DISTRIBUSI LIMIT

Sifat-sifat Konvergen Stokhastik, Teorema Limit Tambahan,

Distribusi Asimtotik dari Order Statistik Tertingi

Disusun untuk Melengkapi Tugas Mata Kuliah Statistik Matematika

Dosen Pengampu: Dr. Dewi Retno Sari Saputro, M.Kom.

Disusun Oleh:
Kelompok 6 / II A
1. Ervin Tamta Lirnawati

(S851508013)

2. Fatimah

(S851508015)

PROGRAM STUDI PENDIDIKAN MATEMATIKA

PROGRAM PASCASARJANA
FAKULTAS KEGURUAN DAN ILMU KEPENDIDIKAN
UNIVERSITAS SEBELAS MARET SURAKARTA
2016

SIFAT-SIFAT KONVERGEN STOKASTIK

Pengertian Proses Stokhastik
Sejak abad yang lalu disadari akan manfaatnya model yang menggunakan probabilitas
disbanding model yang deterministik. Pengamatan dilakukan pada saat-saat yang berbeda
tidak dilakukan pada suatu periode waktu tertentu bila demikian akan tersangkut masalah
probabilitas. Banyak fenomena fisika dan ilmu lain sekarang ini dipelajari merupakan
fenomena yang acak. Bahkan dalam fenomena sosial, teknik dan managemen pun diselidiki
fenomena yang probabilistic. Secara statistika hal ini berarti makin terasa kebutuhan akan
aplikasi variable acak yang berbentuk/ tergantung pada waktu (time) atau ruang (space)
Proses Stokhastik adalah himpunan variable acak yang merupakan fungsi waktu
(time) atau sering pula disebut proses acak (random processes).
Sifat-sifat Konvergen Stokhastik
Untuk mengetahui apakah suatu estimator merupakan sebuah estimator yang baik
adalah dengan sifat antara lain konvergen stokhastik ke nilai parameternya untuk n .
Teorema
Barisan Y1, Y2, ... konvergen stokhastik ke c jika dan hanya jika untuk setiap > 0 ,
lim P (|Y nc|< ) =1

Barisan tersebut juga dikatakan konvergen dalam probabilitas ke c, dinotasikan

Yn pc

Teorema
Jika

X1 , , Xn

2, maka sekuens

adalah sampel acak dari suatu sebaran dengan nilai tengah dan ragam
X n

konvergen dalam peluang ke ,

X n p

Teorema.
Jika

Z n = n(Y nm)/c d Z N (0,1)

, maka

Yn pm

.
2

TEOREMA LIMIT TAMBAHAN

Definisi 7.7.1
Kovegerensi pada Peluang
Barisan variable Random Yn diakatakan konvergen pada peluang ke Yn, ditulis

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

maka untuk suatu fungsi g(y) yang kontinu di c

Y
g( n)P g( c)

Bukti :
Karena g(y) kontinu di c, Hal ini menunjukkan untuk setiap

> 0 terdapat

> 0 artinya

| yc|< akibatnya |g ( y )g(c)|< . Hal ini berakibat

P[|g ( Y n )g ( c )|< ] P [|Y nc|< ]
Karena

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

adalah dua barisan pada variable acak dimana

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

Kita tahu bahwa

^p=

Y
p p.
n

Hal tersebut berarti

^p (1 ^p ) p p(1p)

bahwa

Teorem 7.7.4

( Teorema Slutsky )

Jika Xn dan Yn adalah dua barisan dari variable random

Ynd Y

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

, juga diketahui jika

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 :

, maka untuk fungsi kontinu

g ( y ) dan diasumsikan tidak tergantung

g ( Y n ) d g (Y )

g ( y ) diasumsikan tidak tergantung pada n.

Teorema 7.7.6
Jika

n (Y nm)
c

|c g' (m)|

g ( y ) tidak mempunyai turunan yang

'
( g (m) 0 ), maka

y=m

bernilai 0 pada

n [ g ( Y n ) g(m) ]

d Z N (0,1) dan jika

d Z N (0,1)

Bukti :
Didefinisikan u ( y )=

[ g ( y ) g ( m) ] g' ( m)
y m

ym

jika

dan u ( m )=0.

Sehingga u( y ) kontinu di m dengan u ( m )=0 diperoleh

'
'
g ( m ) +u(Y n) p g ( m )

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
'

'

Pada teorema 7.7.3 didapat

dan hasilnya berlaku teorema 7.7.4.

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)

Atau perkiraan untuk n yang bernilai besar

2

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

juga terdistribusi normal

g' ( ) =2 dan diperkirakan

(2 )
X 2n N (2 ,
)
n

DISTRIBUSI ASIMPTOTIK DARI ORDER STATISTIK TERTINGGI

Seperti yang telah disebutkan pada subab 7.5, order statistik pusat,

distribusikan sebagai normal asimptotik yaitu

ekstrim seperti

X1:n, X2:n ,

dan

Xn:n

dan

Xk :n

yang di

k
p
. Jika statistik terurut
n

distandarisasi sehingga tidak mendegenarasikan

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

mungkin menjadi kekuatan di keretakan terlemahnya, dimana banyaknya keretakan,

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 F n ( a n y +b n )=F (ay +b)

jika dan hanya jika

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

dan untuk setiap bilangan real

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

Distribusi Limit Maksimum

X1:n, , Xn:n

Diberikan
distribusi CFD

menunjukan sampel acak terurut dengan ukuran

F( x ) . Dalam konteks teori nilai ekstrim, maksimum

mempunyai suatu limit distribusi (tidak turun)

{a n }

konstanta

Y n=

dan

{ X n: n b n }

{b n }

Y n=
Xn:n

seperti bahwa variable standar,

X n: n bn
d Y G( y)
an

mempunyai distribusi limit tipe

dari variabel standar

yang teoat dari

dikatakan

, konvergen dalam distribusi ke G( y ) ,

an

Jika

dari

G( y ) jika terdapat barisan dari standarisasi

an >0

dengan

Xn:n

Yn

Xn:n

adalah tidak menurunkan

G , itu berarti bahwa distribusi limit

G( y ) . Mengingat bahwa distribusi

diberikan oleh
n

F n : n ( x )= [ F ( x ) ]
Y n=

Jika kita mempertimbangkan

( X n: nbn )
an

, maka distribusi yang tepat dari

Yn

adalah
Gn ( y ) =P [ Y n y ]=F n :n ( an y + bn)
[ F ( a n y +b n ) ]n

Jadi, distribusi limit dari

Xn:n

(atau lebih tepatnya

Yn

) ditentukan dengan

11

G ( y )=lim Gn ( y ) =lim [ F ( a n y +b n ) ]
n

(**)

Sehingga, persamaan (**) memberikan pendekatan langsung untuk menentukan limit

dari distribusi nilai ekstrim(tertinggi), jika barisan

{a n } dan {b n } dapat menemukan hasil

dari limit yang didegenerasikan.

12

X exp ( 1 ) , maka kita misalkan

Ingat dari contoh 7.2.6 (halaman 235) bahwa jika

an =1

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

mempunyai distribusi limit

G ( y ) , maka

G ( y ) merupakan salah

satu dari 3 tipe distribusi tertinggi berikut:

1. Tipe I (untuk maksimum) (Tipe Eksponensial)
G(1 ) ( y )=exp (e y )< y<
2. Tipe II (untuk maksimum) (Tipe Cauchy)
G(2 ) ( y )=exp ( y ) y> 0, > 0
3. Tipe III (untuk maksimum) (Tipe Limit)

G(3 ) ( y )= exp [( y ) ] y >0, >0

1 y0

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 )

jika dan hanya jika

lim n [ 1F ( an y+bn ) ] =lnG( 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

F ( x ) , itu mungkin digunakan pada Teorema 7.8.4 untuk

bn

dalam istilah

F(x)

untuk masing-masing dari tiga

kemungkinan tipe distribusi limit. Jadi, jika tipe limit untuk

dan

bn

dapat dihitung. Jika tipe limit tidak diketahui, maka

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

, dari Fungsi Densitas Kumulatif (CDF)

F(x)

didefinisikan dengan persamaan

n [ 1F ( un ) ]=1

14

Untuk sampel acak yang berukuran

melebihi

un

dari

F ( x ) , nilai harapan dari pengamatan akan

adalah 1. Peluang satu pengamatan akan melebihi

un

adalah

p=P [ X >u n ]=1F (un )

Dan nilai harapan untuk n pengamatan bebas adalah
np=n [ 1F ( u n ) ]

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 )

kontinu dan naik tegas, maka limit distribusi dari

Yn

adalah jenis

eksponensial jika dan hanya jika

lim n [ 1F ( an y+ bn ) ] =e y < y <
n

dimana

bn =un

an

dan

adalah penyelesaian dari

F ( a n+ un )=1(ne )
2.

G( y ) merupan jenis Cauchy jika dan hanya jika

lim 1F ( y )
y

1F (ky )

=k k >0, >0

dan dalam kasus ini,

3.

an =un

dan

bn =0

G( y ) merupakan jenis limit jika dan hanya jika

y 0

1F ( ky + x 0 )
1F ( y + x 0 )
lim

=k k >0

dimana
dan

an =x0 un

x 0=max {xF ( x ) <1 } , limit atas dari

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 =

Jadi, jika densitas eksponensial merupakan kasus Tipe I, diketahui bahwa

Y n=

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 )

sehingga distribusi limit Tipe Cauchy dengan

n [ 1F ( un ) ]=nu n=1 , dimana

un=n =a n

= . Begitu pula, kita mempunyai

, dan misalkan

bn =0

dalam kasus ini.

Jadi diketahui bahwa

Y n=

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)

jadi G ( y )=exp ( y ) , yang merupakan Tipe Cauchy dengan = .

19

Contoh 7.8.3
Untuk

F ( x )=x ,

X UNIF (0,1) , dengan

0< x <1 , diharapkan dapat menggunakan

distribusi limit tipe III. Perhatikan

n [ 1F ( un ) ]=n ( 1un ) =1
yang diberikan

un=1

1
n

. Jadi

1
n

. Periksa kondisi 3

merupakan Tipe III dengan

=1 . Begitu pula,

bn =x0 =1

dan

an =x0 un=

dari Teorema 7.8.5,

ky
=k
y
1( ky + x 0 )
y 0
=lim

1( y+ x0 )
1F ( ky + x 0 )
y 0
=lim

1F ( y + x 0 )
lim
y 0

jadi distribusi limit dari

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

Distribusi Limit Minimum

20

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 F x (x) dan X F z ( z )=1F x (z ) .

X 1 : n=Z n : n

Catatan

Sekarang anggap bahwa W n=(X 1 : n +bn )/an .

Diperoleh
GW ( w ) =P
n

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

Distribusi limit dari

Wn

disebut

H (w)

kemudian diberikan dengan

H ( w )= lim G W ( w )=lim 1G Y (w)

n

1G(w)
Dimana G ( y ) sekarang menunjukkan distribusi limit dari
Y n=(Z n : nb n)/a n

. Sehingga untuk menemukan

H (w) ,

distribusi limit untuk suatu

nilai minimum, langkah pertama menentukan

21

F Z ( z )=1F X (z )
Kemudian menentukan

an , bn

dan distribusi limit untuk

telah dijelaskan pada penerapan nilai maksimum untuk

untuk

Wn

G( y )

dengan metode yang

F Z ( z ) . Kemudian distribusi limit

adalah

H ( w )=1G (w )
Catatan : jika

F X ( x)

memiliki limit tipe 1, mungkin

yang berbeda. Sebagai contoh, maksimum dari

sedangkan

FZ ( z )

exp()

F Z (z)

akan memiliki suatu tipe

mempunyai distribusi limit tipe I,

dalam kasus ini memiliki distribusi limit tipe III, jadi distribusi limit

minimum akan ditransformasikan ke distribusi tipe III

Kesimpulannya,secara jelas langkah untu menentukan

pertama menentukan

G( y )

pada

memperoleh

Y n=

an , bn dan H ( w )

dengan langkah

FZ ( z )

dan menerapkan ke dalam cara maksimum untuk menentukan

Z n : nb n
an

dan kemudian untuk menggunakan persamaan 7.8.23 untuk

H ( w ) . Hal tersebut memungkinkan untuk menunjukkan hasil secara langsung

dalam syarat distribusi semula

FX ( x ) .

Definisi 7.8.2
Nilai Karakteristik yang terkecil adalah

sn

didefinisikan sebagai

S
F( n)=1
n

22

Hal tersebut menunjukkan pada persamaan 7.8.22 bahwa

kondisi

F Z ( an +un ( z )) =11 /(ne) menjadi

s n ( x ) =u n ( z ) . Serupa dengan

F X ( an +s n )=1 /(ne)

dan lain lain.

Teorema 7.8.6
Jika

W n=(X 1 : n +bn )/an

mempunyai distribusi limit

H (w)

kemudian

H (w)

harus

mengikuti salah satu dari ketiga nilai distribusi tertinggi.

1. Tipe I (untuk minimum)(Tipe Eksponensial)
b =s n , a n
Dalam kasus ini, n
didefinisikan dengan
F ( sn an ) =

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

2. Type II (untuk minimum) (Tipe Cauchy)

X 1 :n
b
=s
,
b
=0,
W
=
n
n
n
n
Dalam kasus ini,
Sn

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

3. Tipe III (untuk minimum) (Tipe Limit)

Jika x 1=min {xF ( x )> 0 } menunjukkan limit lebih rendah untuk
(yaitu

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 tipe I untuk minimum dikatakan sebagai tipe I nilai

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

Z =X . Demikian distribusi limit

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)

exp ( ) . Dalam masalah ini

n X 1 : n/ exp (1) . Sehingga distribusi limit

dimana pada tipe III kasus ini dengan

dari
y=1 .

Asumsikan limit distribusi adalah tipe III, karena daerah hasil dari variable adalah
Z =X

untuk limit kanan. Perikasa kondisi 3 pada teorema 7.8.6, dengan

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

Pada kasus ini

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.

Murtiyasa, Budi. 2006. Pengantar Statistika Matematika.Surakarta : MUP-UMS

https://www.scribd.com/doc/271722721/matstat-2 dibuka 29 April 2016

26

27