(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 pen-
dalaman 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 per-
baikan modul ini harap dikirim via email ke sumarjaya@gmail.com atau sumarjaya@yahoo.com.
Penulis
i
DAFTAR ISI
Kata Pengantar i
DAFTAR ISI ii
DAFTAR GAMBAR iv
DAFTAR TABEL v
ii
DAFTAR ISI iii
DAFTAR PUSTAKA 87
DAFTAR GAMBAR
iv
DAFTAR TABEL
v
BAB 1
PEUBAH ACAK DAN DISTRIBUSINYA
Kompetensi Dasar
Menggunakan konsep-konsep ilmu peluang.
Indikator Pencapaian
Menggunakan konsep-konsep ilmu peluang.
Materi Pokok
Bab ini meninjau kembali konsep tentang peluang dan distribusinya seperti yang telah dipelajari
pada mata kuliah Pengantar Ilmu Peluang.
1
BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA 2
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
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)
E(u(X))
P (u(X) c) . (1.11)
c
Teorema 1.4 (Ketidaksamaan Chebychev). Jika X adalah suatu peubah acak dengan rata-rata
dan variansi 2 , maka untuk sembarang k > 0,
1
P (|X | k) . (1.12)
k2
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
E(X r ) = MX
r
(0), untuk semua r = 1, 2, . . . (1.14)
dan
X E(X r )tr
MX (t) = 1 + . (1.15)
r!
r=1
BAB 2
DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS
Kompetensi Dasar
Membedakan peubah acak diskrit, peubah acak kontinu, dan distribusi keluarga eksponen-
sial.
Indikator Pencapaian
Mampu memisahkan peubah acak diskrit, kontinu, dan distribusi keluarga eksponensial.
Materi Pokok
Bab ini membahas beberapa distribusi khusus, baik diskrit maupun kontinu, yang telah dipela-
jari dalam mata kuliah Pengantar Ilmu Peluang.
4
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 5
dinyatakan sebagai
fX (x) = px q 1x , x = 0, 1. (2.2)
Bentuk Persamaan (2.4) merupakan fungsi densitas peluang dari distribusi hipergeometrik, dino-
tasikan X HYP(n, M, N ).
1. Nilai harapan:
nM
E(X) = ; (2.5)
N
2. Variansi:
M M N n
var(X) = n 1 ; (2.6)
N N N 1
e x
fX (x; ) = ; x = 1, 2, . . . . (2.10)
x!
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 7
2. Variansi: var(X) = .
Teorema 2.1. Jika X BIN(n, p), maka untuk setiap nilai x = 0, 1, 2, . . . , dan sebagaimana
p 0 dengan np = konstan, maka
e x
n x
lim p (1 p)nx = . (2.12)
n x x!
1 et e(N +1)t
MX (t) = . (2.14)
N 1 et
Jika = 1 maka
Z
(1) = et dt
0
t
= e
0
= e ( e0 )
=0+1
= 1. (2.19)
menjadi
Z
t
() = t1
( e ) ( et )( 1)t2 dt
0
Z
1 t
et ( 1)t2 dt
= t e +
0
Z 0
= 0 + ( 1) t2 et dt
0
= ( 1)( 1), > 1.
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 9
(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!.
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
(1/2) = x1 ex 2x dx
Z0
2
= 2 ex dx. (2.23)
0
(2.24)
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 x
= cos , = r sin ,
r
y y
= sin , = r cos .
r
Dengan demikian diperoleh Jacobian,
cos r sin
J =
sin r cos
= r cos2 +r sin2
= r.
fX (x; , ) = () (2.26)
0, untuk x lainnya;
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)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 11
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
n1
X (x/)i x/2
FX (x; , n) = 1 e . (2.31)
i!
i=0
Bukti: Stone (1996) Akan ditunjukkan Persamaan (2.31) dengan induksi. Untuk n = 1:
0
X (x/)0
FX (x; , 1) = 1 ex/
0!
i=0
= 1 ex/ . (2.32)
dan
Z
1
2
E(X ) = x2 x1 ex/ dx
0 ()
Z
1
= 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
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
Z 1
u
MX (t) = ()(1 t) 1 t
eu du
0
Z
1 u1
= eu du
0 ()(1 t)(1 t)1
Z
u1
=
eu du
0 ()(1 t)
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)
dan
00
MX (t) = ()( 1)(1 t)2 ()(). (2.41)
Selanjutnya
0
E(X) = MX (0) = ()(1 0)1 ()
= (2.42)
dan
(2.43)
2 00 2
E(X ) = MX (0) = ()( 1)(1 0) ()()
2
= ()( 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
E(X r ) = (1 0)r
()
( + r) r
= . (2.46)
()
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 14
( + 3)3
E(X 3 ) =
()
( + 2)( + 1)()3
=
()
= ( + 2)( + 1)2 (2.47)
> gamma(4)
[1] 6
> gamma(5/3)
[1] 0.9027453
Distribusi gamma dengan parameter = 2 dan = 1 disebut distribusi khi kuadrat (chi-
square). 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.
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.
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 )
x
= 1 ex/ . (2.50)
Diskusi: Carilah E(X), E(X 2 ), dan var(X) dengan mengintegralkan secara langsung kemudian
bandingkan hasilnya.
(x )2
1
fX (x; , ) = e 2 2 , < x < , < < , 0 < < . (2.52)
2
Misal didefinisikan
Z
I= fX (x; , ) dx
Z0
1 2
= e[(x)/] /2 dx (2.53)
0 2
Untuk memeriksa apakah fungsi integral fungsi densitas peluang ini sama dengan 1, gu-
nakan teknik substitusi, misal z = (x )/ dengan dx = dz. Perhatikan bahwa f (z) =
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 16
(1/sqrt 2) exp(z 2 ) adalah fungsi genap, yakni f (z) = f (z). Dengan demikian
Z
I= f (x; , ) dx
Z
1 2
= ez /2 dz
2
Z
1 2
=2 ez /2 dz. (2.54)
0 2
Apabila dimisalkan w = z 2 /2, maka z = 2w dan dz = (w1/2 / 2), sehingga
Z 1/2
w 2 w
I= e dw
0 2
Z 1/2
w
= ew dw
0
(1/2)
=
( )
=
( )
= 1. (2.55)
Lihat kembali sifat-sifat fungsi gamma untuk memahami hasil integral pada persamaan (2.55).
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 (2.60)
2 exp(z 2 /2)
sebagaimana z .
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 17
dan
Z
2
E(Z ) = z 2 (z) dz
Z
= [00 (z) + (z)] dz
Z
0
= (z) + (z) dz
=0+1
= 1. (2.62)
Selanjutnya
x2 1 x 2
Z
2
E(X ) = exp dx
2 2
(z + )2
Z
= exp(z 2 /2) dz
2
(z + )2
Z
= exp(z 2 /2) dz
2
Z
= (z + )z (z) dz
Z
= ( 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 (z) dz + 2 z(z) dz + (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 2
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
=
Parameter disebut parameter bentuk (shape parameter ). Seperti halnya pada distribusi
gamma, maka akan ada tiga bentuk dasar bergantung pada < 1, = 1, atau > 1.
Z
E(X) =
xx1 e(x/) dx
0
Z
= x(1+)1 e(x/) dx (2.70)
0
Untuk menyelesaikan Persamaan (2.70) lakukan substitusi (x/) = u, sehingga dx = [(u1/21 )/] du.
Dengan demikian
Z
E(X) = (u1/ )1+1 eu u1/1 du
0
Z
= (u1/ ) eu u1/1 du
0
Z
= u eu u1/1 du
0
Z
= u(1+1/)1 eu du
0
1
= 1 + . (2.71)
Selanjutnya untuk menghitung E(X 2 ) lakukan substitusi seperti pada waktu menghitung E(X).
Z
2 2 1 (x/)
E(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
1 2
2
= 2 1 + 1 +
2 2 2 1
= 1+ 1 + . (2.73)
a) P (X 15);
b) P (15 < X < 20);
c) Nilai harapan tahan hidup, E(X).
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:
2-4 Misal peubah acak X berdistribusi gamma dengan fungsi densitas peluang
fX (x; ) = 2
0, untuk x lainnya.
Jika x = 2 adalah modus tunggal (unique mode) dari distribusi, hitunglah parameter .
MW (t) = (1 7t)20 ,
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.
2-2* Fungsi gamma adalah fungsi faktorial yang diperumum (generalized factorial function).
b) Gunakan fakta bahwa (1/2) = untuk menunjukkan bahwa jika n adalah bilangan
bulat ganjil maka
(n 1)!
(n/2) = .
n1
n1
2 !
2
2-3* Tunjukkan dengan teknik pengubahan variabel (change of variable) bahwa
Z
2
(x) = 2 t2x1 et dt
0
Z
t
= ext e e dt.
BAB 3
PEUBAH ACAK BERGANDA
Kompetensi Dasar
Membedakan sifat-sifat nilai harapan dan fungsi pembangkit momen.
Indikator Pencapaian
Mampu memisahkan sifat-sifat nilai harapan, harapan bersyarat, dan fungsi pembangkit
momen.
Materi Pokok
Dalam banyak aplikasi biasanya terdapat lebih dari satu peubah acak yang menjadi objek
penelitian, katakanlah X1 , . . . , Xk . Secara matematis akan lebih mudah mengganggap peubah-
peubah 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).
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
BAB 3. PEUBAH ACAK BERGANDA 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.
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:
dan X X
f (x1 , . . . , xk ) = 1.
x1 xk
Dalam kasus dua dimensi, akan lebih mudah menyajikan fungsi densitas bersama dalam ben-
tuk 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 densitas-
nya adalah sebagai berikut:
x2
0 1 2 3
0 0,008 0,048 0,096 0,064 0,216
x1 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 mem-
punyai pengaruh pada partisi kejadian, katakanlah A, bahwa X1 = 1; penghitungan peluang
marjinal P (A) = P (X1 = 1) menjadi
3
X
P (A) = P (X1 = 1, X2 = j)
j=0
3
X
= fX1 ,X2 (1, j)
j=0
X
= 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 X
fX2 (x2 ) = fX1 ,X2 (x1 , x2 ).
x1
BAB 3. PEUBAH ACAK BERGANDA 26
Contoh 3.3. Misal (X1 , X2 ) MULT(n, p1 , p2 ), maka fungsi densitas marjinal X1 adalah
X
fX1 (x1 ) = fX1 ,X2 (x1 , x2 )
x2
nx
X1
= fX1 ,X2 (x1 , x2 )
x2 =0
nx
X1 (n x1 )!px2 [(1 p1 ) p2 ](nx1 )x2
n!
= px1 1 2
x1 !(n x1 )! x2 ![(n x1 ) x2 ]!
x2 =0
nx
X1 n x1
n! x1
= p px2 2 [(1 p1 ) p2 ](nx1 )x2
x1 !(n x1 )! 1 x2
x2 =0
n x1
= p [p2 + (1 p1 ) p2 ]nx1
x1 1
n x1
= p (1 px1 )nx1 . (3.2)
x1 1
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
Teorema 3.2 (Fungsi distribusi kumulatif bivariat). Suatu fungsi FX1 ,X2 (x1 , x2 ) adalah fungsi
distribusi kumulatif bivariat jika dan hanya jika:
(ii) limx2 FX1 ,X2 (x1 , x2 ) = FX1 ,X2 (x1 , ) = 0 untuk semua x1 ;
(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 .
Dengan kata lain sifat (iv) dalam Teorema 3.2 tidak dipenuhi.
BAB 3. PEUBAH ACAK BERGANDA 27
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
dan Z Z
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.
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
5 2 1x2
Z 1
= x2 x dx2
0 2 1 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
0 2
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 .
A
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
= 5x1 x
2 2 0
5
= x1 ,
2
untuk setiap 0 < x1 < 1 dan nol untuk yang lain.
BAB 3. PEUBAH ACAK BERGANDA 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
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
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,
fX1 ,X2 ,X3 (x1 , x2 , x3 ) = (3.4)
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
=6 x1 dx2
0 0
Z x3
=6 x2 dx2
0
6 2 x2
= x2
2 0
= 3x23 ,
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 (stochas-
tically 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.
BAB 3. PEUBAH ACAK BERGANDA 30
Teorema 3.4. Peubah acak X1 , . . . , Xk adalah bebas jika dan hanya jika salah satu dari sifat
berikut dipenuhi:
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.
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 pelu-
ang bersyarat dari X2 diketahui X1 = x1 didefinisikan sebagai
fX1 ,X2 (x1 , x2 )
fX2 |X1 =x1 (x2 |x1 ) =
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 (x1 , x2 )
fX1 |X2 =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 ke-
jadian (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.
3-2 Misal X1 dan X2 adalah peubah acak diskrit dengan fungsi densitas peluang bersama
fX1 ,X2 (x1 , x2 ) diberikan oleh tabel berikut:
x2
1 2 3
1 1/12 1/6 0
x1 2 0 1/9 1/5
3 1/18 1/4 2/15
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.
Kompetensi Dasar
Menghasilkan transformasi peubah acak.
Indikator Pencapaian
Membuat transformasi peubah acak dengan menggunakan teknik fungsi distribusi, metode
transformasi, formula konvolusi, dan fungsi pembangkit momen.
Materi Pokok
Penggunaan peubah acak dan distribusi peluangnya telah dibicarakan sebagai suatu cara un-
tuk mengekspresikan suatu model matematika untuk suatu fenomena fisikal nondeterministik.
Peubah acak mungkin berasosiasi dengan beberapa karakteristik numerik dari populasi sebe-
narnya 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 kelu-
arga fungsi densitas peluang yang diindeks oleh suatu parameter yang tidak diketahui sebagai
suatu model yang mungkin dan berkonsentrasi pada memiliki suatu nilai untuk parameter terse-
but.
Penekanan utama dalam statistika adalah mengembangkan pendugaan (estimates) param-
eter 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 pemil-
ihan model yang sesuai.
Pada beberapa kasus, sifat-sifat khusus dari suatu model (misalnya sifat no memory dis-
tribusi eksponensial) mungkin cukup membantu dalam mengindikasikan jenis asumsi fisika yang
33
BAB 4. SIFAT-SIFAT PEUBAH ACAK 34
konsisten dengan model, meskipun implikasi dari model biasanya kurang jelas. Pada kasus
seperti ini kebergantungan lebih banyak didasarkan pada ukuran-ukuran deskriptif seperti var-
ians dari suatu distribusi. Pada bab ini, ukuran-ukuran deskriptif tambahan dan sifat-sifat
peubah acak akan dikembangkan.
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
x1 u(x1 , . . . , xk )fX (x1 , . . . , xk ), jika X diskrit;
EX [u(X1 , . . . , Xk )] = R R xk
u(x1 , . . . , xk )fX (x1 , . . . , xk ) dx1 dxk , jika X kontinu.
(4.1)
Teorema 4.2. Jika X1 dan X2 adalah peubah-peubah acak dengan fungsi densitas peluang
bersama fX1 ,X2 (x1 , x2 ) maka
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
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 ).
BAB 4. SIFAT-SIFAT PEUBAH ACAK 35
E(X1 + X2 ) = EX (X1 + X2 )
X X
= (x1 + x2 )fX1 ,X2 (x1 , x2 )
x2 = x1 =
X X
X
X
= x1 fX1 ,X2 (x1 , x2 ) + x2 fX1 ,X2 (x1 , x2 )
x2 = x1 = x2 = x1 =
X
X X
X
= x1 fX1 ,X2 (x1 , x2 ) + x2 x1 fX1 ,X2 (x1 , x2 )
x1 = x2 = x2 = x1 =
X
X
= x1 fX1 (x1 ) + x2 fX1 (x2 )
x1 = x2 =
= EX1 (X1 ) + EX2 (X2 )
= E(X1 ) + E(X2 ).
Dengan Teorema 4.2 kasus dapat diperluas sampai k peubah. Jika a1 , . . . , ak adalah konstanta-
konsta dan jika X1 , . . . , Xk adalah peubah-peubah acak yang berdistribusi secara bersama-sama,
maka
X k X 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)
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 )]. (4.5)
dan
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
Teorema 4.6 (Bain and Engelhardt (1992)). Jika X1 dan X2 adalah peubah acak dengan fungsi
densitas peluang bersama fX1 ,X2 (x1 , x2 ) maka
dan
var(X1 + X2 ) = var(X1 ) + var(X2 ) (4.12)
bilamana X1 dan X2 saling bebas.
Bukti:
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
k
X k
X XX
var ai Xi = a2i var(Xi ) + 2 ai aj cov(Xi , Xj ). (4.13)
i<j
i=1 i=1
BAB 4. SIFAT-SIFAT PEUBAH ACAK 38
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.
Teorema 4.8. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersama-
sama, maka
E[E(Y |X)] = E(Y ). (4.23)
= yfY (y) dy
= E(Y ).
BAB 4. SIFAT-SIFAT PEUBAH ACAK 40
= E(Y ).
dan
Z
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
X
= yfY (y)
y
= E(Y )
dan
X
E(X|y) = xf (x|y)
x
X
= fX (x)
x
= E(X).
BAB 4. SIFAT-SIFAT PEUBAH ACAK 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
Teorema 4.10. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersama-
sama, maka
var(Y ) = EX [var(Y |X)] varX [E(Y |X)]. (4.26)
Bukti:
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
Teorema 4.12 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak yang
berdistribusi bersama dan g(x) adalah fungsi, maka
x X 2 y Y 2
1 1 x X y Y
fX,Y (x, y) = exp 2 +
2(1 2XY )
q
2X Y 1 2XY X X Y Y
yang bergantung pada lima parameter < X < , < Y < , X > 0, Y > 0, dan
1 < XY < 1.
BAB 4. SIFAT-SIFAT PEUBAH ACAK 42
Definisi 4.5 (Bain and Engelhardt (1992)). Fungsi pembangkit momen bersama dari X =
(X1 , . . . , Xk ), jika ada, didefinisikan sebagai
k
X
MX (t) = E exp ti Xi (4.31)
i=1
Sifat-sifat fungsi pembangkit momen bersama analog dengan sifat fungsi pembangkit mo-
men 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,
dan
MY (t2 ) = MX,Y (0, t2 ). (4.33)
Contoh 4.3. Misal X = (X1 , . . . , Xk ) MULT(n, p1 , . . . , pk ). Kita tahu bahwa distribusi mar-
jinalnya adalah binomial, yakni Xi BIN(n, pi ). Fungsi pembangkit momen bersama distribusi
multinomial dapat dihitung menggunakan distribusi binomial
k
X
MX (t) = E exp ti Xi
i=1
X X n
= (p1 et1 )x1 (pk etk )xk pxk+1
k +1
x1 ! xk+1 !
= (p1 et1 + + pk etk +pk+1 )n (4.34)
dengan pk+1 = 1 p1 pk .
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);
BAB 4. SIFAT-SIFAT PEUBAH ACAK 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;
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 masing-
masing bola basket adalah saling bebas dan T menyatakan berat total semua bola basket
dalam kotak. 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 ).
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, jika x dan y lainnya.
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
k
X n
X k X
X m
cov ai Xi , bj Yj = cov(Xi , Yj ).
i=1 j=1 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 .
Kompetensi Dasar
Menggunakan konsep-konsep ilmu peluang.
Indikator Pencapaian
Menggunakan konsep-konsep ilmu peluang.
Materi Pokok
Pada BAB I, peluang didefinisikan dalam konsep teori himpunan. Konsep peubah acak diperke-
nalkan sedemikian hingga kejadian-kejadian dapat diasosiasikan dengan himpunan bilangan real
dalam ruang rentang (range space) dari peubah acak. Hal ini memungkinkan kita untuk mengek-
spresikan 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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 46
metode fungsi pembangkit momen. Pada akhir bab, kita akan membahas tentang statistik
terurut (order statistics).
d
fY (y) = FY (y). (5.3)
dy
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)
2
= 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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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
fY (y) = FX ( y) FX ( y)
dy
d d
= fX ( y) ( y) fX ( y) ( y)
dy dy
1 1
= fX ( y) + fX ( y)
2 y 2 y
1
= fX ( y) + fX ( y) y > 0. (5.7)
2 y
Contoh 5.3. Misal X adalah peubah acak dengan fungsi densitas peluang
(
4x3 , jika 0 < x < 1;
fX (x) = (5.8)
0, jika x lainnya.
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 < .
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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
Z y x1 =yx2
(x1 +x2 )
= e dx2
0 x1 =0
Z y
((yx2 )+x2 ) (0+x2 )
= e e dx2
Z0 y
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 . (5.14)
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
fY (y) = fX (y + r) (5.20)
(y + 1) 1 r (y+r)r
= p q (5.21)
r1
(y + 1) 1 r y
= p q , y = 0, 1, 2, . . . . (5.22)
r1
Teorema 5.3 (Kasus Kontinu). Misal X adalah peubah acak kontinu dengan fungsi densi-
tas 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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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
fY (y) = FX (w(y))
dy
d d
= FX (w(y)) w(y)
dw(y) dy
d
= fX (w(y)) w(y).
dy
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
fY (y) = [1 FX (w(y))]
dy
d d
= (1) FX (w(y))
dy dy
d d
=0 FX (w(y)) w(y)
dw(y) dy
d
= fX (w(y)) w(y)
dy
d
= fX (w(y)) w(y).
dy
Dalam hal ini (d/dy)w(y) < 0 karena y monoton turun.
Dalam konteks kasus kontinu, turunan w(y) disebut Jacobian dari transformasi dan dino-
tasikan
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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 51
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
fX (x) = e 2 2 , < x < , < < , 0 < < . (5.26)
2
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 (ln y )2
1
= exp , y B = (0, ). (5.27)
2y 2 2
Fungsi densitas peluang persamaan (5.27) adalah bentuk dari distribusi lognormal dengan rata-
rata 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).
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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 berdis-
tribusi 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, jika u 0;
FU (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).
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
fX (x) = ; x = 2, 1, 0, 1, 2. (5.33)
31 2
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) = = ; (5.34)
31 2 21
4 1 1 4 1 1
8 2 10
fY (1) = fX (1) + fX (1) = + = + = ; (5.35)
31 2 31 2 31 31 31
2 2
4 1 4 1 16 1 17
fY (2) = fx (2) + fX (2) = + = + = . (5.36)
31 2 31 2 31 31 31
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)
Contoh 5.11. Misal peubah acak X UNIF(1, 1) dan misalkan pula Y = X 2 . Fungsi
densitas peluang X dapat dinyatakan sebagai berikut
1 1
fX (x) = = , 1 < x < 1. (5.40)
1 (1) 2
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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 54
Contoh 5.12. Suatu peubah acak kontinu X memiliki fungsi densitas peluang
2
x
, jika 1 < x < 2;
fX (x) = 3 (5.41)
0, jika x lainnya.
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)) (5.42)
2 y
1 ( y)2 ( y)2
+ , untuk 0 < y < 1;
2 y 3 3
fY (y) = 2
1 ( y) 1 ( y)2
0+
= , untuk 1 < y < 4.
2 y 3 2 y 3
Catatan: persamaan X
fY (y) = fX (wj (y))
j
dan
X d
fY (y) = fX (wj (y)) wj (y)
dy
j
dan
X dxj
fY (y) = fX (xj ) ,
dy
j
dengan
xj = wj (y)
adalah fungsi dari y.
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
Untuk kasus kontinu, transformasi peubah acak kontinu juga dapat diperoleh dengan mem-
perluas notasi Jacobian. Suatu transformasi dengan k peubah y = u(x) dengan suatu penye-
lesaian tunggal x = (x1 , . . . , xk ) memiliki Jacobian yang merupakan matriks turunan parsial
kk
x1 x1 x1
y1 y2 yk
x
2 x2 x2
J = y. 1 y. 2 . yk (5.46)
.. . . ..
. . .
xk xk x k
y
1 y2 yk
Teorema 5.7. Misal suatu vektor peubah acak kontinu X = (X1 , . . . , Xk ) dengan fungsi densi-
tas 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
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
x1 x1
y1 y2
J = x
2 x2
y1 y2
1 0
=
1 1
= (1 1) ((1) 0)
=10
= 1.
dan
Z y2
fY2 (y2 ) = ey2 dy1
0
y1 =y2
y2
=e y1
y1 =0
y2
= y2 e 0
y2
= y2 e , y2 > 0. (5.51)
Dari fungsi densitas peluang (5.50) dan (5.51) diperoleh Y1 EXP(1) dan Y2 GAM(1, 2).
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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
x1
y1
y2
J = x
x2
2
y1
y2
1/2
1/2
=
1/2
1/2
1 1 1 1
=
2 2 2 2
1 1
= +
4 4
2
=
4
1
= .
2
Fungsi densitas peluang bersama Y1 dan Y2 adalah
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
fY1 (y1 ) = e dy2
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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 58
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
R0 dt = s, untuk 0 < s < 1;
1 dt = 2 s, untuk 1 s < 2;
fS (s) = s1 (5.60)
1 |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
1
fX1 ,X2 (x1 , x2 ) = x1
1 x1
2 exp(x1 x2 ), 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
= y1 y2 y1 + y1 y2
= y1 .
Dengan demikian fungsi densitas peluang bersama X1 dan X2 adalah
(y1 y2 )1
fY1 ,Y2 (y1 , y2 ) = (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.
Teorema 5.8. Jika X1 , . . . , Xn adalah peubahPacak bebas dengan fungsi pembangkit momen
MXi (t), maka fungsi pembangkit momen Y = ni=1 Xi adalah
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
Contoh 5.17. Misal X1 , . . . , Xn adalah peubah-peubah acak berdistribusi Poisson yang saling
bebas, yakni Xi POI(i ) dan misal pula Y = ni=1 Xi . Fungsi pembangkit momen Xi adalah
P
MXi (t) = exp[i (et 1)]. Dengan demikian fungsi pembangkit momen Y adalah
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 sesungguh-
nya akan mengambil posisi x5 = 5, x1 = 6, x2 = 8, x3 = 11, x6 = 15, dan x4 = 100. Akan
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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 do-
main 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 mentransfor-
masi 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 , dengan J2 = 1 pada A2 ;
Y1 = X1 , Y2 = X3 , Y3 = X2 , dengan J3 = 1 pada A3 ;
Y1 = X2 , Y2 = X3 , Y3 = X1 , dengan J4 = 1 pada A4 ;
Y1 = X3 , Y2 = X1 , Y3 = X2 , dengan J5 = 1 pada A5 ;
Y1 = X3 , Y2 = X2 , Y3 = X1 , dengan J6 = 1 pada A6 .
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 62
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 terda-
pat 3! = 6 himpunan bagian. Dengan demikian, fungsi densitas peluang bersama Y1 , Y2 , dan Y3
adalah
6
X
gY1 ,Y2 ,Y3 (y1 , y2 , y3 ) = 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.
Jika kita tertarik dengan fungsi densitas marjinal dari suatu statistik terurut tunggal, mis-
alnya Yk , maka hal ini dapat diperoleh dengan mengintegralkan sepanjang peubah lain. Misal
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 63
1 2 y3 =1
Z 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
y1 2 2
Z 1
1 1 2
= 48y1 y2 y dy2
y1 2 2 2
Z 1
1 1 3
= 48y1 y2 y2 dy2
y1 2 2
y2 =1
1 1
= 48y1 y22 y24 dy2
4 8 y2 =y1
1 1 1 2 1 4
= 48y1 y y
4 8 4 1 8 1
1 1 1 2 4
= 48y1 2y1 y1
4 8 8
1 1 2 4
= 48y1 2y1 y1
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 den-
sitas 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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 64
untuk n = 3:
Z bZ b
gY1 (y1 ) = 3!fY1 (y1 )fY2 (y2 )fY3 (y3 ) dy3 dy2
y1 y2
Z bZ b
= 3!fY1 (y1 )fY2 (y2 ) fY3 (y3 ) dy3 dy2
y1 y2
Z b Z 0 Z b
= 3!fY1 (y1 )fY2 (y2 ) fY3 (y3 ) dy3 + fY3 (y3 ) dy3 dy2
y1 y2 0
Z b Z b Z y2
= 3!fY1 (y1 )fY2 (y2 ) fY3 (y3 ) fY3 (y3 ) dy3 dy3 dy2
y1 0 0
Z b
= 3!fY1 (y1 )fY2 (y2 ) F (b) F (y2 ) dy2
y1
Z b
= 3!fY1 (y1 ) fY2 (y2 ) F (b) F (y2 ) dy2
y1
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
n!
gk (yk ) = [FY (yk )]k1 [1 FYk (yk )]nk fYk (yk ), (5.72)
(k 1)!(n k)! k
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
n!
gk (yk ) = [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
n!
gij (yi , yj ) = [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
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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!
g1 (y1 ) = [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;
dan
n!
gn (yn ) = [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.
Fungsi distribusi kumulatif peubah acak diskrit dan kontinu untuk nilai sampel minimum dan
maksimum dapat dihitung dengan teknik fungsi distribusi kumulatif. Untuk nilai amatan min-
imum, fungsi distribusi kumulatifnya adalah
G1 (y1 ) = P (Y1 y1 )
= 1 P (Y1 > y1 )
= 1 P (semua Xi > y1 )
= 1 [1 FY1 (y1 )]n ;
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
dan
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
n!
g1,n (y1 , yn ) = [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)!
=10
= 1.
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 67
dan
Z 1
hS (s) = h(r, s) dr. (5.77)
0
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
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 cen-
sored 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
n! Y
fY1 ,...,Yr (y1 , . . . , yr ) = [1 F (t0 )]nr f (yi )[1 F (t0 )]n , (5.79)
(n r)!
i=1
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 masing-
masing peubah acak berikut:
a) Y = X 1/4 ;
b) W = eX ;
c) Z = 1 eX ;
d) U = X(1 X).
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 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 .
5-9 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.
Indikator Pencapaian
Memperbandingkan sifat-sifat konvergensi distribusi meliputi barisan peubah acak, teorema
limit pusat, distribusi normal asimtotis, sifat konvergen, dan teorema limit tambahan.
Materi Pokok
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.
70
BAB 6. LIMIT DISTRIBUSI 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
Wn
W. (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
0,
jika w 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
BAB 6. LIMIT DISTRIBUSI 72
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.
c nb
lim 1 + = ecb ; (6.8)
n n
d(n) nb
c
lim 1 + + = ecb , jika lim d(n) = 0. (6.9)
n n n n
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 .
BAB 6. LIMIT DISTRIBUSI 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
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).
Mn (t) = (p et +q)n
= (p et +1 p)n
n
t
e
= +1
n n
(e 1) n
t
= 1+ .
n
t 1)
Dengan demikian diperoleh limn Mn (t) = e(e yang merupakan fungsi pembangkit mo-
d
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 +
BAB 6. LIMIT DISTRIBUSI 74
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
Wn np
Zn = . (6.11)
npq
Dengan menyederhanakan notasi n = npq kita peroleh Zn = Wn /n np/n . Menggunakan
ekspansi deret sebelumnya diperoleh
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
p2 t2 pt2
pt pt
= 1 + + 1 + + +
n 2n2 n 2n2
pt2 pt2 p2 t2 p3 t3 n
pt pt
= 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)
n
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
Zn = i=1 (6.13)
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 = . (6.14)
/ n
BAB 6. LIMIT DISTRIBUSI 75
Suatu barisan peubah acak yang memenuhi Teorema 6.3 disebut juga konvergen dalam pelu-
p
ang ke konstanta c, dinotasikan Wn
c.
Contoh 6.11. Dalam contoh Hukum Bernoulli Bilangan Besar (Bernoulli Law of Large Num-
bers), diperoleh rata-rata dan variansi dari pn adalah E(
pn ) = p dan var(
pn ) = pq/n sehingga
pq
pn p| < ) 1
P (| (6.18)
2 n
pn p| < ) = 1.
untuk setiap > 0. Jadi limn P (|
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.
d p
Teorema 6.5. Jika Zn = n(Wn m)/c
Z N (0, 1), maka Wn
m.
Konvergensi dalam peluang memiliki sifat yang lebih kuat dibandingkan konvergensi dalam
distribusi.
p d
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 degen-
erasi P (W = c) = 1.
BAB 6. LIMIT DISTRIBUSI 77
6-2 Misal suatu sampel acak berukuran n dari suatu distribusi dengan fungsi distribusi FX (x) =
(1 + ex )1 untuk semua bilangan real x.
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 memi-
liki 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
mencari limit distribusi ni=1 (Zi + 1/n)/ n.
P
6-5 Misal X n menyatakan rata-rata dari suatu sampel acak dari distribusi N (, 2 ). Carilah
n.
limit distribusi X
2
Pn sampel acak berukuran n dari distribusi N (, ). Tunjukkan
6-6 Misal X1 , . . . , Xn adalah
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 .
c) Tunjukkan bahwa X n exp(X
n ) konvergen secara stokastik ke P (X = 1) = e .
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.
Indikator Pencapaian
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
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 mendefin-
isikan 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
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 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
= 2
var(X) . (7.3)
n
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,Puntuk menunjukkan Persamaan (7.3), gunakan sifat-sifat varians untuk
sampel acak, yakni var( ni=1 ai Xi ) = ni=1 a2i var(Xi ).
P
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
= 2 var(X)
n
i=1
1
= 2 n var(X)
n
1
= 2
n
2
= .
n
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 80
)2 + + (xn x
Contoh 7.2. Fungsi `(x1 , . . . , xn ) = [(x1 x )2 ]/(n 1) ketika diterapkan pada
data bersesuaian dengan varians sampel. Lebih khusus lagi hal ini dinyatakan sebagai
Pn 2
2 (Xi X)
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 > 1. (7.6)
n
Bukti:
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
(v/2 + r)
E(Y r ) = 2r .
(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 .
var(Y ) = 22 (v/2)
= 4(v/2)
= 2v.
P (Y 2 (v)) = . (7.13)
yang merupakan fungsi pembangkit momen dari distribusi khi kuadrat dengan derajatkebebasan
2.
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 82
Teorema 7.6. Jika Yi 2vi ; i = 1, . . . , n adalah peubah-peubah acak khi kuadrat yang bebas,
maka
Xn n
X
V = Yi 2 vi . (7.14)
i=1 i=1
Bukti: Akan digunakan teknik fungsi pembangkit momen untuk menentukan distribusi dari V .
Teorema berikut memberikan hubungan antara peubah acak normal standar dengan peubah
acak khi kuadrat.
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).
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;
1. statistik X i = 1, . . . , n adalah saling bebas;
Persentil X F(v1 , v2 ), yakni, f (v1 , v2 ) adalah suatu nilai yang didefinisikan sebagai
P (X f (v1 , v2 )) = . (7.25)
1 = P (X < f1 (v1 , v2 ))
1
=P Y >
f1 (v1 , v2 )
1
=1P Y ; (7.26)
f1 (v1 , v2 )
sehingga
1
= f (v2 , v1 ) (7.27)
f1(v1 ,v2 )
atau
1
f1 (v1 , v2 ) = . (7.28)
f (v2 , v1 )
(v1 /v2 )X
Y = (7.29)
1 + (v1 /v2 )X
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.
af (2a, 2b)
y (a, b) = . (7.31)
b + af (2a, 2b)
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).
(a) X1 X2
(b) X1 + 2X3
X1 X2
(c)
SZ 2
X1
(d)
X2
X1 + X2
(e)
X3
(f) Zi2
n(X )
(g)
SZ
(h) Z1 + Z22
2
Pn 2
(k 1) i=1 (Xi X)
(q) k
(n 1) 2
P 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).
Lee J. Bain and Max Engelhardt. Introduction to Probability and Mathematical Statistics.
Duxbury Press, California, second edition, 1992. ISBN 0-534-92930-3.
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