BAB I

PENDAHULUAN

1.1 Latar Belakang

Misalkan X suatu variabel random dan u suatu fungsi sedemikian, sehingga Y=u(X) juga
merupakan suatu variabel random. Masalah yang pertama dibahas dalam bab ini adalah
bagaimana menentukan distribusi dari Y, apabila distribusi dari X diketahui. Permasalahannya
dapat pula diperluas terhadap bagaimana menentukan distribusi Y, apabila Y=u(X), dimana
X=(X1,X2,X3,...,Xn) suatu vektor random.

1.2 Tujuan

 Menerapkan metode CDF pada fungsi variabel diskrit

 Menerapkan metode CDF pada fungsi variabel kontinu
 Menerapkan metode transformasi paada fungsi variabel diskrit
 Menerapakan metode Transformasi pada fungi variabel kontinu
 Menerapakan metode Transformasi pada fungsi variabel diskrit untuk lebih dari satu
variabel
 Menerapkan metode Transformasi pada fungsi variabel kontinu untuk lebih dari satu
veriabel

1
 BAB II

ISI

Misalkan X adalah variabel random pada ruang sampel  dengan ruang dari X adalah x.
Maka fungsi berharga riil Y = u(X) yang merupakan fungsi dari X dapat dicari distribusinya
dengan beberapa cara yaitu :

1. Teknik Transformasi Variabel Random

2. Teknik Fungsi Distribusi Kumulatif

3. Teknik Fungsi Pembangkit Momen

2.1 Metode CDF

Jika X~fx(x), Y=u(X) dan u korespondensi 1-1, akan ditentukan distribusi Y. Misalkan
X mempunyai pdf f(x) dan CDF Fx(x), Y mempunyai pdf f(y) dan CDF Fy(y), Y=u(X)
mempunyai invers X=u-1(Y).

Berdasarkan definisi CDF, diperoleh :

Fy(y) = P(Y ≤ y)

= P(u(X) ≤ y)

= P(X ≤ u-1(y))

= Fx(u-1 (y))

∴ Fx(y) = Fx[u-1 (y)]

Sedangkan distribusi dari Y dinotasikan dengan fy(y) dapat diperoleh via

𝑑
𝑓𝑦 = 𝑑𝑦 𝐹𝑦 (𝑦)

𝑑
= 𝑑𝑦 𝐹𝑥 (𝑢−1 (𝑦))

𝑑
∴ 𝑓𝑦 (𝑦) = 𝑑𝑦 𝐹𝑥 (𝑢−1 (𝑦))

2
Contoh: Misalkan X adalah suatu variabel random dengan pdf :

4𝑥 3 , 0 < 𝑥 < 1
𝑓(𝑥) = {
0, 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Tentukan distribusi dari Y, jika Y=ex.

Jawab:

f(x) = 4x3

𝑥
→ F(x) = ∫0 𝑓(𝑡)𝑑𝑡

𝑥
= ∫0 4𝑡 3 𝑑𝑡

= 𝑡 4 ] 𝑥0

= 𝑥4

Y = ex

→ x = u-1(y)

= ln y

Fy(y) = Fx (u-1(y))

= Fx (ln y)

= ln4y

𝑑
𝑓𝑦 (𝑦) = 𝐹 (𝑢−1 (𝑦))
𝑑𝑦 𝑥

𝑑
= [𝑙𝑛4 𝑦]
𝑑𝑦

4
= 𝑙𝑛3 𝑦
𝑦

Selanjutnya, untuk Y=ex dan 0<x<1 memberikan 1<y<e, diperoleh:

4
𝑙𝑛3 𝑦, 1 < 𝑦 < 𝑒
𝑓𝑌 (𝑦) = {3
0, 𝑦 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

3
2.2 Teknik Transformasi Variabel Random Diskrit

2.2.1 Kasus satu variabel random

Misalkan :
Misalkan X variabel acak dengan pdf f(x) ,A  x | f ( x)  0
Didefinisikan variabel acak baru Y=u(X), akan ditentukan pdf dari Y.
Langkah-langkah :
Buat transformasi y = u(x) yang memetakan setiap anggota A ke B. Jika transformasinya 1-1
dari A ke B, maka ada transformasi invers dari B ke A (dalam hal ini inversnya x = w(y)).
Berarti, kejadian Y= y atau u(X) = y terjadi jika dan hanya jika kejadian X=w(y) terjadi.
Jadi,
 f ( w( y )), y  B
g ( y )  Pr(Y  y)  Pr( X  w( y ))  
0, yang lainnya
Contoh:
  xe

Misalkan X mempunyai pdf f ( x)   x! , x  0,1,2,...
 0, x yang lainnya
Tentukan distribusi dari Y = 4X.
A  x | x  0,1,2,...
• Misalkan y = 4x, transformasi dari x ke y yang memetakan dari A ke
• Pemetaan dari A ke B adalah satu-satu, berarti jika y = 4x maka x = ¼ y adalah invers
dari y = 4x.
• Jadi  4y  
  e , y  0,4,8,..
1 
g ( y )  Pr(Y  y )  Pr( 4 X  y )  Pr( X  y )    y ! .
4  
 4
 0, y yang lain


2.2.2 Kasus dua variabel random

Misalkan f(x1,x2) adalah pdf bersama dari X1 dan X2, dengan A={(x1,x2)|f(x1,x2)>0}.
Y1  u1 ( X1 , X 2 ) Y2  u2 ( X1, X 2 )
Didefinisikan variabel acak baru
Y1 dan Y2
Akan ditentukan pdf dari
Langkah-langkah:
y1  u1 ( x1 , x2 ), y2  u2 ( x1, x2 ) menyatakan transformasi satu-satu yang memetakan A
Misalkan
ke B . Maka transformasi inversnya adalah x1  w1 ( y1 , y2 ) x2  w2 ( y1 , y2 )
 y1 , y2  B ke A.
yang memetakan

4
 Jadi, pdf bersama dari Y1 dan Y2 adalah : g ( y1 , y2 )  f (w1 ( y1 , y2 ), w2 ( y1 , y 2 )), ( y1 , y2 )  B
dan nol untuk yang lainnya.
g1 ( y1 )   g ( y1 , y2 )
Pdf marjinal dari Y1 adalah
y2

2.2.3 Kasus n variabel random

Misalkan :
1. X1, X2 , X3,,…, Xn adalah variabel random diskrit dengan fungsi probabilitas bersama
f ( x1 , x 2 ,...x n ) d an ruang bersamanya adalah Ax , x ,... x 1 2 n

2. Yi= ui(X1, X2 , X3,,…, Xn) dengan I =1,2,3…n membentuk transformasi 1-1 dari
Ax1 , x2 ,... xn pada AY1 ,Y2 ,... Yn dengan invers Xi= wi(Y1, Y2 , Y3,,…, Yn).

Sehingga fungsi probabilitas bersama dari Y1, Y2 , Y3,,…, Yn adalah :

g ( y1 , y 2 ,... y n )  f [w1 ( y1 ... y n )...wn ( y1 ... y n )]

Distribusi marginal dan distribusi bersyarat dapat diperoleh melalui fungsi probabilitas
bersama yang ada.

Secara Umum langkah-langkah menentukan fungsi probabilitas dari fungsi variabel random
adalah :

1. Buatlah variabel random Yi= ui(X1, X2 , X3,,…, Xn) dengan i =1,2,3…n sehingga bersama Yi
membentuk transformasi 1-1.

2. Cari fungsi probabilitas bersama dari Y1, Y2 , Y3,,…, Yn

3. fungsi probabilitas marginal Y1 adalah

g ( y1 )    ...  f ( y1 , y 2 ,... y n )
y2 y3 yn

5
2.3 Teknik Transformasi Variabel Random Kontinu

2.3.1 Kasus satu variabel random

Teorema 6.1

Misalkan X suatu varabel random kontinu dengan pdf fx(x) dan Y=u(X) transformasi 1-1
𝑑
dari A={𝑥/𝑓𝑥 (𝑥) > 0} ke B={𝑦/𝑓𝑦 (𝑦) > 0} dengan invers x=u-1(y). Jika (𝑢−1 (𝑦))
𝑑𝑦

kontinu dan 10 di B, maka pdf Y adalah :

𝒅
𝒈(𝒚) = 𝒇𝒚 (𝒚) = 𝒇𝒙 (𝒖−𝟏 (𝒚)) |𝒅𝒚 (𝒖−𝟏 (𝒚)|

Bukti :
Karena y=u(x) 1-1, maka bisa terjadi dua kemungkinan, yaitu ‘monotoon naik’ atau
‘monoton turun’. Dalam kasus ini kita pakai yang monoton naik, berarti :
u(x) < y x<u-1(y)
Fx(y) = P(Y≤y)
= P(u(X) ≤y)
= P(X≤u-1(y))
= Fx (u-1(y))
g(x) = fy(y)
𝑑
= 𝑑𝑦 𝐹𝑌 (𝑦)
𝑑
= 𝑑𝑦 𝐹𝑥 (𝑢−1 (𝑦))
𝑑 𝑑
= 𝑑𝑢−1 (𝑦) 𝐹𝑥 (𝑢−1 (𝑦)). 𝑑𝑦 𝑢−1 (𝑦)

= 𝑓𝑥 (𝑢−1 (𝑦))
Contoh
a) Misalkan X adalah suatu variable random dengan pdf f(x) = e-x, x>0. Jika Y=√𝑋,
tentukan pdf Y.
Jawab :
Y=√𝑋 x = u-1(y) = y2
𝑑𝑥
J = 𝑑𝑦 = 2y

pdf dari Y adalah :

fy(y) = fx (u-1(y)) |J|
= fx (y2).2y
= 2y e-y2, y>0.
6
 b) Misalkan X adalah suatu variable random dengan pdf : 𝑓(𝑥; 𝜆) = 𝜆𝑒𝑥−𝜆𝑥 > 𝑜. jika Y=𝑒 𝑥 ,
tentukan pdf dari Y.
Jawab :
Y=𝑒 𝑥 x = 𝑢−1 (𝑦) = ln 𝑦
J = 1/y
pdf dari Y adalah :
𝑓𝑌 (𝑦) = 𝑓𝑥 (𝑢−1 (𝑦)) |𝐽|
1 1
= 𝑓𝑥 (ln 𝑦). 𝑦 = 𝑦 𝜆𝑒 −𝜆 ln 𝑦 , y > 0

2.3.2 Kasus dua variabel random

Metode tranformasi dalam menentukan distribusi dari suatu fungsi variabel random
untuk dua variabel random masing-masing untuk variabel diskrit dan variabel kontinu dapat
dilakukan dengan menggunakan teorema berikut :
Teorema 6.2
Jika X1 dan X2 adalah variabel random kontinu dengan joint pdf fx(x1,x2) dan Y1 = u1(X1,X2)
dan Y2 = u2(X1,X2) suatu transformasi 1-1 dari :
A = {(𝑥1 , 𝑥2 )/𝑓𝑥 (𝑥1 , 𝑥2 ) > 0} ke B = {(𝑦1 , 𝑦2 )/𝑓𝑦 (𝑦1 , 𝑦2 ) > 0}
sehingga persamaan y1 = u1(x1,x2) dan y2 = u2(x1,x2) mempunyai jawaban tunggal untuk x1
dan x2 dalam y1 dan y2, yaitu maka joint pdf Y1 dan Y2 adalah :
g(y1,y2) = fx (u-1(y1,y2), u-2(y1,y2)) |J|
dimana
X i
 kontinu untuk setiap i =1,2 dan j = 1,2
Y j
 Jacobian transformasi J tidak identik dengan nol, artinya

X 1 X 1
Y1 Y2
J 0
X 2 X 2
Y1 Y2
Contoh
Misalkan X1 dan X2 adalah variabel random kontinu yang independen dengan joint pdf :
4𝑥1 𝑥2 , 0 < 𝑥1 , 𝑥2 < 1
𝑓(𝑥1 , 𝑥2 ) = { }
0, 𝑥1 , 𝑥2 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
7
 Tentukan joint pdf dari Y1 dan dan Y2, jika Y1=X12 dan Y2 = X1X2
Jawab :
f(x1,x2) = 4 x1x2
1⁄
𝑦1 = 𝑥12 𝑥1 = 𝑦1 2
Dari { dapat diperoleh : { −1⁄
𝑦2 = 𝑥1 𝑥2
𝑥2 = 𝑦2 𝑦1 2
𝜕𝑥 1 −1⁄2 𝜕𝑥1 𝜕𝑥 1 −3⁄2 𝜕𝑥2 −1⁄2
yang menghasilkan 𝜕𝑦1 = 2 𝑦1 , 𝜕𝑦 = 0, 𝜕𝑦2 = − 2 𝑦2 𝑦1 , 𝜕𝑦 = 𝑦1 , dan
1 2 1 2

𝜕𝑥1 𝜕𝑥1 1 −1⁄

2
𝑦 0
𝜕(𝑥 ,𝑥 ) 𝜕𝑦 𝜕𝑦2 2 1
J= 𝜕(𝑦1 ,𝑦2) = |𝜕𝑥1 | =| −1⁄ |
1 2 2 𝜕𝑥2 1 −3⁄2 2
𝜕𝑦1 𝜕𝑦2 − 2 𝑦2 𝑦1 𝑦1
1 −1⁄ −1⁄2 1
= 2 𝑦1 2
. 𝑦1 = 𝑦 −1
2 1

sehingga :
g(y1,y2) = 𝑓𝑥 (𝑢1−1 (𝑦1 , 𝑦2 ), 𝑢2−1 (𝑦1 , 𝑦2 ))|J|
1⁄ −1⁄2 1 𝑦
= 4 (𝑦1 2 ) (𝑦2 𝑦1 ) 2 𝑦1−1 = 2 𝑦2
1

∴ Joint pdf untuk Y1 dan Y2 adalah :

𝑦
2 𝑦2 , 0 < 𝑦1 , 𝑦2 < 1
𝑔(𝑦1 , 𝑦2 ) = { 1
0, 𝑦1 , 𝑦2 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

2.3.3 Kasus n variabel random

Misalkan :
1. X1, X2 , X3,,…, Xn adalah variabel random kontinu dengan fungsi densitas bersama
f ( x1 , x 2 ,...x n ) dan ruang bersamanya adalah  x1 , x2 ,...xn
2. Yi= ui(X1, X2 , X3,,…, Xn) dengan i =1,2,3…n membentuk transformasi 1-1 dari
 x1 , x2 ,...xn pada  Y ,Y ,...Y dengan invers Xi= wi(Y1, Y2 , Y3,,…, Yn).
1 2 n

dimana
X i
 kontinu untuk setiap i =1,2…n dan j = 1,2…n
Y j
 Jacobian transformasi J tidak identik dengan nol, artinya

8
 X 1 X 1

Y1 Yn
J    0
X n X n

Y1 Yn
Sehingga fungsi probabilitas bersama dari Y1, Y2 , Y3,,…, Yn adalah :

g ( y1 , y 2 ,...y n )  f [w1 ( y1...y n )...wn ( y1...y n )] J ; y1,y2,…yn di  Y ,Y ,...Y

1 2 n

Distribusi marginal dan distribusi bersyarat dapat diperoleh melalui fungsi probabilitas
bersama yang ada.

2.4 Fungsi Pembangkit Moment

Jika X1,…,Xn adalah variabel random independen dengan MGFs(t) , kemudian MGF
dari y= ∑𝑛𝑖=1 𝑋𝑖 𝑖𝑠

Mr(t)=Mx 1(t). . . Mxn(t)

Bukti

etY = etX1. . . X n

Mr(t) = E(etY )

= E (etX1. . . etX n)

= E(etX1). . .(et X n)

= Mx1(t). . . Mxn(t)

Untuk rumus ini ketika x1 , . . . , xn menghasilkan varibel random dari populasi dengan
fungsi pdf(x) dan MGF M(t), dinamakan

Mr(t) = [M(t)]n.

9
Contoh

Misalkan x1,…xn adalah variable random binomial dengan ukuran ni dan p,

X1~BIN(n1,p) dan misalkan Y=∑𝑘𝑖=1 𝑋𝑖 . dapat diperoleh

My(t) = Mx1(t). . . Mxk(t)

= (pet + q)n1 . . . (pet + q)nk
= (pet + q)n1 + . . .+ nk

10
 Daftar Pustaka

Amry, Zul. 2011. Statistika Matematika. Medan : Universitas Negeri Medan.

Bain, Lie J. 2010. Introduction to probability and mathematical statistics. California. Duxbury
Press.

11