Bab 4
Teorema Limit Pusat
Statistik. Statistik adalah variabel acak yang merupakan fungsi dari sampel acak
X1 , X2 , . . . , Xn . Beberapa contoh dari statistik, misalnya rata-rata sampel, variansi sam-
pel, modus sampel, median sampel, persentil sampel, statistik uji, dan lain-lain. Mencari
mean dan variansi dari statistik T = T (X1 , . . . , Xn ) dapat dilakukan 2 cara:
2. Jika T fungsi linier dari X1 , . . . , Xn , maka mean dan variansi dapat dicari dengan
memanfaatkan sifat-sifat ekspektasi, yaitu:
n
X
E[T ] = ai E[Xi ]
i=1
Akibatnya,
n
X X
Var(T ) = cov(T, T ) = a2i Var(Xi ) + 2 ai aj cov(Xi , Xj ).
i=1 i<j
1
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Estimator tak bias. Statistik dikatakan estimator tak bias (unbiased ) untuk pa-
rameter , jika E[] = .
2
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
1 = (X1 )
2 = (X1 , X2 )
..
.
n = (X1 , X2 , . . . , Xn )
Barisan {n } dapat dipandang sebagai barisan variabel acak dengan indeks ukuran sam-
pel n. Ketika n yang membesar berakibat n dekat ke (parameter sebenarnya),
maka estimator tersebut dikatakan konsisten. Permasalahannya apa artinya dekat
pada Teori Peluang? Apakah ada kaitannya dengan konsep kekonvergenan? Jawaban-
nya ya, tetapi definisi kekonvergenan barisan variabel acak pada Teori Peluang agak
sedikit berbeda dengan pengertian kekonvergenan barisan bilangan di Kalkulus atau
di Analisis. Definisi kekonvergenan dan estimator yang konsisten secara formal akan
diberikan di Subbab 3.7.2.
Latihan
Soal No. 4, 5, 7-10, 12, 13, 17-19, 22-24, dan 26 (Hogg, et al. 2005, hal. 201-203)
Pada Teori Peluang, barisan variabel acak {Xn } yang dekat ke X untuk n yang besar,
dapat diartikan sebagai barisan variabel acak {Xn } yang konvergen dalam peluang ke
X.
Definisi 1 Misal {Xn } barisan variabel acak dan X variabel acak yang terdefinisi pada
suatu ruang sampel. Barisan variabel acak {Xn } dikatakan konvergen dalam peluang
p
ke X, dinotasikan Xn X, jika untuk setiap > 0,
Pada Definisi 1, X disebut limit dari barisan {Xn }. Jika limitnya berupa konstanta
(variabel acak degenerate atau varibel acak dengan satu nilai yang mungkin, misal a),
p
maka dapat ditulis Xn a. Seandainya, barisan variabel acaknya semuanya merupakan
konstanta misal {an } maka pengertian kekonvergenan pada bilangan riil an a ekivalen
p
dengan an a.
3
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Sifat-sifat tersebut dapat digunakan untuk membuktikan sifat konvergen dalam peluang.
Selain itu, pembuktian sifat konvergen dalam peluang juga dapat dilakukan menggunakan
Teorema Chebyshev yang dinyatakan pada teorema berikut:
Teorema 2 (Teorema Chebyshev) Misal distribusi variabel acak X mempunyai mean
dan variansi 2 < , maka untuk setiap k > 0,
1
P (|X | k) (2)
k2
yang ekivalen dengan
1
P (|X | < k) 1 .
k2
4
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
2
P (|X | ) .
2
Hukum Bilangan Besar. Terkait dengan perilaku rata-rata sampel X untuk ukuran
sampel besar, terdapat dua teorema penting dalam statistika yaitu, Hukum Lemah
Bilangan Besar atau Weak Law of Large Number (WLLN) dan Hukum Kuat Bilangan
Besar atau Strong Law of Large Number (SLLN). Dua hukum tersebut sama-sama
menyatakan bahwa untuk sampel besar, rata-rata sampel X dekat ke .
Perbedaan WLLN dan SLLN terletak pada asumsi barisan variabel yang digunakan.
Pada WLLN barisan variabel acak yang digunakan diasumsikan iid dengan mean dan
variansi 2 < . Sementara, pada SLLN asumsi yang dikenakan pada barisan variabel
acak diperkuat, dalam arti SLLN tetap mempertahankan asumsi independen tetapi per-
syaratan distribusi identik tidak digunakan lagi, cukup disyaratkan mempunyai distribusi
dengan mean sama yaitu < .
Berikut teorema yang menyatakan WLLN. Rumusan SLLN tidak diberikan di sini, namun
bagi yang tertarik dapat merujuk Chung (1968).
Teorema 3 (Hukum Lemah Bilangan Besar) Misal {Xn } barisan Pnvariabel acak iid
2
dari distribusi dengan mean dan variansi < . Jika X n = 1/n i=1 Xi , maka
p
Xn
Bukti. Dari Akibat 1 di Subbab 3.4 (handout kuliah) telah diperoleh bahwa X n mem-
punyai mean dan variansi 2 /n. Akibatnya, menurut Teorema Chebyshev untuk setiap
> 0 berlaku
2
P (|X n | ) = P |X n | ( n/)(/ n) 2 0.
n
Secara tidak langsung Hukum Lemah Bilangan Besar pada Teorema 3 menyatakan bahwa
rata-rata sampel X merupakan estimator yang konsisten untuk . Pengertian kekonsis-
tenan secara formal diberikan pada definisi berikut:
5
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
p
bahwa X n . Untuk menunjukkan variansi sampel konvergen dalam peluang ke 2 ,
perlu diasumsikan E[X14 ] < , sehingga Var(S) < . Variansi sampel dapat ditulis
n n
!
1 X n 1 X 2
Sn2 = (Xi X n )2 = Xi2 X n .
n1 n1 n
i=1 i=1
Menurut Teorema 3,
n
1X 2 p p
Xi E[X12 ] dan Xn
n
i=1
Dengan cara serupa dapat ditunjukkan pula bahwa V = n1 ni=1 (Xi X)2 juga estimator
P
konsisten untuk 2 . Berarti, variansi 2 mempunyai 2 estimator yang konsisten, yaitu S 2
dan V. Namun, S 2 estimator lebih baik dari V karena selain konsisten, S 2 juga bersifat
tak bias. Lainnya halnya dengan V, yang gagal menjadi tak bias karena
n1 2
E[V ] = 6= 2 .
n
Dapat dihitung, bias dari V adalah
2 2
2 2 n1 2 2 2
bias(V ) = E(V ) = = = .
n n n
Namun demikian, untuk sampel besar, V bersifat tak bias secara asimtotik (asymp-
totically unbiased ) karena untuk n , bias(V ) 0.
Kekonsistenan merupakan sifat penting untuk suatu estimator. Suatu estimator dikatakan
jelek (poor estimator ) jika estimator tersebut tidak konsisten sehingga nilainya tidak per-
nah dekat ke nilai sebenarnya ketika ukuran sampelnya bertambah besar. Lain halnya
dengan sifat tak bias yang masih boleh digantikan sifat tak bias secara asimtotik. Seba-
gai contoh, untuk kasus sampel besar, variansi 2 dapat diestimasi dengan S 2 atau bisa
juga diestimasi dengan V.
Latihan
6
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
2. Misal Wn variabel acak dengan mean dan variansi b/np , dengan p > 0, , dan
b konstanta (bukan fungsi dari n.) Buktikan Wn konvergen dalam peluang ke .
Petunjuk: Gunakan Teorema Chebyshev.
Distribusi dengan pdf ini disebut distribusi eksponensial geser (shifted exponen-
tial ). Misal Yn = min{X1 , . . . , Xn }. Tunjukkan Yn konvergen dalam peluang ke ,
dengan terlebih dahulu menentukan cdf dan pdf dari Yn .
4. Untuk soal No. 3, tentukan mean dari Yn . Apakah Yn estimator tak bias untuk ?
Tentukan estimator tak bias untuk yang didasarkan pada Yn .