) = E
Y
2
MA3081 Stat.Mat.
14
K. Syuhada, PhD.