DISTRIBUSI PENDEKATAN
Dalam suatu peubah acak atau suatu statistik seringkali tergantung kepada n (banyaknya
peubah acak pada sampel), hal ini mengakibatkan fungsi pembangkit momennya juga
bergantung pada n, demikian juga fungsi distribusi kumulatifnya (untuk fkp dapat ditulis f n dan
Contoh :
X ~ U( 0 , 1 )
f(x) = 1 0<x<1
0 selain itu
Distribusi sampel acak ukuran n yaitu X 1 , X 2 ,..., X n dari distribusi di atas, fungsi pembangkit
momen :
et 1
1
M X (t ) e tx dx t0
0
t
1 t 0
1 n
Jika x xi suatu statistika , nilai dari fungsi pembangkit momen dicari sebagai berikut :
n i 1
t ( x1 x2 n... xn )
M x (t ) E (e ) E e
tx
n
tx1 tx2 txn
tx
E (e e ...e
n n n
) E e n
n
t
e 1
n
t n
M X t0
n t
n
0 t 0
Terlihat bahwa M x (t ) adalah fungsi dari n
maka peubah acak Yn disebut mempunyai distribusi pendekatan dengan fungsi distribusi F ( y)
Contoh :
Yn suatu orde statistik ke n dari peubah acak X 1 , X 2 ,..., X n dengan fkp
1
f ( x) 0 x , 0
0 selain itu
Yn maks( X 1 , X 2 ,..., X n )
P( X 1 y n , X 2 y n ,..., X n y n )
P( X 1 y n ) 0 y
n
ny n1
g n ( y) 0 y
n
0 lainnya
n
y
Gn ( y ) 0 y
= 1 y
Lim Gn ( y ) 0 y
n
1 y
Definisi :
Diberikan Fungsi Distribusi Kumulatif FX n x dari peubah acak X n dengan n . Peubah acak
X n dikatakan mempunyai pendekatan distribusi (limiting distribution) ke fungsi distribusi
FX x ,jika lim FX n ( x) FX ( x) dengan FX ( x) kontinu untuk setiap titik x .
n
Contoh :
Diberikan suatu sampel acak ukuran n yang berdistribusi N (0,1)
E X i 0 dan Var X i 2 1 , maka fungsi kepadatan peluang dari X adalah
1 ( x )2
1
f ( x) e 2 2
x Akan dicari fungsi distribusi kumulatif dari X dan
2
distribusi pendekatan dari FX n x .
Penyelesaian :
n
Xi
X
i 1 n
n
Xi
E X E i 1
n
1 n
E Xi
n i 1
0
n X
Var X Var i
i 1 n
1
2
n
2
n x
1
e 2
-<x
1
2
n
f x d x
x
x nw2
1
1
2
e 2
dw.
n
Akan ditunjukkan bahwa distribusi di atas merupakan distribution degenerate (distribusi tipe
peubah acak diskrit yang mempunyai peluang 1 pada sebuah titik tunggal) dan distribusi
pendekatannya.
Misalkan v nw
w v
w X v nX
v nw
dv ndw
2
nx
1 1 v2 1
FX n x e dv
1
n 2 n
2
nx
1 v2
2
e dv
nx
1 v2
lim FX n x lim
n n
2
e dv
2
Jika x 0 maka lim FX n x 0 lim
n
n
1 v2
2
e dv = 0
2
0
1 v2 1
Jika x 0 maka lim FX n 0 lim e dv =
n n
2 2
2
Jika x 0 maka lim FX n x 0 lim
n
n
1 v2
2
e dv = 1
0 x 0
FX x
1 x 0
FX x tidak kontinu di x 0 .
Adapun distribusi FX x merupakan distribusi tipe peubah acak diskrit yang mempunyai
peluang 1 pada sebuah titik tunggal. Distribusi yang demikian ini disebut distribusi yang
degenerate.
Jadi peubah acak X mempunyai distribusi pendekatan dengan fungsi distribusinya adalah
FX x dan merupakan distribution degenerate di titik x 0 .
x 0
P(x ) 1
Contoh:
Misalkan X 1 , X 2 , X n adalah sampel acak berukuran n dari peubah acak bebas yang
berdistribusi seragam 0, . Sedangkan
Akan dicari Fungsi Distr.Kumulatif dari Zn yaitu
H Z n dan distribusi pendekatannya.
Z n n( Yn )
n
yn 1
G Yn Gn y dx
0
n
Y
Gn y G Yn n
dG Yn
g Yn
dyn
n 1
y 1
n n
n( yn ) n 1
n
Suatu transformasi
Z n n Yn
Zn
Yn
n
dYn 1
dZ n n
Fungsi kepadatan peluang Z n
h Z n g U Z n
dYn
dZ n
n 1
Z 1 1
n n
n n n
n 1
1 Z
n n
n
zn
H Z n h Z n dZ n
0
n
n
0
n
1 z 1 n
n n n 0
n
n
1 z
1 n n
n
n
z
H Z n H n z 1 1
n
lim H n z lim 1 1
n
n
n
n
z
lim1 lim 1
n n
n
z
1 e
Fungsi
0 z z0
H Z
1 e
z0
merupakan fungsi distribusi dan lim H n Z H Z untuk setiap titik kontinu di H Z . Jadi Z n
n
Pengertian Konvergen
Z1 , Z 2 ,...Z n barisan peubah acak ( n 1) dengan fkp gabungan yang terdefinisi pada ruang
sampel S. Misal Z adalah peubah acak yang terdefinisi pada ruang sampel yang sama.
Contoh :
Misal diberikan Xn barisan peubah acak yang didefinisikan sebagai berikut :
n
1
X n 0 dengan peluang 1
2
n
1
= 1 dengan peluang untuk n = 1,2,3,….
2
a. Tunjukkan ,apakah Xn konvergen hampir pasti!
b. Tunjukkan , apakah Xn konvergen stokastik !
c. Tunjukkan , apakan Xn konvergen dalam rataan kuadrat!
Penyelesaian :
a. P[ lim X n 0] 1 , jadi Xn konvergen ke 0 dengan peluang 1 ( konvergen hampir pasti )
n
b. 1 1 2n 1
E ( X n ) ( ) n , E ( X n 2 ) ( ) n ,Var( X n ) 2n
2 2 2
( konvergen stokastik)
1
c. E ( X n X )2 E ( X n ) ( )n , lim E ( X n X )2 0
2
2 n
Teorema :
Limit dari suatu peubah acak menggunakan fungsi pembangkit moment
Misal Yn peubah acak dengan fungsi distribusi kumulatif Fn(y) dan fungsi pembangkit
M(t,n) ada untuk -h < t < h , h
Jika ada Fungsi distribusi F(y) yang berkorespondensi dengan fungsi pembangkit moment M(t)
untuk t h1 h sedemikian sehingga :
Contoh :
Yn ~ Binomial (n,p)
E(Yn)= np , p
n
Akan dicari distribusi pendekatan dari Yn
n
e t 1
n
M (t; n) E (e ) (1 p) pe
tYn
t n
(1 ) e t 1
n n
n
n
et 1
lim n M (t; n) lim n 1 e ( e 1) M Y (t ) Y ~ P( )
t
n
Y berdistribusi Poisson dengan parameter µ
Misalkan X suatu peubah acak dengan rataan dan variansi 2 , sedangkan adalah bilangan
positif , maka
2
P X
2
atau
Jika k maka
P X k
1
k2
Ketidaksamaan Chebyshev pada teorema di atas dapat dinyatakan dalam bentuk lain sebagai
berikut :
Contoh :
Data IQ (Intelligence Quotient) suatu contoh acak 1200 mahasiswa suatu universitas mempunyai
rataan 120 dan simpangan baku 8. Menggunakan ketidaksamaan Chebyshev, akan didapatkan
selang IQ yang memuat sekurang-kurangnya 900 mahasiswa dari contoh acak yang ada dan
kesimpulan mengenai IQ semua mahasiswa di Universitas tersebut.
Penyelesaian :
Misalkan X peubah acak yang menyatakan IQ mahasiswa suatu universitas yang tidak diketahui
fungsi distribusinya. Berdasarkan ketidaksamaan Chebyshev :
P X k 1 2
1
k
P X 120 k.8 1 2
1
k
P (k ).8 ( X 120 k.8) 1 2
1
k
P120 k.8 X 120 k.8
900
1200
Contoh :
Misalkan diketahui X peubah acak bebas berdistribusi binomial. Yaitu X ~ Bn 10, p 0,3
dengan rataan dan variansi 2 . Jika k 1,2 , akan dihitung peluang yang tepat untuk suatu
nilai dari
P X k dan perbandingannya dengan batas Chebyshev.
Penyelesaian :
Peubah acak X berdistribusi binomial, mempunyai fkp f (x) sebagai berikut :
C n p x (1 p) n x
f ( x) p ( X x) x x 0,1, 2,..., n
x yang lain
0
np1 p p
n 1
np(1) n 1
np
10(0,3)
3
Sedangkan variansi X adalah
2 EX2EX
2
np n(n 1) p 2 (np) 2
npq
10(0,3) 10(9)(0,3)2 100,3
2
2,1
2,1
Untuk k 1 , nilai peluang sebenarnya :
P X k P X 3 1 2,1
P3 2,1 X 3 2,1
P1,55 X 4,45
4
C xn p 1 p
x n x
x2
10!
0,32 0,78 10! 0,33 0,77 10! 0,34 0,76
8!2! 7!3! 6!4!
45(0,09)(0,057 ) 120(0,027 )(0,082) 210(0,008)(0,117 )
= 0,230 0,265 0,196
=0,69156
Menggunakan batas Chebyshev, peluang pendekatannya :
P X k 1 2
1
k
P X 3 1 2,1 1 2 1
1
P1,55 X 4,45 0 .
x 1
10!
0,31 0,79 10! 0,32 0,78 10! 0,33 0,77 10! 0,34 0,76 10! 0,35 0,75
9!1! 8!2! 7!3! 6!4! 5!5!
10(0,3)(0, 04) 45(0, 09)(0, 057) 120(0, 027)(0, 082)
210(0, 0081)(0,1176) 252(0, 00243)(0,16807)
0,12 0,23 0,26 0,20 0,10
0,91
Menggunakan batas Chebyshev, peluang pendekatannya :
Dari contoh tersebut dapat disimpulkan bahwa batas Chebyshev dapat jauh berbeda nilainya
dengan harga peluang sebenarnya.Tetapi masih dalam jangkauan ketidaksamaan Chebyshev.
Oleh karena itu ketidaksamaan ini sering hanya digunakan dalam pembahasan yang bersifat
teoritis, misalkan dalam masalah kekonvergenan dalam peluang pada fungsi peubah acak.
Bukti :
E ( X 1 ) E ( X 2 ) ... E ( X n )
Var( X 1 ) Var( X 2 ) ... Var( X n ) 2
S X X 2 ... X n
E n E 1
n n
E ( X 1 ) E ( X 2 ) ... E ( X n )
1
n
1
(n )
n
Var( S n ) Var( X 1 X 2 ... X n )
Var( X 1 ) Var( X 2 ) ... Var( X n )
n 2
S 1
Var n 2 Var( S n )
n n
1
2 n 2
n
1 2
n
2
P X
2
Sn
dengan X , diperoleh
n
Sn 2
P
n
2
n
Jika n maka
S 2
lim P n lim
n n
2
n
n
Sn
lim P 0
n
n
Sn p S
Dari hasil tersebut dapat dikatakan bahwa X 1 , X 2 ,..., X n memenuhi HLB jika E n
n n
Berikut contoh kekonvergenan dalam peluang.
Contoh:
x
1
X1, , X n barisan peubah acak bebas. f ( x) e x 0 , 0 . Dapat dibuktikan bahwa
X p
.
Bukti :
x
EX x 1
2 2
e dx
0
2 x
x x
e d
2
0
2 3
2 2
1 x
E X x e dx
0
x
x
x
e d
0
2
2 2 2
2
Dengan demikian dapat ditulis
E Xi i 1, 2,3,...
Var X i i 1, 2,3,... 0
1 n
Karena X X i , maka
n i 1
n
E X E Xi
i 1
X X 2 ... X n
=E 1
n
n
n
Sn
Var X Var
n
1
= 2 Var Sn
n
1 n
= 2 Var X i
n i 1
1
= 2 n 2
n
1 2
=
n
Ketidaksamaan Chebyshev :
X2
P X 2
2
P X 2
n
2
n
Lim P X Lim n n 2
0
.
Jadi terbukti X p
Sn E (Sn )
Zn , S n = X 1 X 2 ... X n
(Sn )
konvergen dalam distribusi ke suatu peubah acak yang berdistribusi normal dengan rataan 0 dan
variansi 1.
Penjabaran:
( x ) ... ( xn )
z
1 12 y 2
P 1
n
z
2
e
dy
Bukti :
M ( X1 ) ( X 2 ) ... ( X n (t ) M ( X1 ) ( X 2 ) ( X n ) (t )
...
n n n n
n
M ( X1 ) (t )
n
n
t
M X1
n
n
t X1
E e n
1! 2! n k !
n
1 t2 n
tk
1 EX 1
k
2 n k 3
k
n k!
Untuk n maka
n
1 t2
k
n
tk
lim E X 1 1 0
k
0 lim M X 1 X 2 ... X n t lim
n n n
k 3 n k! n 2 n
n
t2
lim 1 2
n n
1
t2
e2
Berikut contoh Teorema Limit Pusat yang menyatakan kapan distribusi dari X ’hampir normal’
dalam terapan statistikanya.
Contoh
Seorang ahli astronomi berencana membuat pengukuran berkelanjutan dan menggunakan nilai
rata-rata dari pengukuran itu sebagai nilai penaksirnya untuk jarak nyata dari observatorium ke
bintang yang terjauh. Adapun nilai pengukuran adalah peubah acak berdistribusi bebas dan
identik, dengan mean d (jarak sesungguhnya) dan variansi 4 tahun cahaya. Berdasarkan hal
tersebut akan dicari banyaknya pengukuran agar penaksiran jarak akurat dalam 0,5 tahun
cahaya.
Penyelesaian :
Jika X 1 , X 2 ,..., X n adalah observasi sebanyak n pengukuran, maka berdasarkan definisi Teorema
Limit Pusat dapat ditunjukkan sebagai berikut :
S E (Sn )
Zn n
(Sn )
Sedangkan
Var( S n ) Var( X 1 X 2 ... X n )
Var( X 1 ) Var( X 2 ) ... Var( X n )
n 2
S n n 2
n
2 n
X i nd
Zn i 1
2 n
Sehingga peluang banyaknya pengukuran agar penaksiran jarak akurat dalam 0,5 tahun cahaya
adalah
n
n
X X i nd
i
P 0,5 i 1
d 0,5 P 0,5 i 1 0,5
n n
n
X i nd
n i 1 n
P 0,5 0,5
2 2 n 2
n n
P 0,5 Z n 0,5
2 2
n n
P Z P Z
4 4
n n
P Z P Z
4 4
Apabila ahli astronomi itu menginginkan 95 persen kepastian bahwa nilai penaksiran itu akurat
dalam 0,5 tahun cahaya, maka dapat dibuat n pengukuran yaitu
n
2 P Z 1 0,95
4
atau
n
Z 0,975
4
n
Dari tabel normal didapat 1,96 .Jadi jumlah pengukuran yang harus dilakukan adalah
4
sebanyak 62. Hal ini dapat pula diasumsikan bahwa pendekatan normal akan baik ketika n 62
.