Disusun Oleh:
Kelompok 6 / II A
1. Ervin Tamta Lirnawati
(S851508013)
2. Fatimah
(S851508015)
Yn pc
Teorema
Jika
X1 , , Xn
2, maka sekuens
adalah sampel acak dari suatu sebaran dengan nilai tengah dan ragam
X n
X n p
Teorema.
Jika
, maka
Yn pm
.
2
YnPY
Jika
lim P [|Y n Y |< ]=1
Teorema 7.7.1
Untuk suatu barisan pada variable turununan distribusi P[ Y = c ] = 1. Hal ini berarti kondisi
awal untuk mendefinisikan konvegerensi stokastik.
Teorema 7.7.2
Jika
YnPc
Y
g( n)P g( c)
Bukti :
Karena g(y) kontinu di c, Hal ini menunjukkan untuk setiap
> 0 terdapat
> 0 artinya
P( B) P ( A )
dimana
A B . Tetapi karena
YnPc
untuk setiap
> 0
diperoleh
lim P [|g ( Y n )g ( c )|< ] lim P[|Y nc|< ]
Akibatnya limit kirinya tidak dapat melampui 1, jadi harus sama dengan 1 dan
Y
g( n)P g( c)
Teorema 7.7.3
Xn
Jika
Yn pd
Yn
dan
dan
, maka
a X n +b Y n p ac+ bd
1.
X n Y n p cd
2.
3.
Xn
p1
c
4.
1 1
p
Xn c
5.
X n p c
untuk c 0
jika
P ( X n 0 )=1
jika
P ( X n 0 )=1
untuk semua n, c 0
untuk semua n
Contoh 7.7.1
Y BIN ( n , p ) .
Diketahui
^p=
Y
p p.
n
^p (1 ^p ) p p(1p)
bahwa
Teorem 7.7.4
( Teorema Slutsky )
Xn p c
dengan
Xn d c
dan
maka berlaku
X n +Y n d c +Y
1.
2.
X n Y n d cY
Yn Y
d
Xn c
3.
untuk c 0
Untuk kejadian khusus Xn dapat menjadi barisan numerik biasa seperti Xn=n/(n-1)
Contoh 7.7.2
Dari sampel acak berukuran n dari distribusi Binomial
^ p
p
d Z N (0,1)
p(1p)/n
X i BIN ( 1, p )
^p (1 ^p ) p p(1p)
, diketahui
maka jika
dibagi dengan [ ^p ( 1 ^p ) / ^p ( 1 ^p ) ]2
. Akibatnya
^ p
p
d Z N (0,1)
p(1p)/ n
Teorema 7.7.5
Jika
Ynd Y
pada n ,
Catatan :
g ( Y n ) d g (Y )
Teorema 7.7.6
Jika
n (Y nm)
c
|c g' (m)|
'
( g (m) 0 ), maka
y=m
bernilai 0 pada
n [ g ( Y n ) g(m) ]
d Z N (0,1)
Bukti :
Didefinisikan u ( y )=
[ g ( y ) g ( m) ] g' ( m)
y m
ym
jika
dan u ( m )=0.
Selanjutnya
n
Y
g' (m )+u
n [g ( Y n ) g ( m )] n (Y nm)
=
c
|c g ' ( m)|
[ g ( m) +u ( Y ) ] /g ( m) p 1
'
'
Berdasarkan pemahaman awal dari distribusi normal asimtotik, dapat disimpulkan untuk n
c2
Y
N
(m,
) maka
n
bernilai besar, jika
n
g(Y n ) N g ( m ) ,
'
c [ g (m)]
n
Contoh 7.7.3
Teorema limit pusat menyebutkan bahwa mean dari sampel terdistribusi normas asimptotik
8
n ( X n)
d Z N (0,1)
X n N ( , )
n
Pada teorema 7.7.6 fungsi yang dapat diturunkan dari
asimptotik. Sebagai contoh jika
2
g ( X n ) = X
2
n
maka
X n
(2 )
X 2n N (2 ,
)
n
ekstrim seperti
X1:n, X2:n ,
dan
Xn:n
dan
Xk :n
yang di
k
p
. Jika statistik terurut
n
distribusi limit, distribusi limit ini tidak termasuk distribusi normal. Contohnya dari distribusi
limit yang telah diberikan sebelumnya. Hal itu dapat ditunjukkan bahwa tanpa
mendegeneasikan distribusi limit dari suatu variabel ekstrim harus termasuk salah satu dari 3
kemungkinan tipe distribusi. Sehingga 3 tipe distribusi ini berguna saat mempelajari rataan
melalui Teorema Limit Pusat.
Sebagai contoh, dalam mempelajari banjir, variabel yang menarik mungkin adalah
tahap banjir maksimum dalam setahun. Variabel ini mungkin berperilaku kurang lebih seperti
maksimum sejumlah besar tingkat banjir yang dicapai sepanjang tahun. Jadi, salah satu dari
tiga tipe limit mungkin menyediakan suatu model yang baik untuk variabel ini. Demikian
pula, kekuatan rantai sama dengan mata rantai yang terlemah, atau kekuatan keramik
9
n ,
mungkin cukup besar. Begitu pula, sistem seumur hidup yang independen dan identik
didistribusikan oleh komponen terhubung di rangkaian yang sama dari komponen seumur
hidup minimum. Sekali lagi, salah satu dari distribusi limit mungkin menyediakan perkiraan
yang baik untuk sistem seumur hidup, meskipun distribusi dari komponen individu seumur
hidup yang mungkin tidak diketahui. Demikian pula, sistem seumur hidup dari komponen
terhubung yang sejajar sama dengan komponen seumur hidup maksimum.
Teorema berikut, yang dinyatakan tanpa pembuktian, digunakan dalam mempelajari
perilaku asimtotik dari statistik terurut ekstrim.
Teorema 7.8.1
Jika limit dari barisan Fungsi Densitas Kumulatif (CDF) merupakan Fungsi Densitas
Kumulatif (CDF) kontinu,
F ( y )=lim F n ( y)
n
, maka untuk
an >0
dan
bn
, yaitu
lim an y=a> 0
dan
lim bn=b
Teorema 7.8.2
Jika limit dari barisan CDF merupakan Fungsi Densitas Kumulatif (CDF) kontinu, dan jika
lim F n ( a n y +b n )=G ( y )
untuk setiap
an >0
Fn ( n y + )=G( y )
n> 0
untuk
, jika dan hanya jika
lim
y , maka
n
1 dan
an
10
n bn
0 dengan n .
an
Diberikan
distribusi CFD
{a n }
konstanta
Y n=
dan
{ X n: n b n }
{b n }
Y n=
Xn:n
X n: n bn
d Y G( y)
an
dikatakan
an
Jika
dari
dengan
Xn:n
Yn
Xn:n
diberikan oleh
n
F n : n ( x )= [ F ( x ) ]
Y n=
( X n: nbn )
an
Yn
adalah
Gn ( y ) =P [ Y n y ]=F n :n ( an y + bn)
[ F ( a n y +b n ) ]n
Xn:n
Yn
) ditentukan dengan
11
G ( y )=lim Gn ( y ) =lim [ F ( a n y +b n ) ]
n
(**)
12
dan
bn =ln n
. Sehingga,
n
[ () ]
G n ( y ) =[ F ( y + ln n ) ]n= 1
1 y
e
n
dan
[ () ]
1 y
G ( y )=lim 1
e =exp(e y )
n
n
Tiga tipe kemungkinan dari distribusi limit diberikan pada teorema berikut, yang
dinyatakan tanpa pembuktian.
Teorema 7.8.3
Jika
Y n=
( X n: nbn )
an
G ( y ) , maka
G ( y ) merupakan salah
Distribusi limit yang maksimum dari densitas contohnya distribusi normal, distribusi
lognormal, distribusi logistik, dan distribusi gamma merupakan distribusi nilai ekstrim tipe I.
Secara umum, densitas tersebut memiliki sisi tidak lebih tebal dari distribusi
eksponensial. Kelas ini mencakup sejumlah besar distribusi yang paling umum, dan distribusi
nilai ekstrim tipe I (untuk maksimum) harus menyediakan model yang berguna bagi banyak
jenis variabel yang terkait dengan nilai maksimum. Tentu saja, parameter lokasi dan
parameter skala perlu diperkenalkan ke model bila diterapkan secara langsung ke variabel
yang tidak distandarisasi.
13
Tipe II dari distribusi limit dihasilkan dari nilai maksimum dari densitas sisi tebal,
contohnya distribusi Cauchy. Kasus Tipe III mungkin muncul dari densitas dengan limit yang
terbatas atas pada hasil variabel.
Teorema tersebut menyediakan bentuk alternatif ke persamaan (7.8.5), yang terkadang
lebih sesuai untuk mengerjakan limit.
Teorema 7.8.4 Gnedenko
Dalam menentukan distribusi limit dari Y n=
( X n: nbn )
an
lim G n ( y ) =lim [ F ( an y+ bn ) ] =G ( y )
Dalam banyak kasus, kesulitan terbesar melibatkan penentuan barisan standar yang
pantas sehingga distribusi limit tidak turun akan dihasilkan. Untuk pemberian Fungsi
Densitas Kumulatif (CDF),
menentukan
an
dan
bn
dalam istilah
F(x)
bn
F(x)
an
diketahui, maka
dan
bn
an
dapat dihitung
untuk masing-masing tipe limit dan kemudian menerapkannya untuk melihat tipe limit
tersebut berkembang. Satu sifat dari Fungsi Densitas Kumulatif (CDF) yang digunakan
dalam menyatakan konstanta yang distandarisasi merupakan sifat nilai terbesar.
Definisi 7.8.1
Karakteristik nilai terbesar,
un
F(x)
14
un
dari
un
adalah
15
Teorema 7.8.5
X F( x ) , dan diasumsikan bahwa
Misalkan
Y n=
( X n: nbn )
an
mempunyai distribusi
limit.
1. Jika
F( x )
Yn
adalah jenis
dimana
bn =un
an
dan
F ( a n+ un )=1(ne )
2.
1F (ky )
=k k >0, >0
an =un
dan
bn =0
y 0
1F ( ky + x 0 )
1F ( y + x 0 )
lim
=k k >0
dimana
dan
an =x0 un
x . Begitu pula,
bn =x0
16
Contoh 7.8.1
Andaikan
X exp() , dan kita tertarik dalam maksimum dari suatu sampel acak yang
u
berukuran n . Sifat nilai terbesar n diperoleh dari
[ (
n [ 1F ( un ) ]=n 1 1e
un
)]=1
yang diberikan
un= ln n
Kita telah mengetahui bahwa densitas eksponensial masuk dalam kasus Tipe I, sehingga kita
akan mencoba kasus pertama. Kita mempunyai
bn =un= lnn
, dan
an
ditentukan dari
n
an + ln
F ( a n+ un )=1e
1
1
(ne )
dengan
an =
X n : n lnn
d Y G ( 1) ( y )
Hal ini dapat diperiksa dengan menggunakan kondisi 1 dari Teorema 7.8.5, karena
n
y+ ln
e
lim n [ 1F ( an y+ bn ) ] =lim n
17
lim e
n
y
e < y <
18
Contoh 7.8.2
Densitas dari Fungsi Densitas Kumulatif (CDF)
F ( x )=1x ,
x 1 , mempunyai batas
atas, jadi itu akan diharapkan distribusi limit dari Tipe Cauchy. Jika kita periksa Tipe Cauchy
yang diberikan pada Teorema 7.8.5, diperoleh
lim 1F ( y )
lim y
= y =k
1F (ky )
(ky )
un=n =a n
, dan misalkan
bn =0
Xn:n
n
(2 )
d Y G (y)
Sekarang kita mengetahui bagaimana menstandarisasikan variabel, kita juga dapat memeriksa
hasil ini secara langsung dengan Teorema 7.8.4.
Perhatikan
lim n [ 1F ( an y+ bn ) ] =lim y=ln G( y)
19
Contoh 7.8.3
Untuk
F ( x )=x ,
un=1
1
n
. Jadi
1
n
. Periksa kondisi 3
=1 . Begitu pula,
bn =x0 =1
dan
an =x0 un=
1( y+ x0 )
1F ( ky + x 0 )
y 0
=lim
1F ( y + x 0 )
lim
y 0
Y n=n ( X n :n 1 )
jika ditinjau secara langsung pada Teorema 7.8.4 untuk lebih menggambarkannya, kita
mempunyai
lim n [ 1F ( an y+ bn ) ] =lim n 1
( ny +1)]
ln G( y )
dan
Y n=n ( X n :n 1 ) d Y G ( y )
, dimana
y
(3 )
G ( y )=G ( y )= e y < 0
10 y
Jika sebuah distribusi limit yang tidak turun untuk sampel acak minimum, maka juga
harus termasuk satu dari tiga tipe yang memungkinkan. Memang sebuah distribusi minimum
dapat berhubungan dengan distribusi maksimum, karena
min ( x 1 , , x n )=max (x 1 , ,x n )
Jadi, semua hasil maksimum dapat diubah menjadi bentuk minimum, jika detailnya dapat
diurutkan.
Misalkan X kontinu,
X 1 : n=Z n : n
Catatan
X 1: n +bn
w
an
Z 1 : n+ bn
w
an
Z n :n +b n
w
an
P [ Y n w ]
1GY (w)
n
Wn
disebut
H (w)
1G(w)
Dimana G ( y ) sekarang menunjukkan distribusi limit dari
Y n=(Z n : nb n)/a n
H (w) ,
21
F Z ( z )=1F X (z )
Kemudian menentukan
an , bn
Wn
G( y )
adalah
H ( w )=1G (w )
Catatan : jika
F X ( x)
FZ ( z )
exp()
F Z (z)
dalam kasus ini memiliki distribusi limit tipe III, jadi distribusi limit
G( y )
pada
memperoleh
Y n=
an , bn dan H ( w )
dengan langkah
FZ ( z )
Z n : nb n
an
FX ( x ) .
Definisi 7.8.2
Nilai Karakteristik yang terkecil adalah
sn
didefinisikan sebagai
S
F( n)=1
n
22
s n ( x ) =u n ( z ) . Serupa dengan
F X ( an +s n )=1 /(ne)
Teorema 7.8.6
Jika
H (w)
kemudian
H (w)
harus
X s
1
W n= 1 :n n
ne
an
dan
(1 )
w
H (1)
W =1G (w ) =1exp (e )< w<
Jika dan hanya jika
y
lim nF (a n y + sn ) =e
n
dan
( y )
(2)
(2 )
H W =1G (w )=1exp
Jika dan hanya jika
F ( y )
lim
=k y , k >0 , y> 0
y F (ky )
atau
y
lim nF ( s n y ) = y y >0
n
x 1=x 0
kemudian
23
bn =x 1 an=x 1+ s n wn=
X 1 : nx 1
s nx 1
dan
(3 )
y
H (3)
W =1G (w ) =1exp ( w ) w> 0, y >0
Jika dan hanya jika
F (ky + x 1)
y
lim
=k k > 0
y 0 F ( y + x 1)
atau
y
lim nF [ ( x 1s n ) y + x 1 ) =( y)
n
Catatan :
distribusi ekstrem. Juga tipe III untuk minimum adalah distribusi Weibull. Mengingat
kembali bahwa distribusi limit untuk maksimum untuk tipe I utuk bebarapa densitas.
Pada penentuan dari distribusi limit minimum, sangatlah penting memperhatikan
ketebalan ekor kiri dari
FZ ( z ) ,
dimana
minimum untuk beberapa densitas, seperti eksponensial dan gamma, adalah tipe III.
Hal tersebut menjadi salah satu alasan bahwa distribusi Weibull sering digunakan
dalam penerapan.
Contoh 7.8.4
Diketahui sampel random dengan ukuran n dari
X 1 : n exp( )
n
n X 1 : n/
dan untuk
adalah
exp(1)
dari
y=1 .
Asumsikan limit distribusi adalah tipe III, karena daerah hasil dari variable adalah
Z =X
x i=0
dan
24
k exp (ky)
=k
exp ( y )
1exp (ky )
= lim
1exp ( y)
+
y0
F (ky + x 1)
= lim
F( y+ x1 )
+
y0
lim
y 0+
Sehingga diperoleh
W n=
H W ( w ) =1e
dimana
X 1: nx 1 X 1 :n
=
s nx 1
sn
sn
F ( sn ) =1e s / =
n
1
n
diberikan sebagai
atau
1
s n= ln ( 1 )
n
Hal ini tidak pada lapangan yang teridentitas, kesamaan standarisasi bernilai
konstan seperti sebelumnya , bagaimanapun juga hasilnya konsisten karena
1
ln ( 1 )
n
1
1/n
25
DAFTAR PUSTAKA
Bain, Lee. J.Engelhardt. 1992. Introduction to Probability and Mathematical Statistics. California :
University of Idaho.
26
27