Pada Subbab 4.2 telah dibahas konsep ”konvergen dalam peluang” yang dapat digunakan
untuk memeriksa kedekatan estimator dengan parameter yang diestimasinya. Pada sub-
bab ini dibahas jenis kekonvergenan lainnya, yaitu ”konvergen dalam distribusi”. Materi
ini merupakan konsep dasar yang perlu dipelajari untuk pembahasan Teorema Limit dan
pembahasan distribusi asimtotik serta selang kepercayaan suatu estimator.
Definisi 1 (Konvergen dalam distribusi) Misal {Xn } barisan variabel acak dengan
cdf masing-masing FXn , dan X suatu variabel acak dengan cdf FX . Barisan variabel acak
{Xn } dikatakan konvergen dalam distribusi ke X, dinotasikan
d
Xn −→ X
jika
lim FXn (x) = FX (x),
n→∞
untuk setiap x ∈ C(F (x)), dengan C(F (x)) menyatakan himpunan semua titik sehingga
FX kontinu.
Pada Definisi 1, distribusi dari X yang dinyatakan dalam cdf F (x), disebut distribusi
asimtotik atau distribusi limit dari barisan {Xn }.
1
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Definisikan fungsi
0, x̄ < 0
F (x̄) =
1, x̄ ≥ 0
maka
lim Fn (x̄) = F (x̄)
n→∞
untuk setiap titik x̄ sedemikian sehingga F (x̄) kontinu. Artinya, ketika F tidak kontinu
di x = 0, Fn (0) tidak harus konvergen ke F (0). Jadi, yang diperhatikan hanya titik-titik
sedemikian sehingga F kontinu. Berdasarkan hasil ini, maka barisan X 1 , X 2 , X 3 , . . .
konvergen ke variabel acak yang berdistribusi degenerate di x̄ = 0.
Contoh 4.3.2. Misal X1 , . . . , Xn sampel acak dari distribusi U (0, θ). Misalkan Yn =
max{X1 , . . . , Xn }, dan Zn = n(θ − Yn ).
Penyelesaian.
(b). Diketahui Zn = n(θ − Yn ), maka DZn = {z ; 0 < z ≤ nθ}. Misal diambil z ∈ (0, nθ].
Karena Zn = n(θ − Yn ) ekivalen dengan Yn = θ − Zn /θ, maka fungsi distribusi dari
2
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Zn adalah
dan
lim FZn (z) = 1 − e−z/θ
n→∞
sehingga
d
Zn −→ Z.
Berikut akan ditunjukkan Z berdistribusi eksponensial dengan parameter 1/θ.
Misal Z berdistribusi eksponensial dengan parameter 1/θ, maka pdf dari Z,
1
f (z) = e−z/θ , z>0
θ
dan 0 untuk z lainnya, sehingga cdf dari Z
Z z
1 −x/θ
FZ (z) = e dx = 1 − e−z/θ , z>0
0 θ
Hubungan konvergen dalam distribusi dan konvergen dalam peluang dinyatakan dalam
sifat-sifat berikut:
p d
(a). Jika Xn → X maka Xn −→ X. Pernyataan sebaliknya belum tentu benar dan
berlaku benar hanya jika X degenerate.
d p
(b). Jika b suatu konstanta dan Xn −→ b maka Xn → b.
d d d
(c). Jika Xn −→ X dan Yn −→ 0, maka Xn + Yn → X.
d
(d). Jika Xn −→ X dan g fungsi yang kontinu pada support dari X maka
d
g(Xn ) −→ g(X).
3
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Teorema 2 Misal {Xn } barisan variabel acak dengan mgf MXn (t) yang ada untuk −h <
t < h dan untuk setiap n. Misalkan pula X variabel acak dengan mgf M (t) yang ada untuk
|t| < h1 < h untuk setiap n. Jika
maka
d
Xn −→ X.
Berikut aturan limit di Kalkulus yang berguna dalam penentuan distribusi asimtotik
berdasarkan Teorema 2:
ψ(n) cn b cn
b
lim 1 + + = lim 1 + = ebc (1)
n→∞ n n n→∞ n
Contoh 4.3.3. Misal Yn berdistribusi B(n, p) dan untuk setiap n mean dari Yn adalah
sama yaitu µ = np. Akan ditentukan distribusi asimtotik dari distribusi binomial dengan
p = µ/n, dengan cara mencari limit dari mgf
n
µ(et − 1)
tYn t n
M (t; n) = E[e ] = (1 − p) + pe = 1+ , −∞ < t < ∞
n
Dengan memisalkan b = µ(et − 1), c = 1 dan ψ(n) = 0, maka dari persamaan (1) dapat
diperoleh
t
lim M (t; n) = eµ(e −1) , −∞ < t < ∞,
n→∞
4
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
yang tidak lain merupakan bentuk mgf dari distribusi Poisson dengan parameter µ.
Dengan demikian, dapat disimpulkan bahwa untuk n → ∞, distribusi B(n, p) dapat
diaproksimasi oleh distribusi Poisson dengan parameter µ = np.
1
Sebagai ilustrasi, jika Y berdistribusi B(n, p) dengan n = 50 dan p = 25 maka
50 49
24 1 24
P (Y ≤ 1) = + 50 = 0, 400
25 25 25
Peluang tersebut juga dapat dihitung melalui aproksimasi distribusi Poisson yaitu dengan
memisalkan µ = np = 2, sehingga
√ r r !2 r !3
2 1 2 eξ(n) 2
et 2/n = 1 + t + t + t .
n 2 n 6 n
Akibatnya,
−n/2
t2 ψ(n)
M (t; n) = 1− + ,
n n
dengan √ √ 3
2t3 eξ(n) 2t 2t4 eξ(n)
ψ(n) = √ − √ − .
3 n n 3n
Karena ξ(n) → 0 ketika n → ∞, maka limn→∞ ψ(n) = 0 untuk setiap nilai t.
5
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Karena bentuk pada ruas kanan merupakan mgf dari distribusi normal
√ standar, maka
dapat disimpulkan bahwa distribusi asimtotik dari Yn = (Zn − n)/ 2n adalah normal
standar.
Latihan
Pada Subbab 3.4 telah dibahas bahwa jika X1 , X2 , . . . , Xn sampel acak dari distribusi
√
N (µ, σ 2 ) maka variabel acak (X n − µ)/(σ/ n) berdistribusi N (0, 1). Permasalahannya
bagaimana perilaku variabel acak tersebut jika distribusi asalnya sembarang? Jawaban-
nya dapat ditemukan pada teorema limit pusat.
Teorema 3 (Teorema Limit Pusat) Misal X1 , X2 , . . . , Xn sampel acak dari suatu dis-
tribusi dengan mean µ dan variansi σ 2 , maka variabel acak
Xn − µ d
Yn = √ −→ N (0, 1)
σ/ n
Bukti. Pembuktian dengan teknik mgf memerlukan asumsi tambahan, yaitu mgf M (t) =
E[etX ] ada untuk −h < t < h. Dengan asumsi ini, maka fungsi
juga ada untuk −h < t < h. Karena m(t) mgf untuk X − µ, maka m(0) = 1, m0 (0) =
E[X − µ] = 0, dan m00 (0) = E[(X − µ)2 ] = σ 2 .
m00 (ξ)t2
m(t) = m(0) + m0 (0)t +
2
m00 (ξ)t2
=1+
2
Melalui manipulasi σ 2 t2 /2 − σ 2 t2 /2 = 0, mgf m(t) dapat juga ditulis sebagai
σ 2 t2 m00 (ξ)t2 σ 2 t2
m(t) = 1 + + −
2 2 2
σ 2 t2 [m00 (ξ) − σ 2 ]t2
=1+ + . (2)
2 2
6
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Karena Pn
Xn − µ i=1 X− nµ
i
Yn = √ = √
σ/ n σ n
maka mgf dari Yn dapat ditulis
P
tYn Xi − nµ
M (t; n) = E[e ] = E exp t √
σ n
X1 − µ X2 − µ Xn − µ
= E exp t √ exp t √ · · · exp t √
σ n σ n σ n
X1 − µ Xn − µ
= E exp t √ · · · E exp t √
σ n σ n
X −µ
= E exp t √
σ n
t t
= m √ , −h < √ < h.
σ n σ n
yang tidak lain merupakan mgf dari distribusi normal standar. Jadi dapat disimpulkan
bahwa
Xn − µ d
Yn = √ −→ N (0, 1).
σ/ n
Dengan adanya teorema limit pusat maka distribusi rata-rata sampel X yang berasal
dari distribusi apapun dapat didekati (diaproksimasi) oleh distribusi normal. Berarti
perhitungan peluang atau penentuan selang kepercayaan dari X juga dapat didekati
oleh peluang distribusi normal.
7
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Contoh 4.4.1. Misal X rata-rata dari sampel acak berukuran n = 75 dari distribusi
uniform
1, 0 < x < 1
f (x) =
0, x lainnya.
1 1
Karena µ = 2 dan variansi σ 2 = 12 , maka
0, 45 − µ 0, 55 − µ
P (0, 45 < X < 0, 55) ≈ P √ <Z< √
σ/ n σ/ n
= P (−1.5 < Z < 1.5)
= P (Z < 1.5) − P (Z < −1, 5)
= 0, 9332 − (1 − 0, 9332)
= 0, 8664.
Contoh 4.4.2. Misal X1 , X2 , . . . , Xn sampel acak dari distribusi B(1, p). Di sini µ = p
dan σ 2 = p(1 − p). Telah diketahui di Subbab 3.1 bahwa jika Yn = X1 + . . . + Xn maka
Yn berdistribusi B(n, p). Karena
Y − np √ Xn − p Xn − µ
p n = np = √
np(1 − p) np(1 − p) σ/ n
konvergen dalam distribusi ke N (0, 1), maka Yn yang berdistribusi B(n, p) dapat didekati
oleh distribusi N (µ, σ 2 ) dengan µ = np dan σ 2 = np(1−p). Distribusi normal yang terjadi
hanya untuk sampel besar disebut distribusi normal asimtotik.
Latihan