Modul Statistika Matematika

Modul Bahan Ajar
STATISTIKA MATEMATIKA
MILA KURNIAWATY
PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
Modul Bahan Ajar
STATISTIKA MATEMATIKA
MILA KURNIAWATY
PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
KATA PENGANTAR
Segala puji syukur ke hadirat Allah SWT yang menganugerahkan

kesempatan sehingga penulisan Modul Ajar Statistika Matematika dapat
terselesaikan dengan baik. Modul Statistika Matematika ini disusun
dengan tujuan membantu Mahasiswa memahami materi dan mengatasi
kesulitan dala mata kuliah ini.
Mata kuliah ini merupakan lanjutan dari mata kuliah Pengantar
Teori Peluang. Beban mata kuliah Statistika Matematika adalah 4 sks
dengan lama perkuliahan 4x50menit tiap pertemuan. Pada Bab I, II, III,
IV, V dan VI modul ini berisi Fungsi Pembangkit Momen, Distribusi
Peubah Acak Gabungan, Distribusi Fungsi Peubah Acak, Orde Statistika,
Distribusi Pendekatan dan Estimasi Parameter.
Agar dapat memahami isi yang terkandung dalam modul ini,
mahasiswa diharapkan menguasai teirinya dahulu. Penulis menyadari
bahwa isi modul ini tidak luput dari berbagai kekurangan, karena itu
kritik dan saran yang membangun dari pembaca sangat diharapkan
untuk penyempurnaan.
Kepada semua pihak yang membantu terbitnya modul ini, penulis
mengucapkan banyak terima kasih.
Penulis
ii
DAFTAR ISI
Halaman Judul i
Kata Pengantar ii
Daftar Isi iii
BAB 1 FUNGSI PEMBANGKIT MOMEN 1

1.1 MOMEN 1
1.2 FUNGSI PEMBANGKIT MOMEN 2
1.3 FUNGSI KARAKTERISTIK 9
1.4 INVERS DARI FUNGSI PEMBANGKIT MOMEN 10
1.5 INVERS DARI FUNGSI KARAKTERISTIK 11
BAB 2 DISTRIBUSI PEUBAH ACAK GABUNGAN 16

2.1 DISTRIBUSI PEUBAH ACAK DISKRIT GABUNGAN 16
2.2 DISTRIBUSI PEUBAH ACAK KONTINU GABUNGAN 19
2.3 DISTRIBUSI BERSYARAT 23
2.4 MOMEN PEUBAH ACAK LEBIH DARI SATU 26
2.5 KOVARIANSI 26
2.6 KORELASI 27
2.7 HUBUNGAN KORELASI DAN MEAN BERSYARAT 29
2.8 BEBAS STOKASTIK 32
2.9 FUNGSI PEMBANGKIT MOMEN GABUNGAN 37
BAB 3 DISTRIBUSI FUNGSI PEUBAH ACAK 42

3.1 TEKNIK FDK 43
3.2 TEKNIK FPM 47
3.3 TEKNIK TRANSFORMASI 50
3.3.1 TRANSFORMASI SATU-SATU 50
3.3.2 TRANSFORMASI TIDAK SATU-SATU 52
3.3.3 TRANSFORMASI BERSAMA 53
3.3.4 BEBERAPA DISTRIBUSI YANG BERPERAN DALAM
STATISTIKA INFERENSIA 55
BAB 4 ORDE STATISTIKA 63
4.1 FUNGSI KEPADATAN PELUANG GABUNGAN
ORDE-ORDE STATISTIKA 63
4.2 FUNGSI KEPADATAN PELUANG ORDE TERKECIL 65
4.3 FUNGSI KEPADATAN PELUANG ORDE TERBESAR 66
4.4 FUNGSI KEPADATAN PELUANG ORDE KE-k 66
4.5 FUNGSI KEPADATAN PELUANG GABUNGAN DUA
ORDE STATISTIKA 67
BAB 5 DISTRIBUSI PENDEKATAN 73
5.1 TEOREMA LIMIT PUSAT 75
5.2 SIFAT-SIFAT KONVERGEN STOKASTIK 77
5.3 TEOREMA LIMIT TAMBAHAN 79
BAB 6 ESTIMASI PARAMETER 85

6.1 BEBERAPA METODE ESTIMASI 86
iii
6.1.1 METODE MOMEN 86
6.1.2 METODE MAXIMUM LIKELIHOOD ESTIMATOR
(MLE) 88
6.2 KRITERIA UNTUK MENGEVALUASI ESTIMATOR 90
DAFTAR PUSTAKA v
iv
Daftar Pustaka
[1] Bain, L.J., and Engelhardt, (1992), Introduction to Probability and

Mathematical Statistics, Duxbury Press, California.
[2] Hoog, R.V and Craig, A.T., (1970), Introduction to Mathematical
Statistics, McMillan Publishing Co. Inc., New York.
[3] Handamari, E.W., (2010), Modul Statistika Matematika, Program
Studi Matematika Universitas Brawijaya, Malang
v
Statistika Matematika / FPM Universitas Brawijaya 2014
BAB I
FUNGSI PEMBANGKIT MOMEN
1.1 MOMEN
Parameter µ dan σ adalah dua ukuran deskriptif numerik

yang menggambarkan dimana lokasi pusat data dan distribusi dari
peubah acak, tetapi keduanya tidak memberikan karakteristik unik
dari sebaran tersebut. Banyak distribusi berbeda yang memiliki
rata – rata dan simpangan baku yang sama. Sehingga diperlukan
ukuran deskriptif numerik lain yang dalam kondisi lebih umum,
dapat menentukan secara spesifik yaitu momen.
Definisi 1.1
Momen ke dari peubah acak didefinisikan sebagai
Dari definisi 1.1 diketahui bahwa momen pertama dari

peubah acak adalah rata – rata dari dan momen
kedua digunakan untuk mencari variansi peubah acak .
Definisi 1.2
Momen pusat keെ‫ ݎ‬dari peubah acak ܺ didefinisikan sebagai ‫ܧ‬ሺሺܺ െ ߤሻ௥ ሻ
Momen pusat pertama adalah nol sedang momen pusat

kedua disebut sebagai variansi.
Kegunaan dari momen antara lain untuk mengetahui apakah dua
peubah acak mempunyai distribusi peluang yang sama. Misalkan X
dan Y adalah dua peubah acak dengan ,
, … , , maka akan dapat ditunjukkan bahwa peubah
acak X dan Y memiliki distribusi peluang yang identik.
Nilai harapan ketiga yang sangat penting adalah fungsi
pembangkit momen.
1
1.2 FUNGSI PEMBANGKIT MOMEN
Fungsi Pembangkit Momen dari suatu peubah acak

merupakan paket dari semua momen untuk peubah acak dalam
satu ekspresi sederhana.
Definisi 1.3
Jika adalah peubah acak maka nilai ekspektasi

disebut Fungsi Pembangkit Momen (FPM) dari jika nilai

ekspektasi ini ada untuk semua nilai dari pada interval
untuk 0.
Jika dijabarkan, akan diperoleh
( tx) 2 ( tx) 3 ( tx) 4

etx = 1 + tx + + + + ...
Dengan mengasumsikan bahwa merupakan peubah acak diskrit,

2! 3! 4!
maka diperoleh
 (tx )2 + (tx )3 + (tx )4 + ... p( x)
E (e tX ) = ∑ e tx p ( x ) = ∑ 1 + tx + 
x x  2! 3! 4! 
= ∑ p ( x) + t ∑ xp( x) + ∑ x 2 p ( x) + ∑ x 3 p ( x) + ...
t2 t3
x x 2! x 3! x
= 1 + tE ( X ) +
t2 t3
E ( X 2 ) + E ( X 3 ) + ...
Dari penjabaran dapat dilihat bahwa fungsi pembangkit

2! 3!
momen merupakan fungsi dari semua momen.

Dari Definisi 1.3 dapat dijabarkan fungsi pembangkit momen
dari peubah acak diskrit dan kontinu sebagai berikut.
1. FPM untuk peubah acak diskrit

2
2. FPM untuk peubah acak kontinu

∞
∞
Fungsi pembangkit momen mempunyai dua kegunaan

utama. Kegunaan pertama, bila dapat ditemukan maka
momen ke berapa pun dari peubah acak dapat ditemukan.
Teorema 1.1
Jika FPM dari X ada, maka
0 untuk semua 1, 2, …

dan

1
∞
!

Bukti
Anggap suatu peubah acak kontinu. FPM untuk peubah acak

kontinu adalah

∞
∞
Jika FPM-nya ada, maka dapat ditunjukkan bahwa turunan ke-

ada yaitu sebagai berikut

∞

Untuk setiap 1, 2, … dapat diperoleh momen ke sebagai berikut

∞

0.
∞ ∞

∞ ∞
Jika FPM nya ada, maka dapat juga ditunjukkan bahwa ekspansi
deret pangkat ke nol adalah mungkin, dan dari hasil standar
3
ሺೝሻ
೉

tentang deret pangkat, koefisien mempunyai bentuk !
. Dengan
mengkombinasikan ini dengan hasil di atas diperoleh
0
1 1 .
∞ ∞
! !

SIFAT- SIFAT DARI FPM

1. 0 1
2. (
Bukti
1. 0
1 1
2. ) *

.

(
Salah satu penerapan dari sifat FPM pada penghitungan

momen ke- dengan pusat mean, yaitu ! " . Karena
# $ % # $, maka & ! " ࢘ % # $"'
࢘
.

Teorema 1.2 (Teorema Ketunggalan)

1. Jika 2 fungsi pembangkit momen dari 2 peubah acak ada dan
sama maka ke dua peubah acak tersebut mempunyai fungsi
distribusi yang sama.
2. Jika 2 peubah acak mempunyai fungsi distribusi yang sama
maka bila fungsi pembangkit momennya ada maka fungsi
pembangkit momennya akan sama.
4
TABEL FPM DISKRIT

No. Distribusi Bentuk Fkpnya FPM
1. Binomial P ( x) = ( nx ) p x q n − x M x (t ) = ( pe t + q ) n
2. Poison e − λ λx M x (t ) = e λ (e −1)
t
P( x) =
x!
3. Geometri p( x) = pq x−1 pe t
M x (t ) =
1 − et q
TABEL FPM KONTINU

No Distribusi Bentuk Fkpnya FPM
1 Normal −(x−µ )2 1
µt + σ 2t 2
1 2σ 2
M x (t ) = e 2
X ~ n( µ , σ 2 ) f (x) = e
2 πσ 2
X ~ n(0,1) − x2 t2
1 2 M x (t ) = e 2
f ( x) = e
2π
2 Eksponensial M x (t ) = (1 − βt ) −1
;β > 0
1 −x / β
f ( x) = e
β
Eksponensial f ( x) = λe −λx λ
M x (t ) =
λ −t
3 Gamma
f ( x) = M x (t ) = (1 − βt ) −α ; t <
1 1
xα −1e − x / β
X ~ G(α , β ) Γ(α ) β 2
β
4 Chi-Kuadrat
f ( x) = x 2 e 2; x > 0
−v
1 v −1 − x
M x (t ) = (1 − 2t ) 2
X ~ χ (v )
2
2 v/2
Γ(v / 2)
Contoh 1
1. adalah suatu peubah acak kontinu dengan fkp
untuk 0 dan bernilai nol untuk selainnya. Dapatkan FPM
untuk mencari mean dan variansi dari .
5
Penyelesaian
FPM dari X adalah
௑ ௧௑
∞
௧௫

ି∞
௧௫ ି௫
ିሺଵି௧ሻ௫
lim ିሺଵି௧ሻ௫
௣՜∞
଴
௣
1
lim ିሺଵି௧ሻ௫
1 ௣՜∞ ଴
1
, 1
1
1
′௑ ′௑ 0 1
1 ଶ
2
′′௑ ′′௑ 0 2 ଶ
1 ଷ
Jadi, meannya adalah ′௑ 0 1 dan variansinya

ଶ ଶ 1.
ଵ ௫ାଵ
2. adalah suatu peubah acak diskrit dengan fkp
ଶ
untuk
0, 1, 2, … dan bernilai nol untuk selainnya. Dapatkan
FPM untuk mencari mean dan variansi dari .
Penyelesaian
FPM dari X adalah
௑ ௧௑
6
! ௧௫

௑
∞
௧௫
1 ௫ାଵ
! " #
2
௫ୀ଴
∞ ௫
1 ௧
!$ %
2 2
௫ୀ଴
ଵ
Menggunakan deret geometri 1 & ' & ' ଶ & ( ଵି௦ , 1 ' 1 ,
௘೟
dengan ' ଶ
maka diperoleh FPM sebagai berikut
1
௑ ln 2.
2 ௧
Dengan menggunakan turunan pertama dan kedua dari FPM

dapat diperoleh mean, 1 dan 2.
3. Tunjukkan bahwa fungsi pembangkit momen peubah acak X

yang berdistribusi normal dengan mean µ dan variansi σ 2
adalah M x (t ) = e µt +σ !
2 2
t /2
Penyelesaian
−( x−µ )2
Untuk X ~ n( µ ,σ ) maka f ( x) = sehingga dari definisi

2 1 2σ 2
e
2πσ 2
diatas dapat ditulis

M x (t ) = E (etx )
M x (t ) = ∫ e
∞ −( x − µ )2
tx 1 2σ 2
e dx
−∞ 2πσ 2
∫
∞
1
e −[ x − 2 ( µ + tσ 2 ) x + µ 2 ] / 2σ 2
2
M x (t ) = dx
−∞ 2πσ 2
Dengan melengkapi bentuk kuadrat dalam eksponen

x 2 − 2( µ + tσ 2 ) x + µ 2 = [ x − ( µ + tσ 2 )]2 − 2µtσ 2 − t 2σ 4 selanjutnya
7
∫
∞
1
e −{[ x − ( µ + tσ 2 )] 2 − 2 µtσ 2 − t 2σ 4 ) / 2σ 2
2
M x (t ) = dx
−∞ 2πσ 2
∫
∞
µt + σ 2 t 2 / 2 1
e − (1 / 2){[ x − ( µ + tσ
2
)] / σ } 2
M x (t ) = e dx
−∞ 2πσ 2
Misalkan w = [ x − ( µ + tσ )] / σ
2
jadi dx = σ dw dan
M x (t ) = e µt +σ ∫
2 2
∞ 1 −w 2/2
t /2
e dw
M x (t ) = e µt +σ
2 2
t / 2 −∞ 2π
Karena integral dari ∫ dw menyatakan luas daerah

∞ 1 −w 2/2
e
−∞ 2π
dibawah kurva fungsi kepadatan peluang normal baku sehingga
bernilai 1.
Contoh distribusi yang tidak mempunyai fungsi pembangkit

momen:
1 Distribusi Pareto
βα β
Bentuk fungsi kepadatan peluangnya f ( x) = x >α > 0 .
x β +1
Distribusi Pareto tidak memiliki fungsi pembangkit momen
βα r
tetapi memiliki momen ke-‫ ݎ‬yaitu E ( x r ) = jika β > r .
(β − r )
αβ α 2β
Sehingga dapat ditemukan E ( x ) = dan E ( x 2 ) = serta
β −1 β −2
α 2β
diperoleh Var ( x) = .
( β − 2)( β − 1) 2
2 Distribusi Cauchy
1
Bentuk fungsi kepadatan peluangnya f ( x) = x > 0.
π (1 + x 2 )
Distribusi ini selain tidak memiliki fungsi pembangkit momen
juga tidak memiliki momen karena jika dilakukan
pengintegralan hasilnya akan divergen.
8
1.3 FUNGSI KARAKTERISTIK
Fungsi Karakteristik pasti dimiliki oleh semua peubah acak. Dari

fungsi karakteristik dapat dicari momen-momennya.
Definisi 1.4
Fungsi karakteristik dari peubah acak diberikan untuk

bilangan riil
Φ X (t ) = M X (it )
= E (e itX ) = E (cos tX + i sin tX )
= E (cos tX ) + i E (sin tX )
Jika X suatu peubah acak maka MX(it)= E(etiX)


∑e itx
f ( x) = ∑ cos tx f ( x) + i ∑ sin tx f ( x)

X X X


 ∫ e f ( x)dx = ∫ cos tx f ( x)dx + i ∫ sin tx f ( x)dx
∞ ∞ ∞

itx

−∞ −∞ −∞
Teorema 1.3
Jika X suatu peubah acak maka
1. fungsi karakteristik dari X selalu ada
2. Φ X (0) = 1 Φ X (t ) = Φ X (−t )
Φ X (t ) ≤ 1 ∀t ∈ R
3.
4. Φ X (t ) kontinu seragam
SIFAT-SIFAT :
Jika X suatu peubah acak , a dan b suatu kontanta maka :
Φ aX +b (t ) = e ibt Φ X (at )
9
TEOREMA 1.4.
Jika ΦX(t) adalah fungsi karakteristik dari peubah acak maka

momen ke n yaitu ௡ diperoleh dari derivatif ke ݊ dari ΦX(t)
yaitu :
d n Φ(0)
E ( X ) = n n atau
n
Φ n X (0) = i n E ( X n )
i dt
Bukti
Bila Φ X (t ) = E (e tix ) diketahui
maka
Φ X (0) = iE ( x)
Φ" X (0) = i 2 E ( x 2 )
Φ ( k ) X (0) = i k E ( x k )
Φ n (0)
E ( x n) =
in
TEOREMA 1.5. (Teorema Ketunggalan)
Misal dan adalah dua peubah acak yang memiliki fungsi

karakteristik masing-masing Φଡ଼ t dan Φଢ଼ t.
dan mempunyai fungsi kepadatan peluang yang sama jika

dan hanya jika Φଡ଼ t= Φଢ଼ t
1.4 INVERS DARI FUNGSI PEMBANGKIT MOMENT
Untuk mencari invers fungsi pembangkit momen dari peubah

acak kontinu menggunakan invers transformasi Laplace.
Contoh 2
Misalkan diketahui fungsi pembangkit moment dari peubah acak
yaitu
௑ 1 ିଶ
1
10
Akan dicari fungsi kepadatan peluang dari
M X (t ) = ∫ etx f ( x)dx
∞
−∞
(1 − t ) 2 −∫∞
∞
1
= etx f ( x)dx
= ∫ etx f ( x)dx
∞
1
2
(1 − t ) 0
Menggunakan invers dari transformasi Laplace, jika f ( x) = xe ax
1
L{ f ( x)} = L{xe ax } =
(a + s) 2
1
L−1 { } = xe ax
(a + s) 2
Dengan demikian f ( x) = xe − x x>0
1.5 INVERS DARI FUNGSI KARAKTERISTIK
Jika Φ X (t ) fungsi karakteristik dari suatu peubah acak X
maka fungsi kepadatan peluang dari X dapat ditentukan melalui

invers dari transformasi Fourier.
∫Φ
∞
f ( x) =
1
X (t ) e −itx dt
2π −∞
Contoh 3
Diketahui fungsi karakteristik dari suatu peubah acak

Φ X (t ) = e −∞< x<∞
−t
Akan dicari fungsi kepadatan peluang dari !
∫ Φ X (t ) e dt = ∫e
∞ ∞
f ( x) =
1 −itx 1 −t
e −itx dt
2π −∞
2π −∞
11
∫e ∫
0 ∞
1 1
f ( x) = t
e − itx
dt + e −t e −itx dt
2π −∞
2π 0
∫
∞
1
= e −t [e itx + e −itx ] dt
2π 0
∫ e −t [2 cos tx]dt = ∫ e −t cos tx dt

∞ ∞
1 1
=
2π 0 π 0
memakai integral parsial diperoleh :
1
f ( x) =
π (1 + x 2 )
Dengan demikian ~ Cauchy.
12
SOAL LATIHAN
1. Diketahui peubah acak kontinu dengan fungsi kepadatan

peluang
ିሺ௫ାଶሻ , 0 ∞

0 ,
a. Dapatkan fungsi pembangkit momen dari
b. Gunakan (a) untuk memperoleh mean dan variansinya.
2. Jika fungsi pembangkit moment dari peubah acak X adalah :
2 t 1 2t 2 3t
M X (t ) = e + e + e
5 5 5
a. Dapatkan mean dan variansinya
b. Definisikan fkp ( fungsi kepadatan peluang )nya !
3. Jika peubah acak kontinu dengan fkp ି௫ , 0 dan
bernilai nol untuk yang lain. Dapatkan fungsi pembangkit
momennya.
4. Jika peubah acak dengan fungsi pembangkit momen
t2
M X (t ) = e , tunjukkan bahwa momen ke n dari adalah
2
0, n bilangan ganjil
௡

1.3.5 … n " 3 n " 1 , n bilangan genap
5. Misalkan peubah acak dengan fungsi distribusi
0, "2
) 0.2, "2+ 0
'
' 0.5, 0 + 2.2
% 0.6, 2.2 + 3
( 0.6 - ., 3+4
'
' 0.6 - 2., 4 + 5.5
& 1, 0 5.5
dan diketahui 1 3.3 0.25.
Tentukan : a. Nilai dari . dan fungsi kepadatan peluangnya
b. Fungsi pembangkit momen dari
c. Variansi menggunakan b.
13
6. Misalkan peubah acak berdistribusi Poisson dengan parameter

2. Tunjukkan bahwa
௡ 2 - 1௡ିଵ
7. Peubah acak X mempunyai fungsi kepekatan

, 0 + + 2

32
0, lainnya
Carilah fungsi karakteristiknya.
8. Dapatkan mean dan variansi dari peubah acak jika fungsi
distribusi dari diberikan sebagai berikut:
0 x<0
x
 0≤ x<2
8
FX ( x) =  2
x 2≤ x<4
 16
1 x≥4

9. Suatu peubah acak X kontinu mempunyai fungsi kepekatan
5 1 " , 0 + + 1

0, lainnya
dimana c adalah suatu konstan yang sesuai. Carilah nilai-nilai
berikut:
a). Mean dari peubah acak X
b). Ragam (varians) peubah acak X
c). Fungsi pembangkit momen peubah acak X
d). Fungsi karakteristik peubah acak X
e). Momen ketiga di sekitar mean
10.Dapatkan fungsi pembangkit momen dari masing-masing
distribusi berikut
a. ௜ ~7 , 8
b. ௜ ~97., 8
c. ௜ ~:;8
d. ௜ ~<9=% , >
e. ௜ ~:?@A, B
14
f. ௜ ~12
g. ௜ ~9C, D ଶ
h. ௜ ~1;=E.
15
Statistika Matematika/Distribusi Gabungan Universitas Brawijaya 2014
BAB II
DISTRIBUSI PEUBAH ACAK GABUNGAN
2.1 DISTRIBUSI PEUBAH ACAK DISKRIT GABUNGAN
Definisi 2.1
Distribusi peluang gabungan dari peubah acak diskrit dan

adalah suatu tabel atau rumus yang mendaftarkan semua
kemungkinan nilai dan .
, disebut distribusi peluang gabungan dan yang

menyatakan bahwa hasil dan terjadi bersama didefinisikan
sebagai
,

,

untuk semua nilai dan yang mungkin.
Contoh 1
Suatu percobaan mengambil 3 buah secara acak dari suatu

kantung yang berisi 4 anggur merah, 5 anggur hijau dan 3
kelengkeng. Jika dan suatu peubah acak yang masing-masing
menyatakan banyaknya anggur merah dan anggur hijau yang
terambil maka fungsi peluang gabungan dari dan yaitu
,

,
sebagian diberikan sebagai berikut :
 3
 
p (0,0) =   =
3 1
12  220
 
3
 4  5  3 
   
p (0,1) =     =
0 1 2 15
12 
 
220
3
16
 4  5  3 
   
p (0,2) =     =
0 2 1 30
12 
 
220
3
 4  5  3 
   
p (0,3) =     =
0 3 0 10
 
 
12 220
3
 4  5  3 
   
p (1,0) =     =
1 0 2 12
12 
 
220
3
Fungsi peluang gabungan dari permasalahan di atas dapat
dinyatakan dalam rumus matematis yaitu :
 4  5  3 
   
 x  y  3 − x − y 
P ( X = x , Y = y ) = p ( x, y ) = x = 0,1,2,3 y = 0,1,2,3 x + y ≤ 3
12 
 
 3
0 yang lain
Atau dapat ditulis dalam suatu tabel fungsi kepadatan peluang
gabungan seperti di bawah ini :
Tabel
,

0 1 2 3

0 1/220 15/220 30/220 10/220 56/220
1 12/220 60/220 40/220 0 112/220
2 18/220 30/220 0 0 48/220
3 4/220 0 0 0 4/220

35/220 105/220 70/220 10/220
17
Definisi 2.2
Fungsi , adalah peluang gabungan dari peubah acak diskrit

dan jika
1. , ) 0 untuk semua ,
2. ,
1

3. ,
, untuk tiap daerah
,
Contoh 2
Dari contoh 1, tentukan nilai dari , jika A daerah
, | 1
Penyelesaian
1 15 12 28
1
0,0 0,1 1,0

.
220 220 220 220
Definisi 2.3
Fungsi peluang marginal dari peubah acak diskret dan

p X ( x ) = ∑ p ( x, y ) dan pY ( y ) = ∑ p ( x, y )
Y X
Hal tersebut dapat ditunjukkan sebagai berikut :
∑ p( x) = 1
∑∑ p( x, y) = 1
X
x y
dengan p X (x) disebut fungsi peluang marginal dari peubah acak
sedangkan pY ( y ) disebut fungsi peluang marginal dari .
Contoh 3
Dari contoh 1, fungsi peluang marginal dari adalah :

0 1 2 3

56/220 112/220 48/220 4/220
18
mempunyai sifat : ) 0 dan
∑ p ( x) = 1
X =x
Fungsi peluang marginal dari adalah

0 1 2 3

35/220 105/220 70/220 10/220
mempunyai sifat : ) 0 dan
∑ p( y ) = 1
Y=y
Definisi 2.4 (FDK Gabungan)
Fungsi distribusi kumulatif gabungan dari peubah acak

berdimensi k, ଵ , ଶ , … , ௞ adalah suatu fungsi yang didefinisikan
dengan
* ଵ , ଶ , … , ௞
ଵ ଵ , … , ௞ ௞
2.2 DISTRIBUSI PEUBAH ACAK KONTINU GABUNGAN
Definisi 2.5
Fungsi , adalah fungsi kepadatan peluang gabungan dari peubah

acak kontinu dan jika
1. , ! 0 untuk semua ,
2. , 1
ஶ ஶ
ିஶ ିஶ
3. , , untuk tiap daerah

஺
Contoh 4
Suatu perusahaan coklat mengirim berkotak-kotak coklat dengan

campuran krem, tofe, kacang berlapis coklat cerah dan pekat. Bila
19
kotak dipilih secara acak, serta X dan Y masing-masing

menyatakan proporsi yang krem berlapis cerah dan pekat dan
misalkan bahwa fungsi kepadatan gabungannya adalah
ଶ
2 3; 0 1, 0 1
,,
-ହ
0 ; dan yang lain
a. Tunjukkan bahwa
∞ ∞
2ି∞ 2ି∞ , , 33
1
ଵ ଵ ଵ
b. Dapatkan . , jika daerah 4, 50 6 6 ; 6 6 7
ଶ ସ ଶ
Penyelesaian
a. Akan ditunjukkan bahwa
∞ ∞
2ି∞ 2ି∞ , , 33
1 .
∫−∞−∫∞ f ( x, y)dxdy = ∫0 ∫0 5 (2 x + 3 y)dxdy

∞ ∞ 1 1
2
∫∫ f ( x, y )dxdy =
5 ∫0
( x 2 + 3xy )]0 dy
∞ ∞ 1
2 1
−∞ − ∞
∫∫ f ( x, y )dxdy =
5 ∫0
(1 + 3 y )dy
∞ ∞ 1
2
−∞ − ∞

∫∫ f ( x, y )dxdy = ( y + y 2 )
∞ ∞ 1
2 3
−∞ − ∞
5 2 0
∫ ∫ f ( x, y)dxdy = 5 ( 2 ) = 1
∞ ∞
2 5
−∞ − ∞
b. P[( X , Y ) ∈ A]
0 < x <
1 1 1
, < y<
2 4 2
∫ ∫ 5 (2 x + 3 y )dxdy
1 1
2 2
2
=
1 0
4
= ∫ ( x 2 + 3 xy )
1 1/ 2
2 2
dy
51
4 0
5 1∫ 4 2
1
2 2 1 3
= ( + y )dy
4
1
2
2 1 3 13
= ( y + y2 =
5 4 4 1 160
4
20
Definisi 2.6
Jika pasangan , dari peubah acak kontinu mempunyai fungsi

kepadatan peluang bersama ,, maka fungsi kepadatan
peluang marginal dari dan adalah
ஶ
,
8 ,, 3
ିஶ
ஶ
,
8 ,, 3
ିஶ
Contoh 5.
Dari soal pada contoh 4, dapatkan fungsi kepadatan marginal
dan marginal .
Penyelesaian
Menurut definisi
g ( x) = ∫ f ( x, y)dy
∞
−∞

g ( x) = ∫ (2 x + 3 y )dy = (2 xy + y 2 )
1 1
2 2 3
5 5 2 0
4x + 3
0
g ( x) =
5
Untuk 0 ≤ x ≤ 1 dan g (x) =0 untuk x yang lainnya.
Selanjutnya
∫ f ( x, y)dx
∞
h( y ) =
−∞
h( y ) = ∫ (2 x + 3 y )dx = x 2 + 3 xy
( )]
1
2 2 1
0
0
5 5
2 + 6y
h( y ) =
5
Untuk 0 ≤ x ≤ 1 dan h( y ) =0 untuk y yang lainnya.
21
Definisi 2.7
Suatu peubah acak bernilai vektor berdimensi-k,

ଵ , ଶ , … , ௞
dikatakan kontinu jika ada suatu fungsi , ଵ , ଶ , … , ௞ yang
disebut fungsi kepadatan peluang gabungan dari X sedemikian
hingga FDK gabungan dapat dinyatakan sebagai
௫ೖ ௫భ
*ଵ , ଶ , … , ௞
8 … 8 ,ଵ , ଶ , … , ௞ 3ଵ … 3௞
ି∞ ି∞
untuk semua
ଵ , ଶ , … , ௞
Contoh 6
Diasumsikan fkp gabungan
4; 0 1, 0 1
,,
9
0 ; untuk selainnya
Tentukan :
a. FDK gabungan X dan Y
b. FDK marginal X
c. FDK marginal Y
Penyelesaian
௬ ௫
a. * ,
,
2଴ 2଴ ,, 3 3
ଶ ଶ untuk 0 1,
0 1.
Jadi, FDK gabungannya adalah
0 ; 6 0, 6 0
* ,
<ଶ ; 0 1, 0 1
1 ; = 1, = 1
௫ ௫ ଵ
b. *

2଴ , 3
2଴ 2଴ 4 3 3
ଶ untuk 0 1
௬ ௬ ଵ
c. *

2଴ ,3
2଴ 2଴ 4 3 3
ଶ untuk 0 1
22
2.3 DISTRIBUSI BERSYARAT
menyatakan banyaknya kejadian yang merupakan

P( A ∩ B )
himpunan bagian ruang sampel. Ingat P( B A) = , P( B) > 0
P( A)
sehingga kejadian A dan B ditentukan oleh X=x dan Y=y maka

P ( X = x, Y = y )
P( X = x Y = y) =
p (Y = y )
f ( x, y )
= , g ( x) > 0
g ( x)
Oleh karena itu, tidak sulit untuk mencari yang merupakan

f ( x, y )
g ( x)
fungsi y dan x tertentu.
Definisi 2.8
Jika dan adalah peubah acak diskret atau kontinu dengan

fungsi kepadatan peluang ,, , maka fungsi kepadatan peluang
bersyarat (fkp bersyarat) dari jika diketahui
dinyatakan
sebagai
,,
,|
, ,௑ = 0
,௑
dan bernilai nol untuk selainnya.
Dengan cara yang sama, fkp bersyarat dari jika diketahui

dinyatakan
,,
,|
, ,௒ = 0
,௒
Karena f ( x y ) mendefinisikan suatu distribusi dari peubah acak x y

maka dapat ditentukan nilai peluang suatu kejadian, ekspektasi
serta variansinya.
23
Jika X dan Y dua peubah acak kontinu,
Peluang suatu kejadian a< X <b dengan syarat

adalah
P (a < X < b Y = y ) = ∫ f ( x y )dx = ∫

b b f ( x, y )
dx
a a fY ( y )
Peluang suatu kejadian a < Y < b dengan syarat X= x adalah
P ( a < Y < b X = x) = ∫ f ( y x )dx = ∫

b b f ( x, y )
dy
a a f X ( x)
Sementara itu, ekspektasi dari u(X) dengan syarat

dinyatakan sebagai :
E [u ( X ) Y = y ]= ∫ u ( x) f ( x y ) dx
∞
−∞
E [X Y = y ]= ∫ xf ( x y )dx yang menyatakan

∞
Jika >
maka
−∞
mean bersyarat X jika diketahui

.
Untuk variansi bersyarat X jika diketahui Y=y dinyatakan sebagai

?@A |
yang diperoleh melalui nilai dari
[ ] ( )
E ( X − E ( X Y ) ) Y = y = E X 2 Y = y − (E ( X Y = y )
2 2
Jika X dan Y merupakan dua peubah acak diskrit , rumus di atas

tetap berlaku dengan merubah tanda integral menjadi sigma.
Contoh 7
 x(1 + 3 y 2 )
 ;0 < x < 2,0 < y < 1
Diketahui fkp f ( x, y ) = 
0
4
lainnya

24
Carilah g ( x ), h ( y ), f ( x y ) , hitung P ( < X < Y = )

1 1 1
4 2 3
Dapatkan mean dan variansi bersyarat X bila diketahui Y=y .

Penyelesaian
∫ f ( x, y)dy
∞
g ( x) =
−∞
∫
x (1 + 3 y 2 )
1
= dy
0
4
1 1 x
= ( x ( y + y 3) = ,0 < x < 2
4 0 2
∫ f ( x, y)dx
∞
h( y ) =
−∞
=∫
x(1 + 3 y 2 )
2
dx
0
4
1 + 3y2
2
1 1 2
= ( x + 3 xy 2 ) = ,0 < y < 1
4 2 0 2
f ( x, y )
f ( x y) =
h( y )
x(1 + 3 y 2 ) / 4
=
(1 + 3 y 2 ) / 2
x
=
2
Sehingga :
∫ f ( x y)dx
1
2
1 1 1
P( < X < Y = ) =
4 2 3 1
4
∫ 2dx = 64
1
2
x 3
=
1
4
E ( X Y = y ) = ∫ xf ( x y )dx = ∫ x dx = ∫ dx =
2 x 2 x2 8 2
0 0 2 0 2 6
ଶ 16 64 90
|
ଶ |
|
.
4 36 36
25
2.4 MOMEN PEUBAH ACAK LEBIH DARI SATU

Misal X 1 , X 2 ,..., X n peubah acak dengan fungsi kepadatan
peluang gabungan adalah f ( x1 , x2 ,..., xn ) . Suatu fungsi dari n
peubah acak yaitu g ( x1 , x2 ,..., xn ) .
Ekspektasi dari fungsi peubah acak kontinu adalah
E[ g ( x1 , x2 ,..., xn )] = ∫ ∫ ... ∫ g ( x1 , x2 ,..., xn ) f ( x1 , x2 ,..., xn )dx1dx2 ...dxn

∞ ∞ ∞
−∞ −∞ −∞
Ekspektasi dari fungsi peubah acak diskrit adalah

E[ g ( x1 , x2 ,..., xn )] = ∑ ∑ ...∑ g ( x1 , x2 ,..., xn ) f ( x1 , x2 ,... xn )
Teorema 2.1
Jika ଵ dan ଶ adalah peubah acak dengan fkp gabungan !"ଵ , "ଶ
maka
ଵ ଶ ଵ ଶ
Berdasarkan Teorema 2.1, jika ada ଵ , ଶ , … , ௞ adalah konstanta

dan ଵ , ଶ , … , ௞ adalah peubah acak gabungan, maka
௞ ௞
௜ ௜ ௜ ௜ .
௜ୀଵ ௜ୀଵ
2.5 KOVARIANSI
Jika ada dua peubah acak X dan Y, kecenderungan variansi
dari ௑ dan ௒ dapat dinyatakan dengan suatu ukuran
yang disebut kovariansi , .
Definisi 2.9
Kovariansi dari sepasang peubah acak dan didefinisikan
sebagai
#$% , & ௑ ௒ '
Notasi yang umum digunakan untuk kovariansi adalah (௑௒ .
26
Teorema 2.2
Jika dan adalah peubah acak dan dan + adalah konstanta,
maka
#$% , + + #$% ,
#$% , + #$% ,
#$%, +
Teorema 2.3
Jika dan adalah peubah acak, maka
#$% ,
2.6 KORELASI
Korelasi dari X dan Y adalah kecenderungan hubungan linier
antara X dan Y
Definisi 2.10
Jika dan adalah pebah acak dengan variansi (௑ଶ dan (௒ଶ dan
kovariansi (௑௒ #$% , , maka koefisien korelasi dari dan
adalah
cov( X , Y ) (௑௒
ρ ( X , Y ) = kor ( X , Y ) = ,
σ Xσ Y (௑ (௒
Korelasi menyatakan suatu nilai yang dapat menunjukkan

kuat atau tidaknya hubungan dua peubah atau lebih. Makin kuat
hubungan tersebut maka nilai dari korelasinya semakin mendekati
1 atau -1. Semakin lemah hubungan antara peubahnya
mengakibatkan nilai korelasinya mendekati 0.
2 peubah acak X dan Y tidak berkorelasi atau *$, 0 artinya
#$%, 0 , sedangkan #$%, – 0 atau
, hal ini terjadi apabila X dan Y bebas stokastik.
27
Teorema 2.4
i. Jika X dan Y dua peubah acak yang bebas stokastik maka
kedua peubah acak tersebut tidak berkorelasi (korelasinya
bernilai 0).
ii. X dan Y dua peubah acak yang tidak berkorelasi , belum tentu
bahwa X dan Y bebas stokastik.
Contoh 8
X dan Y dua peubah acak diskrit dengan fungsi kepadatan peluang
!",
= ¼ (-4,1) , (4,-1) , (2,2) , (-2,-2)
0 selainnya
0 , 0 dan 0
#$%, 0 dan *$, 0
X dan Y dua peubah acak yang tidak berkorelasi.
Sementara itu, fungsi kepadatan peluang marginal berturut-turut
X dan Y adalah :
!" ¼ " 4 , 4 , 2 , 2 !
¼
1 , 1 , 2 , 2
0 selainnya 0 selainnya
!",
≠ !" !
, dengan demikian X dan Y tidak bebas stokastik.
Teorema 2.5
Jika X dan Y dua peubah acak dengan fkp gabungan !",
maka
2 #$% ,
dan

jika X dan Y bebas stokastik.
28
2.7 HUBUNGAN KORELASI DAN MEAN BERSYARAT

Misal X dan Y adalah 2 peubah acak kontinu
| adalah fungsi linier dari X
∫ yf ( y | x)dy = ∫y f ( x) −∫∞
∞ ∞ ∞
f ( x, y ) 1
E (Y | X ) = dy = yf ( x, y ) dy
−∞ −∞
f ( x)
= Q(x) : fungsi dari X

atau dapat dinyatakan bahwa:
E (Y | X ) = Q( X ) = a + bX
Teorema 2.6
σY
E (Y | X ) = µ Y + ρ (x − µ X )
σX
dengan
• E( X ) = µ X
• E (Y ) = µ Y
• VAR ( X ) = σ X
2
• VAR (Y ) = σ Y
2
Bukti
f ( x) −∫∞
∞
y. f ( x, y ) dy = a + bx .......................................... (i)
1
E (Y | X ) =
∫ y. f ( x, y)dy = (a + bx) f ( x)
∞
−∞
∫ ∫ y. f ( x, y)dydx = ∫ (a + bx) f ( x)dx

∞ ∞ ∞
−∞ −∞ −∞
E (Y ) = a + b( X )
௒ +௑ ...................................................................... ….(1)
∫ ∫ y. f ( x, y )dydx = ∫ (a + bx) f ( x)dx

∞ ∞ ∞
− ∞− ∞ −∞
29
masing - masing ruas dikalikan dengan ‫ ݔ‬, sehingga
∫ ∫ xy. f ( x, y )dydx = ∫ (a + bx) xf ( x)dx

∞ ∞ ∞
−∞ −∞ −∞
‫ ܧ‬ሺܻܺሻ ൌ ܽ‫ ܧ‬ሺܺ ሻ ൅ ܾ‫ ܧ‬ሺܺ ଶ ሻ

‫ ܧ‬ሺܻܺሻ ൌ ܽߤ௑ ൅ ܾሾߪ௑ଶ ൅ ߤ௑ଶ ሿ………................................................ ….(ii)
‫ܧ‬ሺܻܺሻ dicari melalui

COV ( X , Y )
ρ=
σ Xσ Y
COV ( X , Y ) = σ X σ Y ρ
E ( XY ) − E ( X ) E (Y ) = σ X σ Y ρ
E ( XY ) = ρσ X σ Y + µ X µ Y
dengan ߩ adalah koefisien korelasi.

Substitusikan ‫ܧ‬ሺܻܺሻ ke persamaan (ii), sehingga menjadi
ρσ X σ Y + µ X µ Y = aµ X + b(σ X2 + µ X2 ) ........................................... …(iii)
ρσ X σ Y + µ X µ Y = aµ X + bσ X2 + bµ X2
ρσ X σ Y + µ X µ Y = µ X (a + µ X ) + bσ X2 = µ X µ Y + bµ X2
ρσ X σ Y = bµ X2
σY σY
b=ρ a = µY − ρ µX
σX σX
sehingga,
σY σ
E (Y | X = x) = ( µ Y − ρ µX ) + ρ Y x
σX σX
σY
E (Y | X ) = µ Y + ρ (x − µ X )
σX
Demikian juga ekspektasi dengan syarat , yang merupakan

fungsi linier dari yaitu :
σX
E (Y | Y = y ) = µ X + ρ ( y − µY )
σY
30
2.8 VARIANSI BERSYARAT

| : fungsi dari X
E[(Y − E (Y | X )) 2 | X = x]
h( x) = ∫ (Y − E (Y | X )) f (Y | X )dy = ∫ (Y − µ Y − ρ
∞ ∞
σY
( x − µ X )) 2 f (Y | X )dy
−∞ −∞
σX
h( x) = ∫ (Y − µ Y − ρ
∞
σY f ( x, y )
( x − µ X )) 2 dy
−∞
σX f ( x)
∫ h( x) f ( x)dx = ∫ ∫ (Y − µ
∞ ∞ ∞
σY f ( x, y )
Y −ρ ( x − µ X )) 2 dy
−∞ − ∞− ∞
σX f ( x)
E (h( x)) = ∫ ∫ (Y − µ Y ) − 2 ρ Y (Y − µ Y )( X − µ X ) + ρ 2 Y 2 E ( X − µ X ) 2
∞ ∞
σ σ
2
2
− ∞− ∞
σX σX
σY σ
2
E (h( x)) = E (Y − µ Y ) 2 − 2 ρ E (Y − µ Y )( X − µ X ) + ρ 2 Y 2 E ( X − µ X ) 2
σX σX
σ σ
2
E (h( x)) = σ Y − 2 ρ Y ρσ X σ Y + ρ 2 Y2 σ X2
2
σX σX
E (h( x)) = σ Y (1 − ρ 2 ) ≥ 0
2
1− ρ 2 ≥ 0
ρ2 ≤1
−1 ≤ ρ ≤ 1
Contoh 9
Diberikan X dan Y dua peubah acak yang memiliki fkp bersama sbb
1 ; 0 < y < 2 x,0 < x < 1
f ( x, y ) = 
0
Hitung koefisien korelasi dari X dan Y.
Penyelesaian
ଵ , 1 2
ଶ௫
1
଴
ଶ , 1 1
2
ଵ
భ
మ
௬
31
• Fkp marjinal X
2 x ; 0 < x < 1
f 1 ( x, y ) = 
0
2
. 2
ଵ
3
଴
1
ଶ ଶ . 2
ଵ
1 4 1
଴
ଵଶ ଶ ଶ
2 9 18
• Fkp marjinal Y
 1
1 − y ; 0 < y < 2
f 2 ( x, y) =  2
0
1 2
. 1
ଶ
2 3
଴
1 2
ଶ ଶ . 1
ଶ
2 3
2 4 1
଴
ଶଶ ଶ ଶ
3 9 9
1
. 1
ଵ
2
ଶ௫
Jadi , . ଶ . ଵ଼
଴
ଵ ଶ ଶ ଵ
ଷ ଷ
Koefisien korelasi X dan Y

1
cov(X, Y) 18 1
ρ= = = 2
τ 1τ 2 1 1 2
18 9
2.8 BEBAS STOKASTIK

Misal dan adalah 2 peubah acak dengan fungsi kepadatan
gabungan , dan fungsi kepadatan marginalnya dan .
32
| merupakan fkp bersyarat dengan syarat sehingga dapat

dinyatakan
, | ................................................................. (i)
apabila tak bergantung pada
= ∫ f ( x, y)dy
∞
−∞
∫ f ( x | y) f ( y)dy
∞
=
−∞
= f ( x | y ) ∫ f ( y )dy
∞
= f ( x | y ) ………………………………………………………………………………(ii)
−∞
Substitusikan (ii) ke dalam (i) sehingga didapat

f ( x, y) = f ( x). f ( y)
Definisi 2.11
Misal dan adalah 2 peubah acak dengan fungsi kepadatan
gabungan , dan fungsi kepadatan marginalnya dan
dengan
f ( x, y) = f ( x). f ( y)
maka dan dikatakan bebas stokastik.
Contoh 10
Diketahui suatu fkp

1 ! 3 , 0 # # 2; 0 # # 1 )
,
0 , , %& '(%
Tentukan :
a. dan
b. )|
c. Apakah X dan Y bebas stokastik?
33
Penyelesaian
a. * 1 ! 3 , 0 # # 2

* 1 ! 3 2 1 ! 3 , 0 # # 1

b. )| , 0 # # 2
,
c. Terlihat bahwa )| sehingga dapat disimpulkan bahwa X

dan Y bebas stokastik.
Contoh 11
Dua bola dipilih secara acak dari sebuah kotak yang berisi 3 bola
warna biru, 2 merah, dan 3 hijau. Bila X menyatakan banyaknya
yang berwarna biru dan Y menyatakan warna merah yang terpilih.
Tunjukkan bahwa peubah acaknya tidak bebas stokastik!
Penyelesaian
,

0 1 2
0
3 9 3 15
28 28 28 28
1 0
3 3 3
14 14 7
2 0 0
1 1
28 28
1
5 15 3
14 28 28
Pandang titik (0,1). Dari tabel di atas diperoleh ketiga peluang

0,1, & 0 dan h(1),yaitu
34
3
f (0,1) =
14
g (0) = ∑ f (0, y ) =
2
3 3 1 5
+ + =
y =0 28 14 28 14
h(1) = ∑ f ( x,1) =
2
3 3 3
+ +0 =
x =0 14 14 7
Jelas, 0, 1 + & 0, 1
Jadi, dan tidak bebas stokastik.
Definisi 2.12
Misalkan X 1, X 2 , ..., X n adalah % peubah acak, diskrit maupun
kontinu, dengan distribusi peluang gabungan f ( X 1, X 2 , ..., X n ) dan
distribusi marginal masing-masing f ( X 1 ), f ( X 2 ),..., f n ( X n ). Peubah
acak X 1, X 2 , ..., X n dikatakan saling bebas stokastik jika dan hanya
jika
f ( X 1, X 2 , ..., X n ) = f ( X 1 ), f ( X 2 ),..., f n ( X n )
untuk semua ( X 1, X 2, ..., X n ) dalam daerah definisinya.
Contoh 12
Misalkan lamanya kadaluarsa (dalam tahun), sejenis makanan

dalam kotak sebelum rusak merupakan peubah acak yang fungsi
kepadatan peluangnya berbentuk :
e − x , x > 0
f ( x) = 
0
Misalkan X 1 , X 2 , dan X 3 menyatakan lamanya kadaluarsa tiga
kotak dari makanan kemasan ini yang dipilih secara acak dan
hitunglah - ଵ # 2; 1 # ଶ # 3; ଷ . 2.
35
Penyelesaian
Karena kotak dipilih secara acak (bebas), maka dapat dianggap

bahwa peubah acak X 1 , X 2 , dan X 3 bebas stokastik dengan peluang
kepadatan peluang gabungan
f ( x1 , x2 , x3 ) = f ( x1 ) f ( x2 ) f ( x3 )
= e − x1 e − x2 e − x3
= e − x1 e − x2 e − x3 x1 > 0 , x2 > 0 , x3 > 0
dan f ( x1 , x2 , x3 ) = 0 untuk nilai yang nilainya. Sehingga:
ଵ 2; 1 ଶ 3; ଷ 2
= ∫∫ ∫ e − x1 e − x2 e − x3 dx1dx2 dx3
∞3 2
2 1 0
= (1 − e −2 )(e −1 − e −3 )e −2
= 0,0376
Teorema 2.7
dan merupakan Peubah Acak dengan fkp bersama f ( x, y )
dan Bebas Stokastik jika dan hanya jika f ( x, y ) dapat
dinyatakan sebagai hasil kali dari fungsi non negatif dari X dan Y
Artinya f ( x, y) = g ( x)h( y ) dengan g ( x), h( y ) ≥ 0
Teorema 2.8
Jika X dan Y bebas stokastik, maka
,

.
Teorema 2.9
Jika dan peubah acak bebas stokastik,
dan
fungsi
dari dan serta
dan
ada, maka

.

36
2.9 FUNGSI PEMBANGKIT MOMEN GABUNGAN
Definisi 2.13
Misal h1,h2 : Bilangan riil positif
Jika M X ,Y (t1 , t2 ) = E[ e 1 ] ada ∀t1 ,t2 dimana − h1 < t1 < h1 dan

t X + t 2Y
− h2 < t2 < h2
maka M X ,Y (t1 , t 2 ) adalah fungsi pembangkit momen gabungan
dari X dan Y,yakni: M X (t1 ,0) = E[et1 X ] = M X (t1 )
M Y (t 2 , 0 ) = E [ e t 2 Y ] = M Y (t 2 )
Momen-momennya dapat dicari sebagai berikut :
∂M (0,0) ∂M (0,0)
• µ1 = E ( X ) = dan µ 2 = E (Y ) =
∂t1 ∂t 2
∂ 2 M (0,0) ∂M (0,0) 2
• τ 12 = E ( X 2 ) − E ( X ) 2 = −
∂t1
2
∂t1
∂ 2 M (0,0) ∂M (0,0) 2
• τ 22 = E (Y 2 ) − E (Y ) 2 = −
∂t 2
2
∂t 2
• cov(X , Y ) = E ( XY ) − E ( X ) E (Y )
Contoh 13
Dua peubah acak X dan Y memiliki fkp bersama sbb:
e − y ;0 < x < y <~
f ( x) = 
0
Tentukan fpm bersama X dan Y
M (t1 , t 2 ) = ∫ ∫ e (t1x+t2 y ) f ( x, y )dydx

∞∞
0 x
= ∫ ∫ e ( t1x +t2 y ) e − y dydx

∞∞
0 x
= (1 − t 2 ) −1 (1 − t1 − t 2 ) −1
37
Teorema 2.10
X dan Y dua peubah acak dengan fungsi distribusi gabungan
f(x,y) , fungsi kepadatan peluang marginal masing-masing f(x)
dan f(y) serta fungsi pembangkit moment gabungan M X ,Y (t1 , t2 ) .
Jika X dan Y bebas stokastik maka M X ,Y (t1 , t 2 ) = M X (t1 ,0) M Y (0, t 2 )
Bukti:
i. Dari ruas kiri ke ruas kanan
M X ,Y (t1 , t 2 ) = E (et1 X +t2Y )

= E (e t1X ) E (et2Y )
= M X (t1 ,0) M Y (0, t 2 )
ii. Dari ruas kanan ke ruas kiri
M X (t1 ,0) = ∫ e t1x f ( x)dx , M Y (0, t 2 ) = ∫ et2 y f ( y )dy

∞ ∞
−∞ −∞
M X (t1 ,0) M Y (0, t 2 ) = ∫ e t1x f ( x)dx ∫ et2 y f ( y )dy

∞ ∞
−∞ −∞
= ∫∫
t1x +t2 y
e f ( x, y )dxdy
Ω
= M X ,Y (t1 , t 2 )
38
SOAL LATIHAN
1. dan adalah peubah acak kontinu dengan fkp gabungan

,
, 0 1 dan bernilai nol untuk dan
yang lain.
Dapatkan nilai dari:
a. Konstanta k
b. ଵ dan ଶ
c. FDK gabungan ,
d. | dan |
e.
2. dan adalah peubah acak kontinu dengan fungsi distribusi
kumulatif gabungan sebagai berikut
0 , 0, 0
0.5 , 0 1, 0 1

, 0.5 1 , 0 1, 1
0.5 1 , 1 . 0 1

1 , 1 , 1
Tentukan:
a. Fungsi kepadatan peluang gabungan
b. Apakah dan bebas stokastik? Jelaskan.
c.
d. |
e. |
f. Cov2, 2
3. dan peubah acak yang mempunyai distribusi gabungan
uniform pada A di mana daerah A berada pada koordinat (0,0),
(2,0), (2,2) dan , ! jika , " #. Tentukan :
a. Nilai C dan tulis ulang fungsi kepadatan peluang gabungan..
b. |
c. |
d. $%& , 3
39
4. Sisa umur suami dan istri saling bebas stokastik dan

berdistribusi Uniform pada interval 0,40. Perusahaan asuransi
menawarkan 2 produk untuk pasangan suami istri yaitu yang
pertama pembayarannya ketika suami meninggal dan yang
kedua ketika suami istri meninggal. Hitung kovariansi dari
kedua waktu pembayaran tersebut.
5. dan adalah peubah acak kontinu dengan fungsi kepadatan
peluang gabungan , 60 ଶ jika 0 , 0 , 1, dan
bernilai nol untuk selainnya.
a. Dapatkan fungsi kepadatan marginal dari .
b. Dapatkan |
c. Dapatkan |
d. Dapatkan * 0.1| 0.5
6. Dua kartu diambil secara acak tanpa pengembalian dari 52
kartu remi. Jika adalah banyaknya kartu hati dan adalah
banyaknya kartu berwarna hitam yang diperoleh.
a. Tentukan fungsi kepadatan peluang gabungan, ,
b. Dapatkan fungsi kepadatan peluang marginal dan
c. Apakah dan bebas stokastik? Jelaskan.
d. Dapatkan 1| 1
e. Susunlah +; + 0,1,2.
7. Jika X dan Y adalah dua peubah acak dan a dan b adalah
konstanta, buktikan bahwa:
a. Var (X+a) = Var (X)
b. Var (Y+b) = Var (Y)
c. Cov [(X+a), (Y+b)] = Cov (X,Y)
8. Distribusi gabungan dari X dan Y adalah sebagai berikut
X = -2 X = -1 X=0 X=1 X=2
Y = 10 0.09 0.15 0.27 0.25 0.04
Y = 20 0.01 0.05 0.08 0.05 0.01
40
a. Dapatkan distribusi marginal dari X dan Y.

b. Dapatkan distribusi bersyarat dari X jika diketahui y = 20.
 2 
9. Jika f ( x, y) =   xy, x , y = 1,2,..., n (i. e., discrete var iables) .
2
 n(n + 1) 
Apakah X dan Y independent?
10. Fungsi kepadatan peluang dari peubah acak X adalah
 x
f ( x) = exp  −  , x > 0 . Dapatkan probabilitas dari 1 < x < 2.
1
2  2
41
Statistika Matematika / Distribusi Fungsi PA Universitas Brawijaya 2014
BAB III
DISTRIBUSI FUNGSI PEUBAH ACAK
Dalam metode statistika baku, hasil dari uji hipotesa dan

penaksiran tidak lagi memuat satu peubah acak melainkan suatu
fungsi yang terdiri satu atau lebih peubah acak.
Misalkan X 1 , X 2 ,..., X n adalah peubah acak yang mempunyai
fungsi kepadatan gabungan f ( x1 , x2 ,..., xn ) . Misalkan Y adalah suatu
peubah acak fungsi dari X 1 , X 2 ,..., X n atau dapat ditulis sebagai
Y = u ( X 1 , X 2 ,... X n ) . Suatu fungsi dari X 1 , X 2 ,..., X n dalam statistika
inferensi disebut statistik. Jadi, statistik adalah fungsi dari satu

atau beberapa peubah acak yang tidak tergantung parameter yang
tidak diketahui.
Contoh : Y = ∑ X i
n
i =1
Peubah acak X 1 , X 2 ,..., X n disebut sampel acak dari peubah
acak yang bebas stokastik dan mempunyai fkp . Sementara

itu, distribusi sampling adalah distribusi peubah acak yang
merupakan fungsi dari sampel acak (statistik). Walaupun statistik
tidak tergantung parameter tetapi mungkin distribusinya yang
tergantung parameter.
Distribusi dari peubah acak diketahui tetapi parameternya
tidak diketahui. Untuk mendapatkan informasi parameter ini
diambil sampel acak ukuran dari distribusi tersebut.
X 1 , X 2 ,..., X n adalah sampel acak ukuran yang bebas
stokastik dan identik dengan fungsi kepadatan peluang .

Misalkan didefinisikan suatu statistik
ଵ , ଶ , … , ௡ yang
mempunyai fungsi kepadatan peluang . Dari fungsi kepadatan
peluang ini dapat ditunjukkan bahwa melalui peluang akan
mendekati parameter yang tidak diketahui. Bila percobaan diulang
42
berdasar kondisi yang sama, maka X 1 = x1 , X 2 = x 2 ,..., X n = xn
sehingga
ଵ , ଶ , … , ௡ adalah bilangan yang diketahui. Teori
mengenai distribusi fungsi peubah acak membahas pencarian
distribusi apa yang ada pada sampel acak, misalnya mean atau
variansi.
Terdapat 3 metode untuk mendapatkan distribusi fungsi

peubah acak yaitu :
1. Teknik Fungsi Distribusi Kumulatif (FDK)
2. Teknik Fungsi Pembangkit Moment (FPM)
3. Teknik Transformasi Variabel (Jacobi)
3.1 TEKNIK FDK
Jika diketahui suatu peubah acak X yang mempunyai

Fungsi Distribusi Kumulatif dan terdapat suatu statistik
Y = u ( X 1 , X 2 ,...X n ) maka selanjutnya dapat dicari fungsi kepadatan
peluang dari melalui FDK dari . Adapun langkah langkahnya

sebagai berikut :
• Menentukan domain dari dimisalkan , dimana dipengaruhi

oleh yaitu domain dari .
• Mendapatkan fungsi distribusi komulatif dari
• Mendapatkan fungsi distribusi kumulatif dari
F ( y ) = P (Y ≤ y ) = P (u ( X 1 , X 2 ,...X n ) ≤ y )
• Mendapatkan fungsi kepadatan peluang dari .

dF ( y )
f ( y) =
dy
Karena f (y) diketahui maka Y dapat ditentukan distribusinya.
Teknik FDK biasanya dipakai apabila peubah acaknya adalah

peubah acak kontinu.
43
Teorema 3.1
, … , peubah acak kontinu dengan fungsi kepadatan
peluang gabungan 1 , … , . Jika
maka
௒
# $

… 1 , … , 1 …
஺೤
dengan ௬
%| '(.
Contoh 1.
Jika diketahui peubah acak berdistribusi seragam (-1,1). Suatu

statistik
ଶ . Dapatkan fungsi kepadatan peluang dari .
Penyelesaian
• Domain adalah antara -1 sampai 1, dengan demikian

domain bagi
adalah 0,1.
• Mendapatkan fungsi distribusi kumulatif dari X
1
f ( x) = − 1< x < 1
2
0 lainnya
௫
1 1

1, 1 1
2 2
ିଵ
• Mendapatkan fungsi distribusi kumulatif dari .

ଶ

௑ ௑
1 1

1 ! 1 "
2 2

, 0 1.
44

dG ( y ) 1
g ( y) = = 0 < y <1
dy 2 y
Contoh 2
suatu peubah acak dengan fungsi kepadatan peluang

2, 0 1 dan bernilai nol untuk selainnya. Suatu statistik
)
3 – 1, tentukan fungsi kepadatan peluang dari ).
Penyelesaian
• Domain dari ) akan dipengaruhi daerah dari . Batas bawah untuk

adalah 0 sehingga batas bawah untuk adalah 3(0) – 1 = -1,
sedangkan batas atas untuk adalah 1 sehingga batas atas untuk
adalah 3(1) – 1 = 2. Sehingga ) akan bernilai 0 untuk 1
atau + 2.

௫

2
ଶ , 0 1
଴
• Mendapatkan fungsi distribusi kumulatif dari )

)

3 1
1

, -
3
1

௑ , -
3
1 ଶ

, -
3
0 , 1
ଶ
1

., - , 1 2'
3
1 , +2
45
• Mendapatkan fungsi kepadatan peluang dari ).

1 ଶ
/ 0 2

3
1
9
2
1, 1 2 '

2 9
0 , selainnya
Contoh 3
berdistribusi Uniform (0,1) dan suatu statistik

௡ .
Dapatkan fungsi kepekatan peluang dari Y
Penyelesaian
• Domain adalah antara 0 sampai 1, demikian juga dengan

domain bagi
adalah 0,1.
௫

1
, 0 1
଴
• Mendapatkan fungsi distribusi kumulatif dari .

௡
ଵ

, ௡ -
ଵ

௑ , ௡ -
ଵ

௡ , 0 1.

భష೙
ଵ

௡ ೙ , 0 1.
46
3.2 TEKNIK FPM
Jika diketahui suatu peubah acak X yang mempunyai
Fungsi Pembangkit Momen M X (t ) = E (e tX ) .

Untuk mendapatkan distribusi dari statistik
Y = u ( X 1 , X 2 ,...X n ) dilakukan dengan cara sebagai berikut :
M Y (t ) = E (e tY ) = E (e tu ( X , X 1 2 ,... X n )
).
Dari hasil FPM untuk di atas diharapkan hasilnya merupakan
fungsi pembangkit momen dari distribusi yang sudah kita kenal.
SIFAT- SIFAT FPM

Sifat fpm dari kombinasi linier suatu peubah acak yang bebas
stokastik yang akan dipakai dalam cara ini adalah
1. Bila X dan Y peubah acak yang bebas stokastik maka

M aX +bY +c (t ) =M X ( at ) M Y (bt ) e ct
2. Bila X 1 , X 2 ,..., X n adalah peubah acak yang bebas stokastik
Caradan
ini sering dipakai untuk permasalahan yang menyangkut
Y =∑
kombinasi linier peubah acak bebas
ai X i maka M y (t ) stokastik.
n
= Π M X i ( ai t )
i =1
Contoh 5
Jika X ~ N ( µ , σ 2 ) . Dapatkan distribusi dari Z =

X −µ
σ
Penyelesaian
X ~ N (µ ,σ 2 )
1
µt + t 2σ 2
M X (t ) = e 2
47
M Z (t ) =M X µ (t )
−
σ σ
µ
t − t
= MX( ) .e σ
σ
µ t t2
− t µ + 2σ 2
= e σ e σ σ
1 2
t
= e2
Sehingga terlihat bahwa Z~ N(0,1)
Contoh 6
Diketahui X ~ B( n1 , p ) dan Y ~ B( n2 , p ) bebas stokastik.
Dapatkan distribusi dari Z = X + Y
Penyelesaian
M X (t ) = ( pe t + q ) n 1
M Y (t ) = ( pe t + q ) n 2
M Z (t ) = M X +Y (t ) = M X (t ) M Y (t )
= ( pe t + q) n ( pe t + q) n
1 2
= ( pe t + q) n + n 1 2
Terlihat bahwa Z ~ B( n1 + n2 , p )
Contoh 7
Misalkan X1, X2, ..., Xn adalah peubah acak yang bebas stokastik
dengan fungsi kepadatan peluang
 1 − xi / θ
 e xi > 0
f X i ( xi ) = θ
,
 0, selainnya
Tentukan fungsi kepadatan dari suatu statistik ܷ ൌ ܺଵ ൅ ܺଶ ൅ ‫ ڮ‬൅ ܺ௡ .
48
Penyelesaian
Fungsi kepadatan peluang dari U dapat diperoleh melalui metode

fungsi pembangkit momen dari U. Sebelumnya dicari dulu fungsi
pembangkit momen dari Xi
( ) ∫e f X i ( xi ) dxi = ∫ etxi
∞ ∞
1 − xi / θ
mX i (t ) = E etX i = txi
e dxi
−∞ 0
θ
= ∫ e− xi (1−θ t ) / θ dxi = −
1 θ
∞ ∞
1
e − xi (1−θ t ) / θ
0
θ θ (1 − θ t ) 0
=0+ = = (1- θt)-1

1 1
(1 − θ t ) (1 − θ t )
sehingga ௎ ௑భ ௑మ … ௑೙ 1 ି௡ .
௎ 1 ି௡ identik dengan fungsi pembangkit momen dari
keluarga Gamma dengan α = n dan β = θ sehingga fungsi
kepekatan peluang untuk U adalah
 1

fU (u ) =  Γ(n)θ n
( u n−1e−u /θ ) , u > 0

 0, selainnya
Contoh 8
Misalkan Z adalah peubah acak yang menyebar normal dengan

rata – rata 0 dan ragam 1. Gunakan fungsi pembangkit momen
untuk mencari distribusi peluang bagi Y=Z2
Penyelesaian
 1 − z2 / 2
 , −∞ ≤ z ≤ ∞
f Z ( z ) =  2π
e

 0, selainnya
∫e ∫e dz = ∫
∞ ∞ ∞
f Z dz =
tZ 2 tz 2 tz 2 1 − z2 / 2 1 ( − z 2 / 2)(1− 2t )
mZ 2 (t ) = E (e ) = e e dz
−∞ −∞ 2π −∞ 2π
∫
∞
=
1 − z 2 / 2(1− 2t )−1
e dz
−∞ 2π .
49
proporsional dengan dengan fungsi kepadatan

1 − z 2 / 2(1− 2t )−1
e
2π
peluang normal untuk peubah acak dengan rata – rata 0 dan
ragam (1-2t)-1. Untuk membuat adalah fungsi

1 − z 2 / 2(1− 2t )−1
e
2π
kepekatan peluang normal, kalikan dengan , maka

(1 − 2t ) −1/ 2
(1 − 2t ) −1/ 2
mZ 2 (t ) = (1 − 2t ) ∫
∞
dz =(1-2t)-1/2(1) = (1-2t)-1/2.
−1/ 2 1 2
/ 2(1− 2 t ) −1
e− z
2π (1 − 2t )
−1/ 2
−∞
mZ 2 (t ) identik dengan fungsi pembangkit momen untuk fungsi
kepadatan keluarga Gamma dengan α = ½ dan β= 2 sehingga Z2

memiliki sebaran khi-kuadrat dengan derajat bebas 1 dengan
fungsi kepadatan peluang Y= Z2 adalah
 y −1/ 2 e− y / 2
 y≥0
fY ( y ) =  Γ(1/ 2)21/ 2
,

 0, selainnya
3.3 TEKNIK TRANSFORMASI

Memakai teknik ini perlu diperhatikan tipe dari peubahnya
apakah peubah acak diskrit atau kontinu , banyaknya peubah yang
menentukan fungsi dan ada tidaknya transformasi satu satu dari
fungsinya.
3.3.1 TRANSFORMASI SATU-SATU

dapat diselesaikan dengan tunggal yaitu .
Kasus Diskrit
Teorema 3.2
ܺ peubah acak diskrit, adalah transformasi satu-satu,
maka fungsi kepadatan peluang dari Y adalah
௒ ௑ ,

dengan |௒ 0
50
Bukti.
௒ PY y Pux y Px wy ௑
Contoh 9
Misalkan ~ dan ! 1. Dapatkan fungsi kepadatan
peluang dari .
Penyelesaian.
௑ # ௫ିଵ , 1, 2, 3, …
! 1 maka domain dari adalah 0, 1, 2, …
! 1 dan ' 1 sehingga
௒ ௑ ௑ ' 1 # ௬ , 0, 1, 2, ….
Kasus Kontinu
Teorema 3.3
ܺ peubah acak kontinu dengan fungsi kepadatan peluang ௑
dan adalah transformasi satu-satu dari A |௑ 0
ke B |௒ 0 dengan invers transformasi . Jika
ௗ
ௗ௬
kontinu dan tidak nol di B, maka fungsi kepadatan
peluang dari Y adalah

)
௒ ௑ ( ( ,

)
Contoh 10
Peubah Acak X berdistribusi seragam (0,1 )

Dapatkan fkp dari Y = -2 ln X
Penyelesaian
Y
Y = -2 ln X maka
−
X =e 2
51
y
dx 1 − 2
j= = e
dy 2
y
−
g ( y ) = f (e ) j
2
y
1 −
= 1 e 2 0< y <∞
2
Y ~ χ (2)
Contoh 11
Misalkan X mempunyai fungsi kepadatan peluang

 2 x, 0 ≤ x ≤ 1
f ( x) = 
 0, selainnya
Bila U = 3X – 1, tentukan fungsi kepekatan peluang dari U dengan
menggunakan metode transformasi
Penyelesaian
U +1
• fungsi invers X =
3
 u +1 
)/) = d   /du = 1/3
 3 
•
 u +1  1 2
fU (u ) = f X ( h −1 (u ) ) = 2  = ( u + 1)
dx
 3 3 9
•
du
2
 ( u + 1) , −1 ≤ u ≤ 2
fU (u ) =  9
 0, selainnya
3.3.2 TRANSFORMASI TIDAK SATU-SATU
Andaikan bukan transformasi satu-satu terhadap A

|௑ 0 maka tidak terdapat penyelesaian tunggal. A
mempunyai partisi +ଵ , +ଶ , … yang saling disjoint sedemikian hingga
transformasi satu-satu terhadap +௝ . Jadi, dalam tiap dalam
range , persamaan mempunyai penyelesaian tunggal
௝ ௝ terhadap himpunan +௝ .
52
Kasus Diskrit
௒ , ௑ ௝ , ௑ ௝

௝ ௝
Kasus Kontinu
)
௒ , ௑ ௝ ( (
)
௝
3.3.3 TRANSFORMASI BERSAMA
Kasus Diskrit
Teorema 3.4
Jika ܺ peubah acak diskrit dengan fungsi kepadatan peluang
௑ ଵ , ଶ , … , ௞ dan adalah transformasi satu-satu, maka
fungsi kepadatan peluang bersama dari Y adalah
௒ ଵ , ଶ , … , ௞ ௑ ଵ , ଶ , … , ௞
dimana ଵ , ଶ , … , ௞ adalah penyelesaian dari .
Kasus Kontinu
Teorema 3.5
Jika ܺ peubah acak kontinu dengan fungsi kepadatan peluang
௑ ଵ , ଶ , … , ௞ 0 pada A dan ଵ , ଶ , … , ௞ didefinisikan dengan
transformasi satu-satu ௜ ௜ ଵ , ଶ , … , ௞ , < 1, 2, … , = maka fungsi
kepadatan peluang bersama dari Y adalah
௒ ଵ , ଶ , … , ௞ ௑ ଵ , ଶ , … , ௞ |.|
dimana ଵ , ଶ , … , ௞ adalah penyelesaian dari .
8ଵ 8ଵ
9
78ଵ 8௞ 7
Jacobian . : ; :
78 8௞ 7
௞
…
8ଵ 8௞
53
Contoh 12
Jika X1, X 2 sampel acak berdistribusi eksponensial dengan fungsi
kepadatan peluang f ( x) = e − x x > 0 0 selainnya. Suatu
X1
transformasi Z= , W = X2. Tentukan fungsi kepadatan
X2
peluang dari Z.
Penyelesaian
f ( x1, x2 ) = e− ( x + x
1 2
)
x1 , x2 > 0
X1
Invers dari Z= , W = X2 adalah X 1 = ZW , X 2 = W
X2
yang merupakan fungsi 1 – 1.
J = wz =w
0 1
g ( w, z ) = e − ( zw + w) w = we − ( z +1) w z,w >0

0 lainnya
g ( z ) = ∫ we − ( z +1) w dw .
∞
Menggunakan subtitusi 1,

1
g ( z) = 2 ∫
ue du = Γ ( 2) =
1 ∞ −u 1 1
( z + 1) 0 ( z + 1) 2
( z + 1) 2
54
3.3.4 BEBERAPA DISTRIBUSI YANG BERPERAN DALAM

STATISTIKA INFERENSI
Beberapa distribusi yang banyak berperan dalam statistika

inferensi antara lain distribusi Normal , distribusi Khi Kuadrat ,
distribusi t dan distribusi F.
Teorema 3.6
X −µ
X ~ N ( µ ,σ ) → Y = 
2

 σ 
2
~ χ 2 (1)
Bukti :
Misalkan Z = ( X − µ ) 2 / σ 2 dengan peubah acak Z berdistribusi normal
baku
1 −z 2 2
f ( z) = e −∞ < z < ∞
2π
Sekarang dicari distribusi peubah acak Y = Z 2 . Kebalikan y = z 2
adalah z = ± y . Nyatakanlah z1 = − y dan z 2 = y maka J 1 = −

1
y
2
dan J 2 = y . Karena bukan merupakan transformasi satu-satu,

1
2
diperoleh
1 − y / 2 −1 1 −y / 2 1
g ( y) = e + e
2π 2 y 2π 2 y
= y > 0.
1 1 −1 − y
2 2
y e
21 / 2 π
Karena g(y) fungsi padat maka 1 =

1 1 −1 − y
2 2
y e dy
2 1/ 2
π
∫
Γ( 1 ) ∞ 1 −1 − y
= 2 1 2
y e 2 dy
π 0 21 / 2 Γ( 1 )
2
Γ( 1 )
= 2 .
π
55
Dengan integral menyatakan luas di bawah kurva peluang
gamma dengan parameter α = 1 dan β = 2 . Karena itu π = Γ( 1 )

2 2
dan distribusi peluang Y diberikan oleh

 y>0
1 1 −1 − y
g ( y ) =  21 / 2 Γ(1 / 2)
2
y e 2
0
 lainnya
Yang ternyata adalah distribusi khi-kuadrat dengan derajat

kebebasan 1 atau χ 2 (1) .
Teorema 3.7
Jika Z dan Y 2 peubah acak bebas stokastik dimana Z ~ N(0,1)

dan Y ~ χ2(r) maka
~ student t dengan derajat bebas r

Z
T =
Y
r
 r + 1
Γ 
 2 
r +1
f T (t ) = (1 + ) 2 − ∞ <t < ∞ r = 1,2,3,...
t2 −
r
πr Γ 
r
2
Bukti :
Karena Z dan Y peubah acak bebas maka distribusi peluang
gabungannya diperoleh dengan mengalikan distribusi Z dan Y,
yaitu

 1 e− 2
z2 1 −y
 2π
y r 2 −1e 2
2 2 Γ ( r 2) −∞ < z < ∞

r
f ( z, y ) =  y>0


0 lainnya


56
Didefinisikan peubah acak kedua U=Y. Kebalikan (inversi) dari t=
dan u=y ialah z = t dan y=u. sehingga diperoleh jacobian :

z u
u r
r
u t
.
u
J= r 2 ur =
r
0 1
Transformasi di atas satu-satu, memetakan titik

{( z, y) − ∞ < z < ∞,0 < y < ∞} ke himpunan {(t , u) − ∞ < t < ∞,0 < u < ∞}.
Dengan menggunakan Teorema 3.5, diperoleh distribusi peluang
gabungan T dan U, sebagai berikut :
  
 −{( ) 1+ ( ) }
u t2
 −1 2  r 
− ∞ < t < ∞,0 < u < ∞
r
 
g (t , u ) = 
1 2 e u
u
 2π 2 2 Γ( )
r r r lainnya

0
2
Integralkan terhadap u, maka diperoleh distribusi t
h(t ) = ∫ g (t , u )du
∞
 
−{( ) 1+ ( ) }
u t2
∞ 2  r 
= ∫ u [(r +1) 2] −1e   du
1
r
2π 2 2 Γ( ) r
0 r
2
u  t 2 
z= 1+ dan du = sehingga diperoleh
2dz
2  r  t2
1+
r
[(r +1) / 2]−1
   
∞ 2 z  −z  
h(t ) = ∫   2 
1 2
2π 2 2 Γ( ) r 0  1 + t r  1 + t 
e dz
  r 
r r 2
=
1
(1 + t r )
2
∫z
−[( r +1) / 2 ] ∞
[( r +1) / 2 ]−1
e − z dz
πr Γ( )
r 0
2
57
Γ[(r + 1) / 2]  t 2 
−[(r +1) / 2]
h(t ) = 1 + r  −∞ <t < ∞
r  
πr Γ ( )
2
Ini dikenal dengan distribusi T dengan derajat kebebasan ‫ݎ‬.
Teorema 3.8
Jika X dan Y adalah peubah acak saling bebas dimana X ~ χ2 (r1 )

dan Y ~ χ2 (r2 ) maka peubah acak
X
r
F = 1 ~ F ( r1 , r2 )
Y
r2
Bukti:
Distribusi peluang gabungan peubah acak bebas X dan Y
dengan diberikan oleh φ ( x, y ) = r ( x).s ( y )
Bila r(x) dan s(y) menyatakan, masing-masing distribusi X dan Y

maka
φ ( x, y ) =
1 1
x r1 / 2−1e − x / 2 r2 / 2 x r2 / 2−1e − y / 2
2 r1 / 2
Γ( r1 / 2) 2 Γ(r2 / 2)
 ( ) (
r / 2 −1 r / 2 −1 − ( x + y ) / 2 ) 0 < x < ∞,0 < y < ∞
 (r + r ) / 2
1
x 1 y 2
= 2
e
Γ(r1 / 2)Γ( r2 / 2)

1 2
0 lainnya
x
Misalkan peubah acak kedua W=Y. Kebalikan f = ( r 1 ) dan w=y
y
r2
adalah x = (r1 ) fw dan y = w. Dari sini diperoleh jacobiannya:
r2
( r1 ) w ( r1 ) f
= 1 w.
r
J= r2 r2
0 1 r2
58
Transformasi ini satu-satu, memetakan titik {( x, y) 0 < x < ∞,0 < y < ∞}
ke himpunan {( f , w) 0 < f < ∞,0 < w < ∞}. Dengan menggunakan
Teorema 3.5 maka diperoleh distribusi peluang gabungan F dan W
 0 < f < ∞,
 ( r1 + r2 ) / 2 ( 1 ) (r1 2 )−1 w (r2 / 2 )−1e − ( w / 2)[(r1 f / r2 ) +1]
1 r fw r1w
g ( f , w) =  2 Γ( r1 / 2)Γ(r2 / 2) r2 r2 0<w<∞

0 lainnya
Distribusi F kemudian diperoleh dengan mengambil distribusi

marginalnya, yakni:
h( f ) = ∫ g ( f , w)dw
∞
) r1 / 2 f r1 / 2 −1 ∞ [(r + r ) / 2] −1 − ( w 2 )[( 1 r ) +1]

r
(1 r f
= ∫w
r2
( r1 + r2 ) / 2
1 2 e 2 dw
2 Γ(r1 / 2)Γ(r2 / 2) 0
Ganti z = ( w )[(r1 f ) + 1] dan dw = [ 2 ]dz maka diperoleh

2 r2 ( r1 f r2 + 1)
∫
r1
( ) r1 / 2 f r1 / 2−1 ∞
h( f ) = ( r1 + r2 ) / 2
r2 2z 2
) ( r1 + r2 ) e − z
2 −1
( dz
2 Γ(r1 / 2)Γ(r2 / 2) 0 r1 f / r2 + 1 r1 f / r2 + 1
Γ(r1 / 2)Γ(r2 / 2)(1 + r1 f / r2 ) ( r1 + r2 ) / 2 ∫0

r1
) r1 / 2 f r1 / 2−1
( ∞
h( f ) =
r2
z ( r1 + r2 ) / 2−1e − z dz
 Γ[(r + r ) / 2]( r1 ) r1 / 2 f r1 / 2−1


=  Γ(r / 2)Γ(r / 2)(1 + r f / r ) ( r1 + r2 ) / 2 ,0 < f < ∞
1 2 r2

0
1 2 1 2
lainnya
Inilah yang dikenal dengan nama distribusi-F dengan derajat

kebebasan r1 dan r2 atau dapat disebut pula F ~ ( r1, r2 ) .
59
SOAL LATIHAN
1. ଵ dan ଶ menyatakan sampel acak ukuran dua dari distribusi
gamma, ௜ ~ 2, ଶ . Dapatkan fungsi kepadatan peluang dari

ଵ

௑భ .
௑
మ
2. Dua mahasiswa berencana untuk bertemu di perpustakaan

dalam waktu 1 jam. Waktu kedatangan mereka adalah bebas
stokastik dan berdistribusi acak dalam periode 1 jam tersebut.
Masing-masing setuju untuk menunggu selama 15 menit atau
sampai waktu perjanjian berakhir. Jika salah satu tidak muncul
selama periode waktu yang ditentukan maka mahasiswa yang
lain akan pergi. Berapa peluang bahwa kedua mahasiswa
tersebut akan bertemu?
3. Misalkan lamanya tahan hidup bolam baru berdistribusi
eksponensial dengan rata-rata 5 tahun. Seorang pemilik rumah
mempunyai dua bolam tersebut. Dia berencana untuk
menempatkan satu bolam di luar rumahnya dan untuk
menggantinya dengan bolam yang kedua jika bolam yang
pertama terbakar. Berapa peluang bolam akan menyala selama
setidaknya 15 tahun sebelum bolam yang kedua terbakar?
4. Misalkan X mempunyai fkp sebagai berikut
1
, 1 1
2
0, yang lain
Dapatkan fungsi kepadatan peluang untuk ଶ
5. Misalkan X adalah peubah acak dengan fkp 4 ଷ jika
0 1 dan bernilai nol untuk yang lain. Gunakan teknik
FDK untuk menentukan dari masing-masing peubah acak
berikut
a. ସ
b.
௑
60
c. ln
d. 0.5ଶ
6. Misalkan X adalah peubah acak yang berdistribusi uniform,
~ 0, 1. Gunakan teknik FDK untuk menentukan dari
masing-masing peubah acak berikut
a. ర
భ
b.
ି௑
c. 1 ି௑
d. 1
7. Misal Y1 ~Binomial(n1,1/2) dan Y2 ~Binomial (n2,1/2) . Gunakan
teknik FPM untuk menunjukkan bahwa X= Y1 –Y2 +n2
berdistribusi Binomial (n=n1+n2 , ½)
8. Misalkan X berdistribusi peluang
1 0 < x <1
f ( x) = 
0 untuk x yanglain
Gunakan fungsi pembangkit momen untuk menunjukkan bahwa

peubah acak Y = −2 ln X berdistribusi khi-kuadrat dengan derajat
kebebasan 2.
9. ଵ dan ଶ adalah sampel acak berukuran dua dari suatu

distribusi dengan fungsi kepadatan peluang ௫ మ , 1 ∞
ଵ

a. Dapatkan fungsi kepadatan peluang gabungan ଵ ଶ dan
" ଵ.
b. Dapatkan fungsi kepadatan marjinal dari .
10. ଵ dan ଶ adalah peubah acak yang mempunyai fungsi
kepadatan peluang gabungan sebagai berikut
భ మ , 0, 0
,
0, selainnya
61
c. Tentukan fungsi kepadatan peluang gabungan g ( y1 , y 2 ) dari
transformasi ଵ ଵ # ଶ dan ଶ ௑
௑భ
భ ା௑మ
d. Tentukan fungsi kepadatan marjinal dari ଶ yakni g ( y 2 ) .
62
Statistika Matematika / Orde Statistika Universitas Brawijaya 2014
BAB IV
ORDE STATISTIKA
X 1 , X 2 ,..., X n adalah sampel acak bebas ukuran ݊ dan
berdistribusi identik yang diambil dari suatu populasi dengan fungsi

distribusi komulatif Fx (x) . Orde statistika ke ‫ ݎ‬yakni ܻ௥ dari sampel
acak tersebut adalah nilai pada urutan ke ‫ ݎ‬apabila sampel acak

diurutkan mulai dari yang terkecil atau
Y1 ≤ Y2 ≤ .... ≤ Yr −1 ≤ Yr ≤ Yr +1 ≤ ... ≤ Yn dengan Y1 = min ( x1 , x 2 ,..., x n ) dan
Yn = maks ( x1 , x 2 ,..., x n ).
4.1 FUNGSI KEPADATAN PELUANG GABUNGAN ORDE-ORDE

STATISTIKA
Misalkan suatu transformasi dari peubah acak kontinu yang
tidak satu-satu. Jika X 1 , X 2 ,..., X n suatu sampel acak ukuran n yang
bebas dan berdistribusi identik dari suatu populasi dengan fungsi

distribusi Fx (x) .
• Mula-mula akan dicari fungsi kepadatan peluang bersama (joint

pdf) dari Y1 , Y2 ,…., Y n yakni g ( y1 , y 2 ,..., y n ) .
• Kembali ke sampel acak X 1 , X 2 ,..., X n yang masing-masing
memiliki fkp marginal f ( x1 ), f ( x2 ),.... f ( xn )
Misal A himpunan pasangan nilai dari sampel acak X 1 , X 2 ,..., X n
maka ada sejumlah n!. himpunan yang saling lepas:

A1 = {( x1 , x2 ,..., xn ); a < x1 < x2 < x3 .... < xn < b}
A2 = {( x1 , x2 ,..., xn ); a < x2 < x1 < x3 .... < xn < b}

A3 = {( x1 , x2 ,..., xn ); a < x1 < x3 < x2 .... < xn < b}.
.
.
A1 = {( x1 , x2 ,..., xn ); a < xn < xn−1 < xn−1.... < x1 < b}
63
Masing-masing dari himpunan Ai dikaitkan dengan orde statistika,
dengan demikian untuk A1 : x1 = y1 , x2 = y 2 ,..., xn = y n .
Menggunakan teknik transformasi peubah acak, terlihat

transformasi 1-1 dari A1 ke B1 . B1 =
{( y1 , y2 ,..., yn ); a < y1 < y2 < y3 .... < y n < b}
dan nilai dari
1 0 0 0 .... 0
0 1 0 0 .... 0
0 0 1 0 .... 0
J1 = . =1
.
.
0 0 0 0 .... 1
Untuk A2 : x1 = y 2 , x2 = y1 ,..., xn = y n
B2 = {( y1 , y 2 ,..., yn ); a < y 2 < y1 < y3 .... < y n < b}
dan nilai dari:

0 1 0 0 .... 0
1 1 0 0 .... 0
0 0 1 0 .... 0
J2 = . = −1
.
.
0 0 0 0 .... 1
Pencarian transformasi dilakukan hingga An! .
Dengan catatan bahwa nilai | | 1 sehingga fungsi kepadatan

peluang bersama dari Y1 , Y2 ,…., Y n didapat
g ( y1 , y 2 ,..., y n ) = ∑ J i f ( y1 ) f ( y 2 ).... f ( y n )
n!
i =1
g ( y1 , y 2 ,..., y n ) = n! f ( y1 ) f ( y 2 ).... f ( y n )
64
Teorema 4.1
Jika , , … , adalah sampel acak dari populasi dengan fungsi
kepadatan peluang kontinu
, maka fungsi kepadatan peluang
gabungan dari orde-orde statistika Y1 , Y2 ,…., Y n adalah
, , … , ! …
Jika … dan bernilai nol untuk selainnya.
Contoh 1
Misalkan , , merupakan suatu sampel acak ukuran 3 dari
suatu populasi dengan fungsi kepadatan peluang

2
, 0
1.
a. Tentukan fkp gabungan orde-orde statistika , ,
b. Dapatkan fungsi kepadatan peluang marginal dari
c. Hitung 0.1
Penyelesaian
a. , , 3! 2 2 2 48 , 0 1
b. 48 6 1 , 0 1

భ మ
c. 0.1 0.03

.
4.2 FUNGSI KEPADATAN PELUANG ORDE TERKECIL (Y1)
Untuk peubah acak diskrit dan kontinu, fungsi distribusi kumulatif

(FDK) dari orde terkecil dapat diperoleh langsung menggunakan
teknik FDK sebagai berikut
GY1 ( y1 ) = P (Y1 ≤ y1 ) = P (min( X 1 , X 2 ,..., X n ) ≤ y1 )
= 1 − P(min( X 1 , X 2 ,..., X n ) > y1 )

= 1 − [ P( X 1 > y1 )( X 2 > y1 )...P( X n > y1 )]
= 1 − [ P( X > y1 )]n
= 1 − [1 − P( X > y1 )]n
= 1 − [1 − FX ( y1 )]n
65
Apabila sampel acak X 1 , X 2 ,..., X n suatu peubah acak yang kontinu,
fungsi kepadatan peluang dari Y1 adalah turunan dari fungsi
distribusi komulatif Y1 :
dGY1 ( y1 )
g ( y1 ) = = n[1 − FX ( y1 )]n −1 f X ( y1 )
dy1
Untuk a< Y1 <b dan 0 selainnya.
4.3 FUNGSI KEPADATAN PELUANG ORDE TERBESAR (Yn)
Fungsi distribusi kumulatif dari Yn dapat dicari menggunakan teknik
FDK sebagai berikut:
GYn ( y n ) = P (Yn ≤ y n ) = P ( maks ( X 1 , X 2 ,..., X n ) ≤ y n )
= P( X 1 ≤ y n ) P( X 2 ≤ y n )....P( X n ≤ y n )
= [ P( X ≤ y n )]n
= [ FX ( y n )]n
Dengan demikian fungsi kepadatan peluang dari Yn adalah sebagai
berikut
dGYn ( y n )
f ( yn ) = = n[ FX ( y n )]n −1 f X ( y n )
dy n
Untuk a< y n <b dan 0 selainnya.
4.4 FUNGSI KEPADATAN PELUANG ORDE KE-k
Untuk mendapatkan fkp dari Yk yakni g ( y k ) dicari melalui integral
terhadap fkp gabungan dari Y1 , Y2 ,…., Y n :
∫ ... ∫ ∫ ... ∫ n!f ( y1 ) f ( y2 )... f ( yn )dy n ...dy k +1dy1...dyk −1

yK y2 b b
a a yK y n −1
66
dan bila diselesaikan akan diperoleh:

n!
g ( yk ) = [ FK ( y k )]k −1[1 − FK ( y k )]n− k f X ( y k )
(k − 1)!(n − k )!
Untuk a< y k <b dan 0 selainnya.
Teorema 4.2
Jika ଵ , ଶ , … , ௡ adalah sampel acak dari populasi dengan fungsi
kepadatan peluang kontinu 0 untuk
, maka fungsi
kepadatan peluang gabungan dari orde statistika ke-k, Y k ,
adalah sebagai berikut

n!
g ( yk ) = [ FK ( y k )]k −1[1 − FK ( y k )]n− k f X ( y k )
(k − 1)!(n − k )!
untuk
௞ dan bernilai nol untuk selainnya.
4.5 FUNGSI KEPADATAN PELUANG GABUNGAN DUA ORDE

STATISTIKA (Yi, Yj)
Untuk mencari joint pdf (fungsi kepadatan gabungan) dari dua

orde statistik Yi < Y j yakni g ( y i , y j ) adalah integral terhadap joint pdf
dari Y1 , Y2 ,…., Y n :
∫ ... ∫ ∫ ... ∫ ∫ ... ∫ n! f ( y ) f ( y )... f ( y

yi y2 y j yj b b
1 2 n )dyn ...dy j +1dy j −1...dy j +1dy1 ...dy j −1

a a yi y j −2 y j y n −1
Apabila diselesaikan diperoleh:
n!
g ( yi , y j ) = [ FX ( yi )]i −1[ FX ( y j ) − FX ( yi )] j −i −1[1 − FX ( y j )]n− j f ( yi ) f ( y j )
(i − 1)! ( j − i − 1)! (n − j )!
untuk a< yi < y j <b dan 0 selainnya.
67
Contoh 1
X1 dan X2 adalah sampel acak ukuran 2 yang mempunyai fungsi

kepadatan peluang
x
1 −100
f ( x) = e x>0 0 selainnya.
100
Misal Y= maks(X1 , X2) akan dicari fungsi kepadatan peluang dari Y
G(y) = P(Y≤ y) = P(maks(X1 , X2)≤ y)
= P(X1 ≤ y) P(X2 ≤ y) ( sifat kebebasan )

= P(X≤ y)2 ( sifat identik )
G(y) = [FX(y)]2
Sehingga :
y 1 − x   
G( y) =  ∫ e 100 dx  = 1 − e 100  2
y
−
2
 0 100   
  1 − y
g ( y) = = 2 1 − e 100 
y
dG ( y ) −
 
e 100
dy 100
y y
1
y>0
− −
g ( y ) = [1 − e 100 ]e 100
50
atau langsung memakai rumus :
dGYn ( y n )
f ( yn ) = = n[ FX ( y n )]n −1 f X ( y n )
dy n
dengan demikian :
  2 −1 1 − y
g ( y ) = = 2 1 − e 100  e 100 = [1 − e 100 ]e 100 y > 0
y y y
− 1 − −
  100 50
Misal Z= min(X1 , X2) akan dicari fungsi kepadatan peluang dari Z
G(z) = P(Z≤ z) = P(min(X1 , X2)≤ z)
68
G(z) = P(Z≤ z) = 1 - P[min (X1 , X2) > z)]
= 1 - [P(X1 > z) P(X2 > z)] ( sifat kebebasan )

= 1 - [P(X> z)]2 ( sifat identik )
= 1 - [ 1- P(X≤ z)]2
G(z) = 1 -[ 1 - FX(z)]2
Sehingga :
 z 1 − x  2  − z 2
G ( z ) = 1 − 1 − ∫ e 100 dx  = 1 − e 100 
 0 100   
 − z  1 − z
g ( z) = = 2e 100 
dG ( z )
  100
e 100
dz
z
1 −
g ( z ) = e 50 z>0
50
atau langsung memakai rumus :
dGY1 ( y1 )
g ( y1 ) = = n[1 − FX ( y1 )]n−1 f X ( y1 )
dy1
dengan demikian :
 − z  2 −1 1 − y
g ( z ) = = 2 e  = [e y>0
y y
1 −100 −100
 
100 e 100 ]e
100 50
Contoh 2
Misal Y1 , Y2 , Y3 adalah orde statistika dari sampel acak X berukuran
3 yang berdistribusi U(0,1). Jika Z1 jangkauan dari sampel acak ,

dapatkan fungsi kepadatan peluang dari Z1.
Penyelesaian
X ~ U(0,1)
f(x) = 1 0< x < 1
0 yang lain
69
F(x) = P(X ≤ x) = x
Fungsi kepadatan gabungan dari Y1 dan Y3 adalah

g13 ( y1 , y3 ) = 6( y3 − y1 ) 0 < y1 < y3 < 1 dan bernilai nol selainnya
Dari :
Z1= Y3 – Y1 , pandang transformasi z1 = y3 − y1 , z2 = y3
Invers dari transformasi tersebut adalah y1 = z2 − z1 , y3 = z2
Fungsi yang berkorespondensi 1-1 , sehingga
−1 1
J = =1
0 1
fungsi kepadatan peluang gabungan dari Z1 dan Z2 adalah :
h(z1,z2)=6z1|J| =6z1 0 < z1 < z 2 < 1
0 selainnya
fungsi kepadatan marginal untuk Z1 diperoleh melalui :
h( z1 ) = ∫ 6 z1dz2 = 6 z1 (1 − z1 ) 0 < z1 < 1

1
z1
0 selainnya
70
SOAL LATIHAN
1. Misalkan ଵ , ଶ , ଷ sampel acak berdistribusi kontinu dengan

fungsi kepadatan peluang
2, 01

0,
Tentukan peluang nilai terkecil ଵ , ଶ , ଷ melebihi median dari
distribusinya.
2. Misalkan ଵ ଶ ଷ ସ statistika terurut dari sampel acak
berukuran 4 yang berdistribusi dengan fkp ௫ , 0 ∞
dan bernilai nol untuk selainnya. Tentukan ସ 3
3. Suatu sampel acak berukuran n dari suatu distribusi dengan fkp
ଵ
௫ మ , 1 ∞ dan bernilai nol untuk selainnya.
a. Dapatkan fkp gabungan dari orde-orde statistika.

b. Dapatkan orde statistika terkecil, ଵ
c. Dapatkan orde statistika terbesar, ௡
d. Tentukan fkp dari sampel range, ௡ ଵ untuk 2
e. Tentukan fkp dari sampel median, ௥ , dengan asumsi bahwa n
ሺ௡ାଵሻ
adalah ganjil sehingga ଶ
.
4. Misalkan ଵ ଶ ! ସ statistika terurut dari sampel acak

berukuran n dari distribusi dengan fkp 1, 0 1 dan
bernilai nol untuk selainnya. Tunjukkan bahwa orde statistika
ke-", ௞ mempunyai fkp beta dengan parameter # " dan
$ " % 1.
5. Misalkan suatu sampel acak berukuran dua didapat dari
distribusi dengan fungsi kepadatan peluang
1
2 , 02
&2
0,
Hitung peluang bahwa satu sampel observasi minimal 2 kali lebih

besar dari sampel yang lain.
71
6. Suatu sampel acak berukuran n dari distribusi geometri,

௜ ~()*+.
a. Tentukan Fungsi distribusi kumulatif dari orde statistika
terkecil, ଵ
b. Dapatkan ଵ 1
7. ଵ , ଶ , ଷ adalah orde statistika dari peubah acak dengan fungsi
kepadatan peluang
1 ,0 1

0 ,
௒భ ା௒మ ଵ
dan dimisalkan - ଶ
nilai tengah sampel. Tentukan .- / ସ0
72
Statistika Matematika/Distribusi Pendekatan Universitas Brawijaya 2014
BAB V
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.
Perhatikan suatu barisan peubah acak ଵ , ଶ , … dimana fungsi

distribusi kumulatifnya yaitu ଵ , ଶ , … sedemikian hingga
untuk setiap
1, 2, …
௡
௡
Definisi 5.1
Jika ௡ ~௡ untuk setiap 1, 2, … dan jika untuk beberapa

FDK ,
lim ௡

୬՜ஶ
untuk setiap nilai dengan kontinu, maka barisan ଵ , ଶ , …
dikatakan konvergen dalam distribusi ke ~ dinyatakan
௡ . FDK disebut distribusi pendekatan dari ௡ .

ௗ
Contoh 1
Misalkan ଵ , ଶ , … ௡ adalah sampel acak dari distribusi

seragam, ௜ ~0, 1, dan misalkan ௡
maxଵ , ଶ , … ௡ orde
statistika terbesar. Dapatkan distribusi pendekatan dari ௡ .
73
Penyelesaian
ଵ , ଶ , … ௡ adalah sampel acak dari distribusi 0,1 atau

dinyatakan sebagai
௜ ~ 0,1
dengan fkp dan FDK-nya masing-masing sebagai berikut
1, 0 1

0,
0, 0

, 0 1
1, 1
Diketahui ௡
maxଵ , ଶ , … ௡ adalah orde statistika terbesar,
maka

݊

!
sehingga diperoleh
0, 0

, 0 1.
1, 1
Untuk 0 1 , lim
lim 0.
Untuk 0 dan 1,
merupakan barisan konstan dengan
limit masing-masing 0 dan 1, sehingga
0, 1
lim

1, 1
merupakan distribusi pendekatan untuk ௡ .

0, 1
Jadi,

1, 1
74
Selanjutnya akan dibahas tentang konsep distribusi yang

degenerate dan kaitannya dengan konsep konvergen stokastik,
yang masing-masing dijelaskan pada Definisi 5.2 dan Definisi 5.3
berikut.
Definisi 5.2
Fungsi adalah FDK dari suatu distribusi yang

degenerate pada nilai
jika
0, (

1, (
Dengan kata lain, adalah FDK dari distribusi diskrit yang
mempunyai peluang 1 pada saat
dan nol untuk
selainnya.
Definisi 5.3
Suatu barisan peubah acak ଵ , ଶ , … dikatakan konvergen

stokastik ke konstanta jika mempunyai distribusi
pendekatan yang degenerate pada
.
Dari Contoh 1 dapat disimpulkan bahwa
0, 1
௡ ~ &~

1, 1
sehingga dari Definisi 5.2 dan 5.3 dapat dinyatakan bahwa ௡
konvergen stokastik ke 1, atau dituliskan sebagai ௡ 1.

5.1 TEOREMA LIMIT PUSAT
Pada pembahasan sebelumnya, untuk mendapatkan

distribusi pendekatan digunakan Fungsi Distribusi Kumulatif (FDK).
75
Pada subbab ini akan dijelaskan alternatif lain untuk mendapatkan

distribusi pendekatan yaitu menggunakan Fungsi Pembangkit
Momen (FPM) pada Teorema 5.1 berikut.
Teorema 5.1
& , & , … merupakan barisan peubah acak dengan FDK masing-
masing
,
, … dan FPM nya 2 3
, 2 3
, …. Jika 23
adalah
FPM dari FDK
dan jika lim 2 3
23
untuk semua
3, 7; 3 ;,
maka
lim

untuk semua titik-titik kontinu dalam
.
Contoh 2
Misalkan , , … adalah peubah acak dari distribusi Bernoulli,
~)*+1, ,
dan & ∑
. Jika , . 0, . ∞ sedemikian hingga
, 0, untuk 0 1 0 maka
2 3
, 4 5

0 0
6 4 1 7 8

0 7 1
91 4 :

Catatan : lim 61 4 8 ,
sehingga diperoleh
lim 2 3

೟

yang merupakan FPM dari distribusi Poisson dengan mean 0.
Teorema 5.2 (Teorema Limit Pusat)

Jika ଵ , ଶ , … ௡ adalah sampel acak dari distribusi dengan
mean 0 dan variansi > ∞, maka distribusi pendekatan dari
∑
7 0
<
√>

adalah normal standar, < . <~+ 0, 1
untuk . ∞.
76
Contoh 3
೙
Diketahui ~)*+1, ,
dan & ∑
. Jika < , buktikan
√

bahwa < . <.
Penyelesaian
Karena & ∑

berarti & ~)*+, ,
maka 2೙ 3
, 4 5
.
೙
Perhatikan < dengan > ?,5 maka dapat dinyatakan
√

< ೙ 7 .
೙ ೙
Dengan menggunakan Teorema 5.1 dan ekspansi deret

మ
1 4 4
4 @ diperoleh
2೙ 3
2 ೙ 3
೙ ೙

೙ A, ೙ 4 5B

C ೙ A, ೙ 4 5BD

,3 , 3 ,3 , 3
> 2> > 2>
E91 7 4 7 @ : 91 4 4 4 @ :F

3 G

E1 4 4 F ,
2>
೟మ
dimana G
. 0 untuk . ∞, sehingga lim 2೙ 3
మ , yang
merupakan FPM +0, 1
.

Jadi terbukti < . <~+0, 1
.
5.2 SIFAT-SIFAT KONVERGEN STOKASTIK
Sebelum membahas konsep konvergen stokastik akan

dibahas terlebih dahulu tentang Pertidaksamaan Chebyshev yang
akan digunakan pada pembuktian konvergen stokastik.
Pertidaksamaan tersebut dijelaskan pada Teorema 5.3.
77
Teorema 5.3 (Pertidaksamaan Chebyshev)

Jika peubah acak dengan mean 0 dan variansi > , maka untuk
sebarang M 1 0
1
| 7 0| M>!
M
atau
1
| 7 0| M>! 1 7
M
.
Konsep yang berguna untuk mengevaluasi apakah suatu

estimator merupakan estimator yang baik yaitu salah satunya
mempunyai sifat konvergen stokastik ke nilai parameternya untuk
. ∞.
Teorema 5.4
Barisan & , & , … kovergen stokastik ke ( jika dan hanya jika untuk
setiap N 1 0, lim |& 7 (| N! 1.

Suatu barisan dari peubah acak yang memenuhi Teorema 5.4 juga
dikatakan konvergen dalam probabilitas ke ( atau dinyatakan
dengan ௡ (.

Contoh 4
Suatu barisan dari peubah acak Bernoulli & , & , … & dengan mean ,.
∑ ೔
Jika ,̂
maka buktikan ,̂ . ,.
Penyelesaian
Diketahui :
& ~)*+1, ,
. I&
, dan JK&
,1 7 ,
,5.
∑ ೔
,̂
. I,̂
, dan JK,̂

.
78
Catatan : I 4 O
I
4 O dan JK 4 O
JK
dengan
, O konstanta dan peubah acak.

Akan dibuktikan ,̂ . ,, dengan kata lain akan dibuktikan PN 1 0,
lim |,̂ 7 ,| N! 1.
Bukti:

Menggunakan Pertidaksamaan Chebyshev | 7 0| M>! 1 7 మ
maka diperoleh
,5
|,̂ 7 ,| N! 1 7
N
untuk setiap N 1 0, jadi lim |,̂ 7 ,| N! 1.
Teorema 5.5
Jika , … , adalah sampel acak dari suatu distribusi dengan
mean berhingga 0 dan variansi > , maka barisan dari smapel
mean konvergen dalam probabilitas ke 0 , atau dapat dinyatakan

sebagai Q . 0.
Teorema 5.6 (Hubungan TLP dan Konvergen Probabilitas)

√೙ !
Jika < "
. <~+ 0, 1
maka & . .
5.3 TEOREMA LIMIT TAMBAHAN
Definisi 5.4 (Konvergensi dalam Probabilitas)
Barisan peubah acak ௡ dikatakan konvergen dalam
probabilitas ke , ditulis & . &, jika

lim |& 7 &| N! 1.

79
Teorema 5.7

Untuk barisan peubah acak, jika & . & maka & . &.
Teorema 5.8

Jika & . ( maka untuk sebarang
yang kontinu pada (,

&
. (
.
Contoh 5
Suatu sampel acak dari distribusi Poisson, ~R* 0

. Tunjukkan
bahwa & #$೙ konvergen stokastik ke .
Penyelesaian
Diketahui ~R*0
. I
0 dan JK
0.
∑#
Q ೔ . I Q
0 dan JKQ
.

Akan ditunjukkan & #$೙ . .
Karena konvergen stokastik ekuivalen dengan konvergen dalam

probabilitas maka menurut Teorema 5.8, harus dibuktikan terlebih

dahulu Q . 0.

Menggunakan Teorema 5.5 terbukti bahwa Q . 0 atau dapat
dibuktikan menggunakan pertidaksamaan Chebyshev sebagai
berikut
0 1
E|Q 7 0| MS F 1 7
M

Misalkan MS N maka మ
%మ , sehingga diperoleh
0
|Q 7 0| N! 1 7
N
.
80
Untuk setiap N 1 0, lim |Q 7 0| N! 1 maka menurut Teorema

5.4, Q . 0 sehingga ekuivalen dengan Q . 0.

Menurut Teorema 5.8, jika Q . 0 maka #$೙ . atau ekuivalen

dengan #$೙ . . Jadi, terbukti & #$೙ konvergen stokastik
ke .
Teorema 5.9
Jika dan & adalah dua barisan dari peubah acak sedemikian

hingga . ( dan & . G maka

1. 4 O& . ( 4 OG

2. & . (G

3. . 1, untuk ( Y 0
(
1 1
4. . jika Y 0! 1, P, ( Y 0
(

5. ? . √( jika 0! 1, P.
Contoh 6
Dari soal pada contoh 5, tunjukkan bahwa & Q #$೙ konvergen
stokastik ke 0 .
Penyelesaian

Dari pembahasan pada contoh 5, diperoleh bahwa Q . 0 dan

#$೙ . . Berdasarkan Teorema 5.9 point (2) dapat disimpulkan

bahwa Q #$೙ . 0 .
81
Teorema 5.10 (Teorema Slutsky)

Jika dan & adalah dua barisan dari peubah acak sedemikian

hingga . ( dan & . & maka

1. 4 & . ( 4 &

2. & . (&
& &
3. . , untuk ( Y 0.
(
Teorema 5.11
Sebelum membahas

konsep konvergen stokastik
Jika & . & maka untuk sebarang fungsi kontinu
,

&
. &
.
Dengan catatan
diasumsikan tidak bergantung pada .
82
SOAL LATIHAN
1. Misalkan sampel acak berukuran n dari suatu distribusi dengan

FDK
1 4
untuk semua bilangan real x.
a. Apakah orde statistika terbesar, & , mempunyai distribusi
pendekatan ? Jelaskan.
b. Apakah & 7 ln mempunyai distribusi pendekatan ? Jika iya,
dapatkan distribusi pendekatannya.
2. Misal X 1 , X 2 ,... X n adalah sampel acak dengan fungsi distribusi
1 ≤ x < ∞ ,jika Yn = maks ( X 1 , X 2 ,... X n ) dan Z n = Yn n

1
FX ( x ) = 1 −
x
a. Dapatkan Gn(z)
b. Dapatkan lim n →∞ Gn(z)
3. Yn orde statistika ke n dari sampel acak suatu distribusi
seragam (0, θ ) . Diketahui peubah acak Z n = n(θ − Yn ) .
a. Dapatkan G( z n )
b. Dapatkan distribusi pendekatan Z n
c. Tunjukkan bahwa Zn mempunyai distribusi pendekatan
dengan fungsi distribusi G (z )
d. Apakah distribusi ini degenerate?

Suatu sampel acak ukuran dari suatu distribusi dengan Fungsi
distribusi kumulatif 1 untuk semua bilangan real
4.
.
a. Apakah orde statistika terbesar mempunyai distribusi
pendekatan? Jelaskan.
b. Apakah
ln mempunyai distribusi pendekatan? Jelaskan.
c. Dapatkan distribusi pendekatan dari ೙ .

83
d. Apakah distribusi pendekatan yang dihasilkan pada point c

merupakan distribusi yang degenerate?
5. Anggap bahwa ~0,1 dan , , … adalah bebas stokastik.
Gunakan fungsi Pembangkit momen untuk mendapatkan
distribusi pendekatan dari ∑ /√.

, , . . . , ~0, . Dapatkan distribusi pendekatan dari

dimana
max , , . . . , !.
6.
, , . .. adalah peubah acak Bernoulli yang bebas stokastik,

~" # $ dan dimisalkan
∑ $ . Tunjukkan bahwa
7.
barisan
,
, … konvergen stokastik ke % 0 jika & ∞.
Misalkan adalah '

dan ( ೙మ . Tentukan kekonvergenan

8.
distribusi ( .
Misalkan ) adalah mean dari peubah acak berukuran n dari
peubah acak Poisson dengan * 1.
9.

√) 1
√
೙
a. Tunjukkan FPM dari
adalah
exp -.√ / ೙ 01

೟
b. Selidiki kemanakah kekonvergenan distribusi

saat & ∞
10. Misalkan
2
2 3 2
adalah orde statistika dari sampel acak
dari suatu distribusi dengan fkp
, 60 <
4 5
0, 789 :8;
dan
log .
a. Dapatkan FDK dari .
b. Tentukan distribusi pendekatan dari jika & ∞.
84
Statistika Matematika/Estimasi Parameter Universitas Brawijaya 2014
BAB VI
ESTIMASI PARAMETER
Tujuan dari statistika adalah membuat inferensi untuk

populasi berdasarkan informasi yang ada pada sampel. Karena
karakteristik dari populasi adalah ukuran diskriptif numeris yang
disebut parameter, maka akan dilakukan inferensi terhadap
parameter tersebut. Dengan kata lain, dari data pengamatan
digunakan suatu metode untuk mengestimasi/menaksir nilai-nilai
yang tidak diketahui dari suatu parameter.
Estimasi suatu parameter ada dua pendekatan, yaitu estimasi
titik dan estimasi interval. Untuk estimasi titik suatu parameter
dapat ditaksir dengan sebuah nilai tunggal yang disebut estimator
titik atau dapat juga ditaksir dalam suatu interval yang disebut
interval keyakinan.
Dalam bab ini, diasumsikan bahwa distribusi dari populasi
dapat dinyatakan dengan anggota dari beberapa keluarga fungsi
kepadatan peluang , dengan adalah peunah acak dan
adalah parameter yang tidak diketahui. Ruang parameter adalah
himpunan nilai-nilai yang mungkin bahwa parameter dapat
diasumsikan, yang dinotasikan dengan Ω.
Definisi 6.1
Statistik
ℓ1 , 2 , … , yang digunakan untuk mengestimasi
nilai dari dikatakan estimator dari dan nilai pengamatan
dari statistik
ℓ1 , 2 , … , disebut suatu estimasi dari .
Estimator dinotasikan dengan .
85
6.1 BEBERAPA METODE ESTIMASI

Beberapa metode yang digunakan untuk mengestimasi
parameter, yaitu metode momen, metode maximum likelihood,
metode Bayes, metode ordinary least square, metode weighted
least square.
6.1.1 METODE MOMEN
Definisi 6.2
Jika , , … , adalah sampel acak dari ; , , … ,
maka momen sampel ke- diberikan oleh
∑
!
, "
1, 2, … , .

Prinsip metode momen adalah menyamakan momen-momen

populasi dengan momen-momen sampel.
Populasi Sampel 1 , 2 , … ,
Momen ke- berpusat di 0 ∑

Momen ke- berpusat di ∑

Contoh 1
Perhatikan suatu sampel acak dari distribusi normal, ~,
,
dengan momen-momen sampel dan populasi diketahui
sebagai berikut
Populasi Sampel
Momen ke-1 berpusat di 0
∑

Momen ke-2 berpusat di
∑

Dengan menggunakan metode momen yaitu menyamakan momen
populasi dengan momen sampel diperoleh
86
∑ ∑

% ̂

∑
∑
'
% '(

Catatan:
0.
Contoh 2
Perhatikan suatu sampel acak dari distribusi Gamma, ~,
,
Dapatkan dan ̂ .
Penyelesaian
Momen-momen sampel dan populasi dari distribusi Gamma
diketahui sebagai berikut
Populasi Sampel
Momen ke-1 berpusat di 0

∑

Momen ke-2 berpusat di 2 ∑

Dengan menggunakan metode momen yaitu menyamakan momen
populasi dengan momen sampel diperoleh

(1)

2
∑1

∑

∑ ∑ (2)

%

Dari persamaan (1) dan (2) diperoleh

%
%
2

2
.
∑ 1
Jadi,

dan
-
∑

∑
87
6.1.2 METODE MAXIMUM LIKELIHOOD ESTIMATOR (MLE)

Sebelum dijelaskan langkah-langkah metode MLE berikut
akan dijelaskan definisi dari fungsi likelihood dan Maximum
Likelihood Estimator (MLE)
Definisi 6.3
Fungsi likelihood adalah fungsi densitas bersama dari n

peubah acak , , … , yang dievaluasi pada , , … , ,
atau ditulis , , … , ;
. Untuk , , … , tertentu fungsi
likelihood adalah suatu fungsi dari dan sering dinyatakan
dengan
.
Jika , , … , menyatakan sampel acak dari ; maka

1 ;
… ;
Definisi 6.4
Misalkan
, , … , ;
, # Ω adalah fkp gabungan
dari , , … , . Untuk himpunan pengamatan tertentu
, , … ,
, nilai dalam Ω, dimana
maksimum
disebut MLE dari , berarti adalah suatu nilai dari yang
memenuhi
, , … , ;
max , , … , ;
Ω
.
Dari Definisi 6.3 dan 6.4, langkah-langkah untuk mendapatkan
MLE adalah sebagai berikut.
Jika diketahui populasi dengan fkp ; maka untuk
menentukan langkah-langkahnya:
1. Ambil n sampel acak , , … , , dengan berdistribusi
sama dengan dan saling bebas dengan , .
88
2. Buat fungsi distribusi peluang gabungan dari , , … ,

(fungsi likelihood).
, , … , ;
1 ;
… ;
%
& ;
1
dengan parameter yang tidak diketahui.

3. Maksimumkan fungsi likelihood terhadap .
0 diperoleh
డ௅ሺఏሻ

డఏ
௅ሺఏሻ
డ
0
మ
merupakan estimator untuk .
డఏ మ ෡
ఏୀఏ
atau dibentuk ln
0 diperoleh
డ ୪୬ ௅ሺఏሻ

డఏ
୪୬ ௅ሺఏሻ
డ
0
మ
merupakan estimator untuk .
డఏ మ ෡
ఏୀఏ
Contoh 3
Perhatikan suatu sampel acak dari distribusi Poisson, ~'()
,
Dapatkan .
Penyelesaian
Ambil sampel acak , , … , .
+ ೔
~'()
*

!

& ;
1
+ భ + ೙
…
! !
+ ∑ ೔

∏ !
89
ln
0 1 2 ln 0 ln & !

∂ ∑ ∑ ∑ ∑

ln
0 1 05 % *
∂
Untuk membuktikan maksimum maka
∂ ∑ 0

ln 60
∂ ∑
Jadi,

/ (7 merupakan MLE untuk ).
∑
6.2 KRITERIA UNTUK MENGEVALUASI ESTIMATOR
Estimator titik untuk suatu parameter ada beberapa, diantara

sekian banyak estimator diperlukan suatu ukuran yang dapat
menyatakan baik tidaknya suatu estimator dari .
Misal Y = u ( X 1 , X 2 ,... X n ) adalah estimator yang baik dari
parameter , harus diperoleh suatu peluang yang tinggi bahwa

statistik Y = u ( X 1 , X 2 ,... X n ) dekat pada . Hal ini akan tercapai
apabila Y = u ( X 1 , X 2 ,... X n ) adalah : (i) Estimator tak bias dari
(ii) Variansi Y sekecil mungkin.

Jika sebuah estimator tak bias dipakai untuk menaksir nilai dari ,
maka estimator tersebut tidaklah menghasilkan nilai yang
sesungguhnya namum secara rata rata nilai dari estimator θˆ sama

dengan .
Definisi 6.5 (Unbiased Estimator)
Estimator dikatakan estimator yang unbiased dari jika

untuk semua 0 Ω. Selain itu, dikatakan estimator bias dari
.
Contoh:
maka dikatakan estimator yang unbiased dari .
90
Definisi 6.6
Jika adalah estimator dari maka bias-nya adalah

2

Dan mean squared error (MSE) dari adalah
MSE

Teorema 6.1
Jika : adalah estimator dari maka
MSE :
89 :
1 ;<:
=
Bukti
MSE

1

1 2 1
89:
1 ;<:
=
Jika : unbiased estimator dari maka < : 0

, berarti
MSE :
89 :
.
Definisi 6.7
Misal : dan : adalah dua penaksir yang tak bias untuk

parameter θ, masing masing dengan variansi :1 dan
:2 . : dikatakan lebih efisien dibanding : ,
bila :1 3 :2 .
91
Definisi 6.8 Uniformly Minimum Variance Unbiased

Estimator (UMVUE)
Misalkan , , … , sampel acak ukuran n dari ; . Suatu

estimator dari dikatakan UMVUE dari jika
1. unbiased untuk
2. Untuk sebarang unbiased estimator yang lain dari ,
4
Dalam beberapa kasus, suatu batas bawah dapat diberikan

untuk variansi dari estimator yang unbiased. Jika suatu estimator
tak bias dapat ditemukan sedemikian hingga mencapai suatu
batas bawah maka estimator dikatakan UMVUE. Batas bawah
tersebut disebut Batas Bawah Cramer Rao (BBCR).
Definisi 6.9 Batas Bawah Cramer Rao (BBCR)
Jika estimator yang unbiased dari , maka BBCR

berdasarkan sampel acak adalah
!
5
7
6 ln ; 9
7
Contoh 4
Perhatikan suatu sampel acak dari distribusi eksponensial,
~>'
, Dapatkan UMVUE dari .
Penyelesaian
1
~>'
*
+ , 0 @ @ ∞, B 0.

Menggunakan metode momen diperoleh

92
∑ 1

: ;
<
.

Karena
maka merupakan estimator yang unbiased dari
.
Akan ditunjukkan apakah UMVUE dari , dengan menggunakan

BBCR.

ln ;
ln

∂ 1
ln ;

∂
Sehingga,

∂
6 ln ; 9
> ?
∂
1

1

.

BBCR untuk

adalah
! 1

1

7
6 ln ; 9
7
∑ 1

: ;
<
.

!
5
7
6 ln ; 9
7

% mencapai batas bawah @ UMVUE dari .
Sifat estimator yang lain adalah konsisten yang merupakan

sifat asimtotis suatu penaksir dan sifat sufisiensi (cukup) yaitu sifat
93
yang berkaitan dengan banyaknya informasi yang terkandung

dalam suatu estimator.
Definisi 6.10
Barisan estimator {Tn } dari τ (θ ) disebut konsisten dari τ (θ ) jika
lim P(Tn − τ (θ ) < ε )= 1 atau lim P(Tn − τ (θ ) ≥ ε )= 0

n →∞ n →∞
Teorema 6.2
Jika T suatu pernaksir tak bias dari θ dan Var(T) → 0 untuk n→
∞ maka T dikatakan sebagai penaksir yang konsisten untuk θ.
Definisi 6.11
Misal X 1 , X 2 ,...X n sampel acak dari distribusi yang mempunyai fkp
, θ . Estimator T = u ( X 1 , X 2 ,...X n ) dikatakan sufisien (cukup)
untuk θ apabila untuk semua θ dan semua hasil yang mungkin

fkp X 1 , X 2 ,...X n dengan syarat T tidak bergantung pada θ.
94
SOAL LATIHAN
1. X1, . . .,Xn sampel acak dari distribusi geometri X~ BCD E
Dapatkan MLE dari :
ଵ
a. E(x) =௣
ሺଵି௣ሻ
b. Var(x) = ௉మ
2. Dapatkan MME dari untuk fkp berikut

ఏିଵ , 0 3 3 1 G 0L
a.
F
0 , HIJK
b.
1 1 ିఏିଶ , G 1
3. Suatu sampel acak berukuran n dari distribusi binomial,
௒
M௜ ~NOP, E dan E௡
௡.
a. Tunjukkan bahwa E௡ konvergen probabilitas ke E jika % ∞.

b. Tunjukkan bahwa E௡ expE௡ konvergen stokastik ke E expE
(Gunakan pertidaksamaan Chebychev)
4. ଵ , ଶ , … , ௡ adalah sampel acak dari distribusi normal, P0, .
a. Tentukan MLE dari , .
b. Apakah estimator tak bias dari ? Jelaskan .
c. Apakah UMVUE dari ? Jelaskan.
௫
5. Misalkan ~ NOP , E dan Ê
௡
a. Dapatkan konstanta c sehingga TÊ 1 Ê

E 1 E
b. Dapatkan estimator tak bias dari
95

Modul Statistika Matematika

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Statistika Matematika

Diunggah oleh

Hak Cipta:

Format Tersedia

Modul Bahan Ajar

PROGRAM STUDI MATEMATIKA

PROGRAM STUDI MATEMATIKA

Segala puji syukur ke hadirat Allah SWT yang menganugerahkan

BAB 1 FUNGSI PEMBANGKIT MOMEN 1

BAB 2 DISTRIBUSI PEUBAH ACAK GABUNGAN 16

BAB 3 DISTRIBUSI FUNGSI PEUBAH ACAK 42

BAB 6 ESTIMASI PARAMETER 85

[1] Bain, L.J., and Engelhardt, (1992), Introduction to Probability and

Parameter µ dan σ adalah dua ukuran deskriptif numerik

Momen ke dari peubah acak  didefinisikan sebagai 

Dari definisi 1.1 diketahui bahwa momen pertama dari

Momen pusat pertama adalah nol sedang momen pusat

1.2 FUNGSI PEMBANGKIT MOMEN

Fungsi Pembangkit Momen dari suatu peubah acak

Jika  adalah peubah acak maka nilai ekspektasi

disebut Fungsi Pembangkit Momen (FPM) dari  jika nilai

Jika   dijabarkan, akan diperoleh

( tx) 2 ( tx) 3 ( tx) 4

Dengan mengasumsikan bahwa  merupakan peubah acak diskrit,

Dari penjabaran   dapat dilihat bahwa fungsi pembangkit

momen   merupakan fungsi dari semua momen.

2. FPM untuk peubah acak kontinu

Fungsi pembangkit momen mempunyai dua kegunaan

Anggap  suatu peubah acak kontinu. FPM untuk peubah acak

Jika FPM-nya ada, maka dapat ditunjukkan bahwa turunan ke-

Untuk setiap  1, 2, … dapat diperoleh momen ke sebagai berikut

mengkombinasikan ini dengan hasil di atas diperoleh

SIFAT- SIFAT DARI FPM

Salah satu penerapan dari sifat FPM pada penghitungan

Teorema 1.2 (Teorema Ketunggalan)

TABEL FPM DISKRIT

TABEL FPM KONTINU

FPM dari X adalah

Jadi, meannya adalah      ′௑ 0  1 dan variansinya

FPM dari X adalah

Dengan menggunakan turunan pertama dan kedua dari FPM

3. Tunjukkan bahwa fungsi pembangkit momen peubah acak X

Untuk X ~ n( µ ,σ ) maka f ( x) = sehingga dari definisi

diatas dapat ditulis

Dengan melengkapi bentuk kuadrat dalam eksponen

Karena integral dari ∫ dw menyatakan luas daerah

Contoh distribusi yang tidak mempunyai fungsi pembangkit

1.3 FUNGSI KARAKTERISTIK

Fungsi Karakteristik pasti dimiliki oleh semua peubah acak. Dari

Fungsi karakteristik dari peubah acak diberikan untuk

Jika X suatu peubah acak maka MX(it)= E(etiX)

1. fungsi karakteristik dari X selalu ada

Jika X suatu peubah acak , a dan b suatu kontanta maka :

Jika ΦX(t) adalah fungsi karakteristik dari peubah acak maka

Bila Φ X (t ) = E (e tix ) diketahui

TEOREMA 1.5. (Teorema Ketunggalan)

Misal dan adalah dua peubah acak yang memiliki fungsi

dan mempunyai fungsi kepadatan peluang yang sama jika

1.4 INVERS DARI FUNGSI PEMBANGKIT MOMENT

Untuk mencari invers fungsi pembangkit momen dari peubah

Akan dicari fungsi kepadatan peluang dari

Menggunakan invers dari transformasi Laplace, jika f ( x) = xe ax

Dengan demikian f ( x) = xe − x x>0

1.5 INVERS DARI FUNGSI KARAKTERISTIK

Jika Φ X (t ) fungsi karakteristik dari suatu peubah acak X

maka fungsi kepadatan peluang dari X dapat ditentukan melalui

Diketahui fungsi karakteristik dari suatu peubah acak

Momen ke dari peubah acak didefinisikan sebagai

Jika adalah peubah acak maka nilai ekspektasi

disebut Fungsi Pembangkit Momen (FPM) dari jika nilai

Jika dijabarkan, akan diperoleh

Dengan mengasumsikan bahwa merupakan peubah acak diskrit,

Dari penjabaran dapat dilihat bahwa fungsi pembangkit

momen merupakan fungsi dari semua momen.

Anggap suatu peubah acak kontinu. FPM untuk peubah acak

Untuk setiap 1, 2, … dapat diperoleh momen ke sebagai berikut

Jadi, meannya adalah ′௑ 0 1 dan variansinya

, disebut distribusi peluang gabungan dan yang

untuk semua nilai dan yang mungkin.

Fungsi , adalah peluang gabungan dari peubah acak diskrit

1. , ) 0 untuk semua ,

mempunyai sifat : ) 0 dan

Fungsi , adalah fungsi kepadatan peluang gabungan dari peubah

1. , ! 0 untuk semua ,

3. , , untuk tiap daerah

Jika pasangan , dari peubah acak kontinu mempunyai fungsi

Ekspektasi dari fungsi peubah acak diskrit adalah

௒ +௑ ...................................................................... ….(1)

Demikian juga ekspektasi dengan syarat , yang merupakan