MODUL 2

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

fungsi distribusi kumulatifnya Fn ).

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  t0
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      t0
  n   t 
 n 
0 t 0
Terlihat bahwa M x (t ) adalah fungsi dari n

Modul Statistika Matematika-29

Definisi Kekonvergenan dalam distribusi:

Peubah acak Yn mempunyai distribusi Fn ( y ) yang bergantung pada n. Bila F ( y ) kontinu

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 )

G( y n )  P(Yn  y n )  P(maks( X 1 , X 2 ,..., X n )  y n )

 P( X 1  y n , X 2  y n ,..., X n  y n )

 P( X 1  y n ) 0  y 
n

ny n1
g n ( y)  0  y 
n
0 lainnya

n
 y
Gn ( y )    0  y 
 
= 1 y 

Lim Gn ( y )  0   y 
n 

1   y

suatu fungsi distribusi G( y)  0   y 

=1   y

Modul Statistika Matematika-30

lim n  Gn ( y )  G ( y ) untuk setiap titik dari y yang membuat G ( y ) kontinu. Sehingga Yn

dikatakan mempunyai distribusi pendekatan G ( y ) . Distribusi G ( y ) merupakan distribusi

tipe peubah acak diskrit yang mempunyai peluang 1 pada sebuah titik tunggal. Distribusi ini
disebut distribusi yang degenerate.

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 

Modul Statistika Matematika-31

 1  n 

n 2
Var   Xi 
 i 1 
1
 2
n 2
n
2

n
1

n
 

1 2
1  x 0 n
Dengan demikian fungsi kepadatan peluang dari f x  e 2

1
2
n
2
n x
1
 e 2
-<x  
1
2
n

   f  x d x
x

Fungsi distribusi kumulatif yaitu FX n x 


x  nw2
1
 

1
2
e 2
dw
.
n

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

Modul Statistika Matematika-32

Oleh karena itu distribusi pendekatan dari FX n x adalah 
2


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

merupakan suatu fungsi distribusi .

 
lim FX n x  FX x untuk setiap titik kontinu di FX x
n 

Sedangkan
lim FX n  0   FX  0  .
n 


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 )

Modul Statistika Matematika-33

Penyelesaian :
G Yn   P Yn  yn 
 P  maks  X 1 , X 2 , X n  yn  
 P  X 1  yn  P  X 2  yn  ...P  X n  yn 
 P  X  yn 
n

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

Modul Statistika Matematika-34

 zn n 1
1  Z 
 n     n  dZ n
 0 n 
n 1
n n 
z
Z   Z 
 n    n  d   n 
 0 n   n 
zn
 1  Zn  
n

  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 

Oleh karena itu

  z  
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 z0
H Z    

1  e
 z0
merupakan fungsi distribusi dan lim H n  Z   H  Z  untuk setiap titik kontinu di H  Z  . Jadi Z n
n 

mempunyai distribusi pendekatan , dengan fungsi distribusinya adalah H  Z  .

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.

Definisi Konvergen hamper pasti/konvergen kuat/konvergen hampir dimana-mana:

Zn konvergen ke Z dengan peluang 1 , jika P( lim Z n  Z )  1
n 

Modul Statistika Matematika-35

Definisi Konvergen Stokastik:

Zn konvergen ke Z dalam peluang , dinotasikan Zn  Z

p

Jika untuk   > 0 , lim PZ n  Z      0

n 

Definisi Konvergen Dalam Rataan Kuadrat:

Zn konvergen ke Z dalam rataan kuadrat , dinotasikan Z n  Z
2

Jika lim EZn  Z   0

2
n 

Definisi Konvergen Dalam Distribusi :

Zn konvergen ke Z dalam distribusi , dinotasikan Z n  Z
d

Jika lim Gn ( y )  G ( y ) pada titik titik dari y dimana G(y) kontinu..

n

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 

Modul Statistika Matematika-36

Menurut ketaksamaan Markov untuk  >0
 X n2 
P X n      P X n     E 2   P X n     n 2
1 1
2n  2    2

Lim P X n     0 , jadi barisan Xn konvergen dalam peluang ke suatu peubah acak X

n

( konvergen stokastik)
1
c. E ( X n  X )2  E ( X n )  ( )n , lim E ( X n  X )2  0
2

2 n 

Jadi barisan Xn konvergen ke X dalam rataan kuadrat.

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 :

lim M (t , n)  M (t ) maka Yn mempunyai distribusi pendekatan dengan fungsi distribusi F(y).

n

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

Modul Statistika Matematika-37

Teorema Ketidaksamaan Chebyshev

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 :

Teorema Ketaksamaan Chebyshev

Ketidaksamaan Chebyshev dapat ditunjukkan sebagai berikut
P X    k   1  2
1
k
1  2 merupakan batas bawah untuk P X    k .
1
k

Contoh penggunaan ketidaksamaan Chebyshev dalam perhitungan nilai peluang.

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
P120  k.8  X  120  k.8 
900
1200

Modul Statistika Matematika-38

 1 900 3
Adapun 1- 2
= 
k 1200 4
Dengan memecahkan persamaan diperoleh k  2

dan x  k  120  2.8
 120  16
3
Jadi selang IQ dari 104 sampai 136 mengandung sekurang-kurangnya atau 900 dari
4
3
mahasiswa dalam contoh tersebut. Dengan kata lain bahwa sekurang-kurangnya dari semua
4
IQ mahasiswa di universitas tersebut terletak dalam selang 104 sampai 136.

Contoh :
Misalkan diketahui X peubah acak bebas berdistribusi binomial. Yaitu X ~ Bn  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

fungsi pembangkit momen dari X adalah

M X (t )  1  p   pet 
n

Turunan pertama dan kedua dari M X  t  berturut-turut

M X ' (t )  npet 1  p   pet 
n 1
(3.6)

M X ''  t   npet 1  p   pet   n(n  1)  pet  1  p   pe 

n 1 2 t n 2

Berdasarkan teorema 2.5.1.1

  M X '  0

 npe0 1  p   pe0 
n 1

 np1  p   p 
n 1

 np(1) n 1
 np
 10(0,3)
3
Sedangkan variansi X adalah
2  EX2EX 
2

Modul Statistika Matematika-39

 2  M X '' (0)   2

 np1  p   p   n(n  1) p 2 1  p   p 
n 1 n2
 np
2

 np  n(n  1) p 2  (np) 2
 npq
 10(0,3)  10(9)(0,3)2  100,3
2

 2,1
  2,1
Untuk k  1 , nilai peluang sebenarnya :

P X    k   P X  3  1 2,1 
 P3  2,1  X  3  2,1 
 P1,55  X  4,45
4
  C xn  p  1  p 
x n x

x2

10!
0,32 0,78  10! 0,33 0,77  10! 0,34 0,76

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

P1,55  X  4,45  0 .

Untuk k  2 , nilai peluang sebenarnya :


P X    k   P X  3  2 2,1 
 P3  2,9  X  3  2,9
 P0,1  X  5,9
5
  C xn  p  1  p 
x n x

x 1


10!
0,31 0,79  10! 0,32 0,78  10! 0,33 0,77  10! 0,34 0,76  10! 0,35 0,75
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 :

Modul Statistika Matematika-40

 P X    k   1 
1
k2

P X  3  2 2,1  1   1
22
P0,1  X  5,9 
3
 0.75
4

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.

Teorema Hukum Bilangan Besar

Misalkan X 1 , X 2 ,... barisan peubah acak bebas, dengan mean  dan variansi  2 .
Jika S n  X 1  X 2  ...  X n , n  1,2,... maka
S 
lim P n       0
n 
 n 

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

Modul Statistika Matematika-41

Berdasarkan Teorema ketidaksamaan Chebyshev

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
EX 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 


Modul Statistika Matematika-42

Var  X   E  X 2   E  X 
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

Modul Statistika Matematika-43

Teorema Limit Pusat:
Suatu barisan peubah acak X 1 , X 2 ,..., X n
dengan rata-rata dan variansi yang berhingga (  <∞, σ2 < ∞) dikatakan memenuhi Teorema
Limit Pusat (TLP) jika Z n yang didefinisikan sebagai

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.

Z n memenuhi teorema limit pusat jika :

1 2
M Z n (t )  e 2
t

Penjabaran:

Teorema Limit Pusat:

Misalkan X 1 , X 2 ,... peubah acak bebas yang berdistribusi identik dengan E( X 1 )   dan Var
( X 1 )   2  0 (keduanya berhingga). Maka untuk semua z,  z   jika n   .

 ( x   )  ...  ( xn   ) 
z
1  12 y 2
P 1
 n
 z 
 2
e

dy

Bukti :

Bedasarkan teorema dari fpm

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  

   

Dengan menggunakan deret Taylor didapat

Modul Statistika Matematika-44

 n
 
E  X1    t 2
2
 E ( X1   ) t n
tk  =
 1    E  X1   
k
  n n 2 k 3
  
k


1! 2!  n k !

n
 1 t2 n
tk 
1    EX 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 )

Karena peubah acak X 1 , X 2 , X n berdistribusi bebas dan

identik, maka :
E ( X 1 )  E ( X 2 )  ...  E ( X n )  
Var( X 1 )  Var( X 2 )  ...  Var( X n )   2
E Sn   E  X 1  X 2  ...  X n 

Modul Statistika Matematika-45

  E  X 1   E  X 2   ...  E  X n 
 n
jika   d , maka
E S n   nd .

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

konvergen dalam distribusi ke peubah acak yang berdistribusi normal baku.

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 

Modul Statistika Matematika-46

  n   n 
 P Z    1  P Z 
 


 4    4 
 n
 2 P Z   1

 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
.

Modul Statistika Matematika-47