PERTEMUAN 14

DISTRIBUSI APROKSIMATIF
UNTUK SAMPEL BESAR

Ika Yuni Wulansari, SST, M.Stat

Mata Kuliah : Statistika Matematika I
Politeknik Statistika STIS, Jakarta
 TEOREMA CHEBYSHEV
Teorema :
Anggap ! adalah random variabel dan "(!) adalah
fungsi non negatif, maka
+[" ! ]
%["(!) ≥ (] ≤
(
Untuk setiap ( > 0

Teorema ini juga sering disebut sebagai

Pertidaksamaan Markov (Markov’s inequality)
 TEOREMA CHEBYSHEV
Teorema (Pertidaksamaan Chebyshev) :
Anggap random variabel X mempunyai distribusi
peluang dengan asumsi bahwa terdapat sebuah varians
yang finite (terbatas). Maka untuk setiap ! > 0,
1
$( & − ( ≥ !*) ≤ .
!
0
Atau $ & − ( < !* ≥ 1 −
12
0
Akibatnya : $(( − !* < & < ( + !*) ≥ 1 − 1 2
 TEOREMA CHEBYSHEV
Contoh 1:
Anggap X memiliki pdf
1
! " = ,− 3 < " < 3
2 3
/
Misal * = 0, , - = 1. Jika . = -
maka nilai peluang sesungguhnya
3
0 1 − * ≥ ., = 0 1 ≥
2
/
-
1 3
=1− 3 5" = 1 − = 0,134
2 3 2
/
4-
 TEOREMA CHEBYSHEV
Kalau menggunakan pertidaksamaan chebyshev
3 4
![|$| ≥ ] ≤
2 9

Teorema chebyshev hanya menyediakan batas atas

atau batas bawah dari nilai peluangnya
 KONVERGEN DALAM PELUANG
Definisi :
Anggap !" adalah urutan random variabel dan anggap
! adalah random variabel yang didefinisikan dalam
ruang sampel. !" dikatakan konvergen dalam peluang
pada ! jika untuk semua # > 0
lim + !" − ! ≥ # = 0
"→*
Atau lim + !" − ! < # = 1
"→*
1
Disimbolkan !" → !
 KONVERGEN DALAM PELUANG
Teorema :
Misal !" adalah urutan random variabel dengan rata-
% ' "
rata # dan varians $ . Misal !" = " ∑)*' +) , maka
-
!" → #

Teorema :
- - -
Jika +" → X dan !" → Y maka +" + !" → X + Y
 KONVERGEN DALAM DISTRIBUSI
Definisi :
Anggap sebuah urutan random variabel !" , !$ , … yang
berkorespondensi dengan urutan CDF
&" '" , &$ '$ , … untuk setiap ( = 1,2, …
Jika !, ~&, (', ) untuk setiap ( = 1,2, … dan jika untuk
beberapa CDF & '
lim &, ', = &(')
,→4
untuk semua nilai ', maka !" , !$ , … dikatakan konvergen
6
dalam distribusi pada !~& ' . Dinotasikan !, → !.
 KONVERGEN DALAM DISTRIBUSI
Distribusi dari ! yang dinyatakan dengan CDF "($)
disebut limit distribusi atau distribusi asimtotis dari !& .

Definisi :
Fungsi " $ adalah CDF dari degenerate distribution
pada nilai $ = ( jika
0, $ < (
" $ =
1, $ ≥ (
 KONVERGEN DALAM DISTRIBUSI
Definisi :
Sebuah urutan random variabel !" , !$ , … dikatakan
konvergen secara stokastik pada sebuah konstanta & jika
memiliki limit distribusi yang degenerate pada ' = &

Limit yang biasa digunakan :

& ,2
lim 1 + = 3 42
,→. 1
4 5(,) ,2
lim 1 + +, ,
= 3 42 jika lim 8(1) = 0
,→. ,→.
 KONVERGEN DALAM DISTRIBUSI
Contoh 2:
!" ~$%&(1,1) dan anggap +, = .!/:,
1
1 2 = 4
,2 > 0
1+2
7 2 = 1 − 1 + 2 9/ , 2 > 0
Maka CDF dari +,
;, 9,
:, ;, = 1 − 1 + , ;, > 0
.
lim :, ;, = 1 − A 9BC , ;, > 0
,→@
D
Sehingga +, → E!$(1)
 KONVERGEN DALAM DISTRIBUSI
Teorema :
Anggap !" , !$ , … adalah urutan random variabel dengan
CDF masing-masing &" '" , &$ '$ , … dan MGF
()* + , (), + , …. Jika ((+) adalah MGF dari CDF &(') dan
jika lim ()5 + = ((+) untuk semua + dalam sebuah
2→4
selang terbuka yang mengandung nol, −ℎ < + < ℎ, maka
lim &2 '2 = &(') untuk semua titik kontinyu dari &(')
2→4
 KONVERGEN DALAM DISTRIBUSI
Contoh 3:
!" , … , !% adalah random sampel, !& ~()*(1, -)
Anggap /% = ∑%&2" !& . Jika - → 0 seiring dengan 5 → ∞
maka 5- = 7 untuk 7 > 0
> %
7(= − 1)
9:; < = -= > + @ % = 1 +
5
F(G H I")
lim 9:; < = =
%→E
J
Sehingga /% → /~KL)(7)
 CENTRAL LIMIT THEOREM
Teorema :
Jika !" , … , !% adalah random sampel dari sebuah
distribusi dengan rata-rata & dan varians ' ( < ∞, maka
limit distribusi dari
∑%./" !. − 1& 1(!% − &)
+% = =
1' '
5
adalah normal baku, +% → +~7(0,1) untuk 1 → ∞
 CENTRAL LIMIT THEOREM
Contoh 4:
Anggap !" , … , !% adalah random sampel dari sebuah
distribusi uniform, !& ~UNIF(0,1) dan anggap 0% =
% "
∑&3" !& . Karena 5 !& = 1/2 dan 89: !& = .
";
Diperoleh aproksimasi/pendekatan
= =
0% ~< ,
2 12
Misal = = 12, maka aproksimasi (0"; −6)~<(0,1)
 CENTRAL LIMIT THEOREM
Contoh 5 :
Misal !" , !$ , … , !& sampel acak dari distribusi '()(1, ,). .
= , dan 0 $ = ,1. 2& = !" + ⋯ + !& , maka 2& ~'()(6, ,).
Karena
2& − 6, 9
→ )(0,1)
6,1
maka 2& dapat didekati dengan distribusi ) ., 0 $ dengan
. = 6, dan 0 $ = 6,1. Distribusi normal yang terjadi hanya
untuk sampel besar disebut distribusi normal asimtotis
 CENTRAL LIMIT THEOREM
Contoh 6 :
+
Misal !" ~$%&(100, ,). Sehingga . = 50, 1 , = 25
3 !" = 48,49,50,51,52 = 3 47,5 < !" < 52,5
≈ 3 −0,5 < ; < 0,5 = 0,382

Titik !" = 47,5 dan !" = 52,5 disebut sebagai angka

koreksi kekontinyuan
 ASYMPTOTIC NORMAL DISTRIBUTIONS

Definisi :
Jika !" , !$ , … adalah urutan random variabel, & dan '
adalah konstanta, maka
!) − & /
() = → (~1(0,1)
'/ -
ketika - → ∞ maka !) disebut memiliki distribusi normal
asimtotis dengan rata-rata asimtotis adalah & dan varians
asimtotis adalah ' $ /-
 ASYMPTOTIC NORMAL DISTRIBUTIONS

Contoh 7:
Waktu hidup 40 alat elektrik diukur, masing-masing
berdistribusi eksponensial. !" ~$!%(100)
Berdasar CLT diperoleh !*+ memiliki distribusi normal
./
asimtotis dengan rata-rata , = 100 dan varians +
= 250
 LAW OF LARGE NUMBER
Teorema :
Weak Law of Large Number
Anggap ! " adalah fungsi kepadatan dengan rata-rata #
dan varians $ % dan anggap '&( adalah rata-rata sampel dari
sebuah random sampel dengan ukuran n dari !("). Anggap
+ dan , adalah dua nilai yang memenuhi + > 0 dan 0 < ,
< 1. Jika n adalah bilangan bulat yang lebih besar dari
$ % /+ % ,, maka
1 −+ < '&( − # < + ≥ 1 − ,
 LAW OF LARGE NUMBER
Contoh 8 :
Anggap beberapa distribusi dengan rata-rata tidak
diketahui dan varians sama dengan satu. Berapa
sampel yang diperlukan agar terdapat peluang paling
kecil 0,95 bahwa rata-rata sampel akan terletak dalam
0,5 dari rata-rata populasi?
! " = 1, & = 0,5 dan ) = 0,05
!" 1
*> "= "
= 80
)& (0,05)(0,5 )
 Latihan
1. Misal !" adalah statistik orde satu, dari random
variabel berukuran # dengan distribusi yang
memiliki pdf $ % = ' ((*(+) , % > /, lainnya 0.
Misal 01 = #(!" − /). Tentukanlah kekonvergenan
distribusi 01
2. Misal 01 adalah 3 4 (1) dan 51 = 01 ⁄#4 . Tentukan
kekonvergenan distribusi 51
 Latihan
3. Let "! denote the mean of random sampel of size 128
from gamma distribution with # = 2 and & = 4.
Approximate ((7 < "! < 9)
4. Compute an approximate probability that the mean
of a random sample of size 15 from a distribution
having pdf . / = 3/ 1 , 0 < / < 1, zero elsewhere,
is between 3/5 and 4/5
5. If 5 is 678(100, :⁄1), approximate the value of
((5 = 50)
 Latihan
6. Let Y denote the sum of observations of a random
sample of size 12 from a distribution having pdf
$
! " = % , " = 1,2,3,4,5,6, zero elsewhere. Compute
an approximate value of -(36 ≤ 0 ≤ 48)