MODUL STATISTIKA MATEMATIKA I

(MA493530)
Oleh :
I Wayan Sumarjaya, S.Si.
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2010
KATA PENGANTAR
Modul singkat ini membahas tentang perkuliahan Statistika Matematika I
(MA493530) yang
membahas tentang peubah acak dan distribusinya, fungsi peubah acak, sifat peubah
acak, limit
distribusi, dan statistik dan distribusi pengambilan sampel. Mata kuli
ah ini merupakan pendalaman terhadap mata kuliah Pengantar Ilmu Peluang plus tambahan-tambahan tenta
ng fungsi
pembangkit momen dan distribusi pengambilan sampel.
Akhir kata semoga modul singkat ini dapat bermanfaat. Segala kritik dan saran
guna perbaikan modul ini harap dikirim via email ke sumarjaya@gmail.com atau sumarjaya@y
ahoo.com.
Bukit Jimbaran, Februari 2009
Penulis
i
DAFTAR ISI
Kata Pengantar i
DAFTAR ISI ii
DAFTAR GAMBAR iv
DAFTAR TABEL v
BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA 1
1.1 Peubah Acak . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . 1
1.1.1 Peubah Acak Diskrit . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 1
1.1.2 Peubah Acak Kontinu . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . 2
1.1.3 Beberapa Sifat Nilai Harapan . . . . . . . . . . .
. . . . . . . . . . . . . . 2
1.1.4 Batas-batas Peluang . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 3
1.2 Momen dan Fungsi Pembangkit Momen . . . . . . . . . .
. . . . . . . . . . . . . 3
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 4
2.1 Distribusi-distribusi Diskrit Khusus . . . . . . . . . .
. . . . . . . . . . . . . . . . 4
2.1.1 Distribusi Bernoulli . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 4
2.1.2 Distribusi Binomial . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 5
2.1.3 Distribusi Hipergeometrik . . . . . . . . . . .
. . . . . . . . . . . . . . . . 5
2.1.4 Distribusi Geometrik . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 6
2.1.5 Distribusi Binomial Negatif . . . . . . . . . . .
. . . . . . . . . . . . . . . 6
2.1.6 Distribusi Poisson . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 6

2.1.7 Distribusi Seragam Diskrit . . . . . . . . . . . .

. . . . . . . . . . . . . . . 7
2.2 Distribusi-distribusi Kontinu Khusus . . . . . . . . .
. . . . . . . . . . . . . . . . 7
2.2.1 Distribusi Seragam . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 7
2.2.2 Distribusi Gamma . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 8
2.2.3 Distribusi Eksponensial . . . . . . . . . . . .
. . . . . . . . . . . . . . . . 14
2.2.4 Distribusi Normal . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 15
2.2.5 Distribusi Weibull . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 19
2.2.6 Fungsi pembangkit momen . . . . . . . . . . . .
. . . . . . . . . . . . . . 20
2.3 Latihan Soal . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . 20
2.4 Latihan Soal Teoretis . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. 21
BAB 3. PEUBAH ACAK BERGANDA 23
3.1 Distribusi Bersama dan Marginal . . . . . . . . . .
. . . . . . . . . . . . . . . . . 23
3.1.1 Distribusi Diskrit Bersama . . . . . . . . . . .
. . . . . . . . . . . . . . . 23
3.1.2 Distribusi Hypergeometrik yang Diperluas . . . . . . . .
. . . . . . . . . . 24
3.1.3 Distribusi Multinomial . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 24
3.1.4 Distribusi Kontinu Bersama . . . . . . . . . . .
. . . . . . . . . . . . . . . 27
3.2 Peubah Acak Bebas . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
29
3.3 Distribusi Bersyarat . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. 30
ii
DAFTAR ISI iii
3.3.1 Distribusi Bersyarat . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 30
3.4 Latihan Soal . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . 32
BAB 4. SIFAT-SIFAT PEUBAH ACAK 33
4.1 Sifat-sifat Nilai Harapan . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
34
4.2 Kovarians dan Korelasi . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
36
4.3 Harapan Bersyarat . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. 39
4.3.1 Distribusi Normal Bivariat . . . . . . . . . . .
. . . . . . . . . . . . . . . 41
4.4 Fungsi Pembangkit Momen Bersama . . . . . . . . . .
. . . . . . . . . . . . . . . 42

4.5 Latihan Soal . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .
. . . 42
4.6 Latihan Soal Teoretis . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. 44
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 45
5.1 Teknik Fungsi Distribusi Kumulatif . . . . . . . . . .
. . . . . . . . . . . . . . . . 46
5.2 Metode Transformasi . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. 48
5.2.1 Transformasi Satu-satu . . . . . . . . . . . .
. . . . . . . . . . . . . . . . 49
5.2.2 Transformasi yang Tidak Satu-satu . . . . . . . . . .
. . . . . . . . . . . . 52
5.2.3 Transformasi Bersama . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . 55
5.3 Jumlah Peubah Acak . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
58
5.3.1 Formula Konvolusi . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 58
5.3.2 Metode Fungsi Pembangkit Momen . . . . . . . . . . .
. . . . . . . . . . . 59
5.4 Statistik Terurut . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . 60
5.4.1 Penarikan Sampel Tersensor . . . . . . . . . . . .
. . . . . . . . . . . . . . 60
5.4.2 Pengambilan Sampel Tersensor . . . . . . . . . . .
. . . . . . . . . . . . . 67
5.5 Latihan Soal . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . 68
BAB 6. LIMIT DISTRIBUSI 70
6.1 Barisan Peubah Acak . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
70
6.2 Teorema Limit Pusat . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
73
6.3 Pendekatan Distribusi Binomial . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 75
6.4 Distribusi Normal Asimtotik . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 75
6.5 Sifat-sifat Konvergensi Stokastik . . . . . . . . . .
. . . . . . . . . . . . . . . . . 76
6.6 Teorema-teorema Limit Tambahan . . . . . . . . . . .
. . . . . . . . . . . . . . . 76
6.7 Latihan Soal . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . 77
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 78
7.1 Statistik . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . 78
7.2 Distribusi-distribusi Pengambilan Sampel . . . . . . . .
. . . . . . . . . . . . . . 80
7.2.1 Kombinasi Linear Peubah-peubah Normal . . . . . . . .

. . . . . . . . . . 80
7.2.2 Distribusi Khi Kuadrat . . . . . . . . . . . .
. . . . . . . . . . . . . . . . 80
7.2.3 Distribusi Student t . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 83
7.2.4 Distribusi Snedecor F . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 83
7.2.5 Distribusi Beta . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 84
7.3 Pendekatan-pendekatan Sampel Besar . . . . . . . . . .
. . . . . . . . . . . . . . 84
7.4 Latihan Soal . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . 84
DAFTAR PUSTAKA 87
DAFTAR GAMBAR
iv
DAFTAR TABEL
Tabel 3.1 Nilai fungsi densitas bersma dua peubah acak . . . . . .
. . . . . . . . . . . . 30
v
BAB 1
PEUBAH ACAK DAN DISTRIBUSINYA
Kompetensi Dasar
Menggunakan konsep-konsep ilmu peluang.
Indikator Pencapaian
Menggunakan konsep-konsep ilmu peluang.
Materi Pokok
1.1 Peubah Acak
1.1.1 Peubah Acak Diskrit
1.1.2 Peubah Acak Kontinu
1.1.3 Beberapa Sifat Nilai Harapan
1.1.4 Batas-batas Peluang
1.2 Momen dan Fungsi Pembangkit Momen
Bab ini meninjau kembali konsep tentang peluang dan distribusinya seperti yang t
elah dipelajari
pada mata kuliah Pengantar Ilmu Peluang.
1.1 Peubah Acak
De nisi 1.1. Suatu peubah acak, katakanlah X, adalah suatu fungsi yang dide nisi
kan pada
ruang sampel , yang mengasosikan suatu bilangan real, X() = x, dengan masing-masin
g hasil
yang mungkin di .
1.1.1 Peubah Acak Diskrit
De nisi 1.2. Jika himpunan semua hasil yang mungkin dari peubah acak X adalah h
impunan
terhitung x
1
, x
2
, . . . , x
n
atau x
1
, x
2
, . . . ,, maka X disebut peubah acak diskrit.
De nisi 1.3. Fungsi
f
X

(x) = P(X = x), x = x

1
, x
2
, . . . (1.1)
yang menugaskan peluang untuk masing-masing nilai yang mungkin x disebut fungsi
densitas
peluang diskrit.
1
BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA 2
Teorema 1.1. Suatu fungsi f
X
(x) adalah fungsi densitas peluang diskrit jika dan hanya jika
untuk paling banyak himpunan tak berhingga terhitung (countably in nite) x
1
, x
2
, . . . memenuhi
kedua sifat berikut:
1. untuk semua x
i
, fungsi f
X
(x
i
) 0,
2. untuk semua x
i
,
f
X
(x
i
) = 1.
De nisi 1.4. Fungsi distribusi kumulatif peubah acak X dide nisikan untuk semu
a bilangan
real x sebagai
F
X
(x) = P(X x). (1.2)
Teorema 1.2. Suatu fungsi F
X
(x) adalah fungsi distribusi kumulatif untuk beberapa peubah
acak X jika dan hanya jika memenuhi sifat:
(a). lim
x
F
X
(x) = 0,
(b). lim
x
F
X
(x) = 1,
(c). lim
h0
+ F
X
(x +h) = F

X
(x),
(d). jika a < b maka F
X
(a) F
X
(b).
De nisi 1.5. Jika X adalah peubah acak diskrit dengan fungsi densitas peluang
f
X
(x), maka
nilai harapan X dide nisikan sebagai
E(X) =
x
xf
X
(x). (1.3)
1.1.2 Peubah Acak Kontinu
De nisi 1.6. Suatu fungsi f
X
(x) dikatakan fungsi densitas peluang untuk beberapa peubah
acak kontinu X jika dan hanya jika ia memenuhi sifat
f
X
(x) 0 (1.4)
untuk semua x, dan
_

f
X
(x) dx = 1. (1.5)
De nisi 1.7. Fungsi distribui kumulatif peubah acak kontinu X dinyatakan sebag
ai
F
X
(x) =
_
x

f
X
(x) dx. (1.6)
De nisi 1.8. Jika X adalah peubah acak kontinu dengan fungsi densitas peluang f
X
(x), maka
nilai harapan X dide nisikan sebagai
E(X) =
_

xf
X
(x) dx. (1.7)
1.1.3 Beberapa Sifat Nilai Harapan
De nisi 1.9. Momen ke k di sekitar titik asal (moment about the origin) peubah ac
ak X adalah

k
= E(X
k
), (1.8)
dan momen ke k di sekitar rata rata (moment about the mean) adalah

k
= E[X E(X)]
k
= E(X )
k
. (1.9)
De nisi 1.10. Variansi peubah acak X dide nisikan sebagai
var(X) = E[(X )
2
] (1.10)
BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA 3
1.1.4 Batas batas Peluang
Teorema 1.3. Jika X adalah suatu peubah acak dan u(x) adalah fungsi bernil
ai non negatif,
maka untuk sembarang konstanta positif c > 0,
P(u(X) c)
E(u(X))
c
. (1.11)
Teorema 1.4 (Ketidaksamaan Chebychev). Jika X adalah suatu peubah acak dengan r
ata rata
dan variansi
2
, maka untuk
embarang k > 0,
P(|X | k)
1
k
2
. (1.12)
1.2 Momen dan Fung
i Pembangkit Momen
De ni
i 1.11. Mi
al X adalah peubah acak, maka nilai harapan
M
X
(t) = E(e
tX
) (1.13)
di
ebut fung
i pembangkit momen dari X jika nilai harapan ini ada untuk
emua
nilai t dalam
beberapa interval dengan bentuk h < t < h untuk beberapa h > 0.
Teorema 1.5. Jika fung
i pembangkit momen peubah acak X ada, maka
E(X
r
) = M
r
X
(0), untuk
emua r = 1, 2, . . . (1.14)
dan
M
X
(t) = 1 +

r=1
E(X

r
)t
r
r!
. (1.15)
BAB 2
DISTRIBUSI DISTRIBUSI PELUANG KHUSUS
Kompeten
i Da
ar
Membedakan peubah acak di
krit, peubah acak kontinu, dan di
tribu
i keluarga ek

ponen

ial.
Indikator Pencapaian
Mampu memi
ahkan peubah acak di
krit, kontinu, dan di
tribu
i keluarga ek
ponen

ial.
Materi Pokok
2.1 Di
tribu
i di
tribu
i Di
krit Khu
u

2.2 Di
tribu
i di
tribu
i Kontinu Khu
u

2.3 Latihan Soal
2.4 Latihan Soal Teoreti

Bab ini membaha
beberapa di
tribu
i khu
u
, baik di
krit maupun kontinu, yang t
elah dipela
jari dalam mata kuliah Pengantar Ilmu Peluang.
2.1 Di
tribu
i di
tribu
i Di
krit Khu
u

2.1.1 Di
tribu
i Bernoulli
Dalam
uatu percobaan tunggal terdapat dua kejadian yang menjadi daya
tarik, katakanlah
K and komplemennya K
.

Kejadian K dan K

menyatakan kejadian munculnyamuka atau

belakang pada pelemparan
atu mata uang atau ru
ak atau bagu
pada barang yang dipro
duk
i atau
uk
e
atau gagal pada kejadian lainnya. Mi
al peluang K terjadi dengan
peluang
P(K) = p dan K
terjadi dengan peluang P(K
) = q = 1 p.
Suatu peubah acak, X, yang menganggap hanya nilai 0 atau 1 di
ebut peubah Bernou
lli, dan
percobaa dengan dua ha
il yang mungkin di
ebut percobaan Bernoulli (Ber
noulli trial ). Jika

uatu percobaan mengha
ilkan hanya
uk
e
(K) dan gagal (K
),
yang
X(k)
_
1,
0,

maka peubah Bernoulli

ber
e
uaian adalah
=
jika k K;
jika k K

.
(2.1)
Fung
i den
ita
(ma

a) peluang X diberikan oleh f
X
(0) = q dan f
X
(1) = p. Di
tribu
i yang
ber
e
uaian, di
ebut di
tribu
i Bernoulli (Bernoulli di
tribution), dan fung
i d

en
ita
nya dapat
4
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 5
dinyatakan
ebagai
f
X
(x) = p
x
q
1x
, x = 0, 1. (2.2)
2.1.2 Di
tribu
i Binomial
Apabila percobaan Bernoulli dilakukan
ecara beba

ebanyak n kali dengan pelua
ng
uk
e
p
pada ma
ing ma
ing percobaan, dan peubah acak X menyatakan banyaknya

uk
e
. Fung
i
den
ita
peluang di
krit X diberikan oleh
f
X
(x; n, p) =
_
n
x
_
p
x
q
nx
, x = 0, 1, . . . , n; 0 < p < 1; q = 1 p. (2.3)
Peubah acak X berdi
tribu
i binomial dengan parameter n dan p dinot
a
ikan
ebagai X
BIN(n, p). Di
tribu
i Bernoulli yang merupakan kejadian khu
u
dari di
tribu
i
binomial dino
ta
ikan
ebagai X BIN(1, p).
Rata rata, Varian
i, dan Fung
i Pembangkit Momen Di
tribu
i Binomial
Beberapa ha
il penting:
1. Nilai harapan: E(X) = np;
2. Varian
i: var(X) = npq;
3. Fung
i pembangkit momen : M
X
(t) = (p e
t
+q)
n
, < t < .
2.1.3 Di
tribu
i Hipergeometrik
Mi
al
uatu popula
i terdiri dari beberapa jumlah item tertentu, katakanlah N,
dan terdapat
M item tipe 1 dan
i
anya N M item bertipe 2. Mi
al n item diambi
l
ecara acak tanpa
pengembalian, dan mi
al X menyatakan banyaknya item tipe 1 yang diambil. Fu
ng
i den
ita

peluang di
krit X diberikan oleh
f
X
(x; n, M, N) =
_
M
x
__

N M
n x
_
_
N
n
_ ; x = 0, 1, . . . , n; n = 1, . . . , N; M = 0, 1, . . . , N. (2.4)
Bentuk Per
amaan (2.4) merupakan fung
i den
ita
peluang dari di
tribu
i hiperge
ometrik, dino
ta
ikan X HYP(n, M, N).
Rata rata, Varian
i, dan Fung
i Pembangkit Momen Di
tribu
i Hipergeometrik
Beberapa ha
il penting:
1. Nilai harapan:
E(X) =
nM
N
; (2.5)
2. Varian
i:
var(X) = n
M
N
_
1
M
N
__
N n
N 1
_
; (2.6)
3. Fung
i pembangkit momen : M
X
(t) = (p e
t
+q)
n
, < t < .
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 6
2.1.4 Di
tribu
i Geometrik
Mi
al kita tertarik untuk mengetahui banyaknya percobaan yang diperlukan untuk m
emperoleh

uk
e
pertama dan nota
ikan ini dengan X, maka fung
i den
ita
peluang di
kritn
ya dinyatakan
oleh
f
X
(x; p) = pq
x1
, x = 1, 2, 3, . . . ; 0 < p < 1; q = 1 p. (2.7)
Bentuk Per
amaan (2.7) merupakan fung
i den
ita
peluang dari di
tribu

i geometrik, dino
ta
ikan X GEO(p).
Rata rata, Varian
i, dan Fung
i Pembangkit Momen Di
tribu
i Geometrik
Beberapa ha
il penting:
1. Nilai harapan: E(X) = 1/p.
2. Varian
i: var(X) = q/p
2
.
3. Fung
i pembangkit momen : M
X

(t) = p e
t
/(1 q e
t
).
2.1.5 Di
tribu
i Binomial Negatif
Dalam percobaan Bernouli beba

yang diulang, mi
al X menyatakan ban
yaknya percobaan
yang diperlukan untuk memperoleh r
uk
e
. Di
tribu
i peubah acak X merupa
kan di
tribu
i
binomial negatif (negative binomial ) yang diberikan oleh
f
X
(x; r, p) =
_
x 1
r 1
_
p
r
q
xr
; (2.8)
dengan x = r, r +1, . . . , ; 0 < p < 1; q = 1 p. Bentuk Per
amaan (2.8) da
pat pula dinota
ikan
X NB(r, p).
Rata rata, Varian
i, dan Fung
i Pembangkit Momen Di
tribu
i Binomial Negatif
Beberapa ha
il penting:
1. Nilai harapan: E(X) = r/p.
2. Varian
i: var(X) = rq/p
2
.
3. Fung
i pembangkit momen :
M
X
(t) =
_
p e
t
1 q e
t
_
r
. (2.9)
2.1.6 Di
tribu
i Poi

on
Suatu peubah acak di
krit X dikatakan memiliki di
tribui Poi

on deng
an parameter > 0,
dinotasikan X POI() apabia ia memiiki fungsi densitas (massa) peuang dengan b
entuk
f
X
(x; ) =
e

x
x!
; x = 1, 2, . . . . (2.10)
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 7
Rata rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Poisson

Beberapa hasi penting:

1. Niai harapan: E(X) = .
2. Variansi: var(X) = .
3. Fungsi pembangkit momen :
M
X
(t) = exp((exp(t) 1)). (2.11)
Teorema 2.1. Jika X BIN(n, p), maka
. , dan
ebagaimana
p 0 dengan np = konstan, maka
im
n
_
n
x
_
p
x
(1 p)
nx
=
e

x
x!
. (2.12)
2.1.7 Distribusi Seragam Diskrit
Suatu peubah acak diskrit X dikatakan
it, dinotasikan X
DU(N), jika untuk
etiap bilangan bulat 1,
ita
peluang dengan
bentuk
f
X
(x) =
1
N
, 1, 2, . . . , N. (2.13)
Rata rata, Varian
i, dan Fung
i Pembangkit
Beberapa ha
il penting:
1. Nilai harapan: E(X) = (N + 1)/2.
2. Varian
i: var(X) = (N
2
1)/12.
3. Fung
i pembangkit momen :
M
X
(t) =
1
N
e
t
e
(N+1)t
1 e
t
. (2.14)
2.2 Di
tribu
i di
tribu
i Kontinu Khu
u

Pada
ub bab ini akan dibicarakan beberapa

untuk
etiap nilai

x = 0, 1, 2, . .

memiiki distribusi seragam diskr

2, . . . , N ia memiliki fung
i den

Momen Di
tribu
i Poi

on

di
tribu
i kontinu khu
u
.

2.2.1 Di
tribu
i Seragam

Suatu peubah acak X dikatakan memiliki di
tribu
i
eragam pada
elang
(a, b) , dinota
ikan
X UNIF(a, b), dengan fung
i den
ita
peluang
f
X
(x; a, b) =
_
_
_
1
b a
, untuk a < x < b;
0, untuk x lainnya.
(2.15)
Fung
i di
tribu
i kumulatif X UNIF(a, b) memiliki bentuk
F
X;a,b
=
_

_
0, jika x a;
x a
b a
, jika a < x < b;
1, jika b x.
(2.16)
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 8
Rata rata, Varian
i, dan Fung
i Pembangkit Momen Di
tribu
i Seragam Kontinu
Beberapa ha
il penting:
1. Nilai harapan: E(X) = (a +b)/2.
2. Varian
i: var(X) = (b a)
2
/12.
3. Fung
i pembangkit momen :
M
X
(t) =
e
bt
e
at
(b a)t
. (2.17)
2.2.2 Di
tribu
i Gamma
De ni
i 2.1 (Bain and Engelhardt (1992)). Fung
i gamma, dinota
ikan () untu
 semua
> 0, dide nisian sebagai
() =
_

0
t
1
e

t
dt. (2.18)
Jia = 1 maa
(1) =
_

0
e
t
dt
= e
t

0
= e

(e
0
)
= 0 + 1
= 1. (2.19)
Fungsi gamma dan sifat sifatnya dapat dilihat pada teorema beriut.
Teorema 2.2. Fungsi gamma memilii sifat sifat beriut:
1. () = ( 1)( 1), untu  > 1;
2. (n) = (n 1)!, untu n = 1, 2, . . . ;
3. (1/2) =

.
Bukti: Akan ditunjukkan sifat 1 dengan integral bagian. Misal
t
1
, du = ( 1)t
2
,
dv = exp(t) dan v = exp(t). Sehingga
() = ( 1)( 1), untu  > 1 (2.20)
menjadi
() = t
1
(e
t
)
_

0
(e
t
)( 1)t
2
dt
= t
1
e
t

u =

0
+
_

0
e
t
( 1)t
2
dt
= 0 + ( 1)
_

0
t
2
e
t
dt
= ( 1)( 1), > 1.
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS 9
Selanjutnya aan ditunjuan sifat 2. Bila n adalah bilangan bulat maa
(n) = (n 1)(n 1)
= (n 1)(n 2)(n 2)
=
= (n 1)(n 2) 3 2 1(1)
= (n 1)(n 2) 3 2 1
= n!.
Kemudian aan ditunjuan sifat 3.
(1/2) =
_

0
t
1/21
e
t
dt
=
_

0
t
1/2
e
t
dt. (2.21)
(2.22)
Misal x = t
1/2
, dx = (1/2)t
1/2
dt atau dt = 2t
1/2
dx = 2xdx. Dengan substitusi ini, maa
Persamaan (2.21) menjadi
(1/2) =

0
x
1
e
x
2
2xdx
=
_

0
2 e
x
2
dx. (2.23)
(2.24)
Menggandaan Persamaan (2.23) diperoleh
[(1/2)]
2
=
__

0
2 e
x
2
dx
___

0
2 e
y
2
dy
_
=
_

0
_

0
4 e
(x
2
+y
2
)
dxdy (2.25)
Untu menyelesaian integral pada Persamaan (2.25),
i
oordinat utub.
Misal x = r cos dan y = r sin ; sehingga x
2
+y
2
= r
2
cos

lauan transformas

2
+r
2
sin
2
= r
2
(cos
2
+sin
2
) = r
2
.
Kemudian turunan parsial masing masing peubah terhadap r dan adalah sebagai be
riut
x
r
= cos ,
x

= r sin ,
y
r
= sin ,
y

= r cos .
Dengan demiian diperoleh Jacobian,
J =

cos r sin
sin r cos

= r cos
2
+r sin
2

= r.
Sehingga integral Persamaan (2.25) menjadi
[(1/2)]
2
=
_
/2
0
_

4 e
r
2
rdr d.
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 10
Untuk menyelesaikan integral ini, misalkan u = r
2
, du = 2r dr. Dengan demikian
[(1/2)]
2
= 2
_
/2
0
_

0
e
u
dud
= 2
_
/2
0
_
e
u

0
_
d
= 2
_
/2
0
(e

+e
0
) d
= 2
_
/2
0
d
= 2

/2
0
= 0
= .
Jadi dieroleh (1/2) =

.
Suatu eubah acak kontinu X dikatakan berdistribusi gamma dengan arameter >
0 dan
> 0 jia memilii fungsi densitas peluang dengan bentu
f
X
(x; , ) =
_
_
_
1

()
x
1
e
x/
, untu 0 < x < ;
0, untu x lainnya;
(2.26)
dan dinotasian X GAM(, ). Bentu (2.26) juga dapat direparameterisasi sebagai
f
X
(x; , ) =
_
_
_

()
x
1
e
x
, untu 0 < x < ;
0, untu x lainnya;
(2.27)
Lihat Rice (2007), halaman 53 untu bentu fungsi densitas peluang persamaan(2.2
7).
Disusi: Tunjuan bahwa persamaan (2.27) adalah fungsi densitas peluang.
Parameter disebut parameter bentu (shape parameter) arena menentuan bentu d
asar
gra  fungsi densitas peluang. Secara umum ada tiga bentu dasar bergan
tung pada apaah
< 1, = 1, atau > 1. Sementara itu, parameter disebut parameter sala (scale pa
rameter).
Mengubah nilai bersesuaian dengan mengubah ubah unit unit penguuran (
ataanlah dari
deti e menit).
Untu memerisa apaah integral persamaan (2.26) adalah fungsi densias peluang g
unaan
teni substitusi. Dengan ata lain, untu memerisa
_

0
1

()

x
1
e
x/
dx = 1 (2.28)
lauan substitusi dengan t = x/, dt = (1/) dx,
pengintegralan tida
berubah. Sehingga
_

0
1

()
x
1
e
x/
dx =
_

()
(t)
1
e
t
dt
=
_

0
1
()

1
t
1
e
t
dt
=

1
()

()
= 1. (2.29)
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS 11
Fungsi Distribusi Kumulatif
Fungsi distribusi umulatif X GAM(, ) adalah
F
X
(x; , ) =
_
x

dengan batas batas

0
1

()
x
1
e
x/
dt. (2.30)
Integral bentu (2.30) secara umum tida dapat diselesaian secara esplisit, na
mun bila
adalah bilangan bulat positif,
ataanlah = n, maa integralnya dapa
t dinyataan sebagai
penjumlahan.
Teorema 2.3. Jia X GAM(, n), dengan n adalah bilang bulat ositif maka fungsi di
stribusi
kumulatifnya daat ditulis
F
X
(x; , n) = 1
n1
i=0
(x/)
i
i!
e
x/2
. (2.31)
Bukti: Stone (1996) Akan ditunjukkan Persamaan (2.31) dengan induksi.
n = 1:
F
X
(x; , 1) = 1 e
x/
0
i=0
(x/)
0
0!
= 1 e
x/
. (2.32)
[Catatan: jika jika n = 1 maka X EXP(), sehingga F
X
(x) = 1 ex(x/)].
Selanjuntya akan ditunjukkan benar untuk n + 1:
F
X
(x; , n + 1) =
_
x
0
t
n+11

n+1
(n + 1)

Untuk

e
t/
dt
=
_
x
0
t
n

n+1
(n + 1 1)!
e
t/
dt
=
_
x
0
t
n

n+1
n!
e
t/
dt
=
_
x
0
t
n

n
n!
d
_
e
t/
_
=
t
n

n
n!
e
t/

t=x
t=0
+
_
x
0
nt

n1

n
n!
e
t/
dt
=
x
n
e
x/

n
n!
0 +
_
x
0
nt
n1

n
n!
e
t/
dt
=
_
x
0
nt
n1

n
n!
e
t/
dt
x
n
e
x/

n
n!
. (2.33)
Dengan hipotesis indusi
F
X
(x; , n) = 1
n1
i=0
(x/)
i
i!
e
x/2

x
n
e
x/

n
n!
= 1
n
i=0
(x/)
i
i!
e
x/2
. (2.34)
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS 12
Rata rata dan Varians
Nilai tengah atau rata rata dari X GAM(, ) diperoleh sebagai beriut:
E(X) =
_

0
x
1

()
x
1
e
x/
dx
=
1

()
_

0
x
(1+)1
e
x/
dx
=

1+
(1 +)

()
_

0
x
(1+)1

1+
(1 +)
e
x/
dx
=

1+
(1 +)

()
=
()
()
= . (2.35)
dan
E(X
2
) =
_

0
x
2
1

()
x
1
e
x/
dx
=
1

()
_

0
x
(2+)1
e
x/
dx
=

2+
(2 +)

()
_

0
x
(2+)1

2+
(2 +)
e
x/
dx
=

2+
(2 +)

()
=

2
(1 +)(1 +)
()
=

2
(1 +)()
()
=
2
(1 +). (2.36)
Dengan demiian
var(X) = E(X
2
) [E(X)]
2
=
2
(1 +) []
2
=
2
(
2
+)
2

2
=
2

2
+
2

2

2
=
2
. (2.37)
Fungsi pembangit momen
Fungsi pembangit momen X GAM(, ) dapat dihitung sebagai beriut.
M
X
(t) =

0
e
tx
x
1

()
e
x/
dx
=
_

0
x
1
e
x(1t)/

()
dx (2.38)
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS 13
Untu menyelesaian integral persamaan (2.38) lauan substitusi u =
x(1 t)/ dengan
t < 1/ atau x = u(1 t) sehingga dx = (/(1 t)) du. Dengan demiian
M
X
(t) =
_

()(1 t)
_
u
1 t
_
1
e
u
du
=
_

1
u
1

()(1 t)(1 t)
1
e

u
du
=
_

0
u
1
()(1 t)

e
u
du
=
1
(1 t)

0
u
1
()
e
u
du
=
1
(1 t)

()
()
=
1
(1 t)

= (1 t)

, t < 1/. (2.39)

Dengan mengetahui fungsi pembangit momen, ita juga dapat menghitung momen pert
ama
dan edua, yani E(X) dan E(X
2
). Menurunan persamaan (2.39) terhadap t diperoleh
M
X
(t) = ()(1 t)
1
() (2.40)
dan
M
X
(t) = ()( 1)(1 t)
2
()(). (2.41)
Selanjutnya
E(X) = M

X
(0) = ()(1 0)
1
()
= (2.42)
dan
(2.43)
E(X
2
) = M
X
(0) = ()( 1)(1 0)
2
()()
= ()( 1)
2
= ( + 1)
2
=
2
( + 1). (2.44)
Dengan menggunaan hasil dari Persamaan (2.42) dan
diperoleh varians
seperti pada Persamaan (2.37).
Turunan e r dapat dihitung sebagai beriut
M
(r)
X
(t) = ( +r 1) ( + 1)(1 t)
r
=
( +r)
()

r
(1 t)
r
. (2.45)
Momen e r dihasilan dari M
(r)
X
(0), yani
E(X
r
) =
( +r)
()

r
(1 0)
r
=
( +r)
()

r
. (2.46)
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS 14
Sebagai contoh momen etiga, yani

(2.44) maa aan

E(X
3
) =
( + 3)
3
()
=
( + 2)( + 1)()
3
()
= ( + 2)( + 1)
2
(2.47)
Disusi:Bagaimana cara menghitung fungsi gamma?
Program Rmemilii fungsi gamma untu menghitung fungsi gamma, bai
untu bilangan
bulat maupun pecahan. Perhatian contoh beriut:
> gamma(4)
[1] 6
> gamma(5/3)
[1] 0.9027453
Distribusi gamma dengan parameter = 2 dan = 1 disebut distribusi hi uadr
at (chi
suare). Distribusi ini banya berperan dalam teni pengambilan sampel. Sel
anjunya apabila
X GAM(, 1) maka X dikatakan berdistribusi eksonensial dengan arameter , dinot
asikan
X EXP().
Alikasi
Menurut Rice (2007), Wackerly et al. (2002), dan Hogg and Craig (1
995) distribusi gamma
cocok digunakan untuk memodelkan eubah acak non negatif. Lebih lanjut
Wackerly et al.
(2002) menambahkan bahwa distribusi ini cenderung miring (skewed) ke
kanan. Distribusi
gamma biasanya digunakan untuk memodelkan lama waktu antara kerusakan (
malfunction)
mesin esawat terbang, memodelkan antrian ada saat embayaran di kasir suermar
ket, dan
lama waktu erawatan (maintenance) mobil. Selanjutnya Rice (2007) mencontohkan
encarian
ola dalam enentuan gema bumi dalam kaitannya dengan waktu, ruang,
dan magnitudo.
Selain itu Hogg and Craig (1995) menambahkan bahwa distribusi gamma
sering digunakan
sebagai model untuk waktu tunggu (waiting time) dalam reliabilitas.
2.2.3 Distribusi Eksonensial
Suatu eubah acak X dikatakan berdistribusi eksonensial dengan arameter > 0, d
inotasikan
X EXP() jika memiliki fungsi densitas eluang dengan bentuk
f
X
(x; ) =
_
_
_
1

e
x/

, jika 0 < x; 0 < ;

0, jika x lainnya.
(2.48)
Distribusi eksonensial dengan arameter , yakni EXP() adalah kejadi
an khusus dari
distribusi gamma dengan arameter = 1 , yani AM(, 1). Dengan de
miian sifat sifat
distribusi gamma berlau untu distribusi esponensial.
Fungsi distribusi umulatif
Fungsi distribusi umulatif X dapat dinyataan sebagai
F
X
(x; ) = 1 e
x/
, jia 0 < x. (2.49)
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS 15
Hasil ini diperoleh dari Teorema 2.3 dengan asus n = 1 atau den
gan menghitung langsung
integral persamaan (2.49), yani
F
X
(x) =
_
x
0
1

e
t/
dt
=
_
x
0
1

d
_
e
t/
_
=
_
x
0
d
_
e
t/
_
= e
t/

x
0
= e
x

(e
0
)
= 1 e
x/
. (2.50)
Rata rata dan varians
Rata rata dan varians juga merupaan hasil husus dari distribusi
AM(, 1). Lihat Per
samaan (2.35) dan (2.37) untu rata rata dan varians distribusi gamma. Dengan
memanfaatan
edua hasil ini serta mensubstitusian = 1 maa diperoleh E(X) =
= 1 = dan
var(X) =
2
=
2
1 =
2
.
Disusi: Carilah E(X), E(X
2
), dan var(X) dengan mengintegralan secara langsung emudian
bandingan hasilnya.
Fungsi pembangit momen
Dengan analogi yang sama maa fungsi pembangit momen untu distribusi esponens
ial adalah
fungsi pembangit momen dari distribusi AM(, 1) sehingga diperoleh
M
X
(t) = (1 t)
1
. (2.51)
Disusi: Carilah M
X
(t) dengan mengintegralan secara langsung.
2.2.4 Distribusi Normal
Distribusi normal pertama ali dipubliasian oleh Abraham de Moivre pada tahun
1733 sebagai
suatu pendeatan terhadap distribusi jumlah peubah aca binomial.
Suatu peubah aca X diataan berdistribusi normal (atau auss) dengan rata ra
ta dan
varians
2
, dinota
ikan X N(,
2
) jika ia memiliki fung
i den
ita
peluang dengan bentuk
f
X
(x; , ) =
1

2
e

(x )
2
2
2
, < x < , < < , 0 < < . (2.52)

Mi
al dide ni
ikan

I =
_

0
f
X
(x; , ) dx
=
_

0
1

2
e
[(x)/]
2
/2
dx (2.53)
Untuk memerik
a apakah fung
i integral fung
i den
ita
peluang ini

ama dengan 1, gu
nakan teknik
ub
titu
i, mi
al z = (x )/ dengan dx = dz. Perhatikan
bahwa f(z) =
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 16
(1/
qrt 2) ex(z
2
) adalah fungsi gena, yakni f(z) = f(z). Dengan demikian
I =
_

f(x; , ) dx
=
_

2
e
z
2
/2
dz
= 2
_

0
1

2
e
z
2
/2
dz. (2.54)
Aabila dimisalkan w = z
2
/2, maka z =


2w dan dz = (w
1/2
/

2), sehingga
I =
_

0
w
1/2

2
e
w
dw
=
_

0
w
1/2

e
w
dw
=
(1/2)

=
(

)
(

)
= 1. (2.55)
Lihat kembali sifat sifat fungsi gamma untuk memahami hasil integral ada ersam
aan (2.55).
Fungsi distribusi kumulatif normal standar
Integran yang dieroleh dengan substitusi z = (x)/ di
ebut fung
i den
ita
peluang
normal

tandar, dinota
ikan (z), yakni
(z) =
1

2
e
z
2
/2
, < z < . (2.56)
Jika eubah acak Z memiliki ungsi densitas eluang dengan bentuk (2.56), maka
Z N(0, 1).
Fung
i di
tribu
i kumulatif normal
tandar diberikan oleh

(z) =
_
z

(t) dt. (2.57)

Berikut ini siat siat geometrik ungsi densitas eluang normal standar.
1. Untuk semua bilangan real z, ungsi (z) adalah ungsi gena, yakni
= (z). De
ngan kata lain distribusi normal standar simetrik ada z = 0.
2. Berdasarkan siat khusus ada siat 1, dieroleh

(z) = z(z)
dan

(z)

(2.58)

(z) = (z
2
1)(z). (2.59)
3. Sebagai konsekuensi (z) memiliki nilai maksimum tunggal (unique maximum) ad
a z = 0
dan titik in eksi ada z = 1. Perhatikan juga bahwa (z) 0 dan

(z) =
z

2 ex(z
2
/2)
0 (2.60)
sebagaimana z .
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 17
Rata rata dan varians
Dengan menggunakan siat siat enting ungsi densitas eluang normal standar da
at dihitung
E(Z) dan E(Z
2
):
E(Z) =
_

z(z) dz
=
_

(z) dz
= (z)

= 0, (lihat siat 3)
dan

(2.61)

E(Z
2
) =
_

z
2
(z) dz
=
_

[
(z) +(z)] dz
=
(z)

+
_

(z) dz
= 0 + 1
= 1. (2.62)
Dengan demikian var(Z) = E(Z
2
) [E(Z)]
2
= 1 0 = 1. Selanjutnya untuk X N(,
2
)
maka E(X) dan E(X
2
) juga dapat dihitung dengan terlebih dahulu melakukan
ub
titu
i
(x )/ atau x = z +
ehingga dx = dz. Kita peroleh
E(X) =
_

2
exp
_

1
2
_
x

_
2

z =

_
dx
=
_

(z +)

2
exp(z
2
/2) dz
=
_

(z +)

2
ex(z
2
/2) dz
=
_

(z +)(z) dz
=
_

z(z) dz +
_

(z) dz
=
_

z(z) dz +
_

(z) dz
= 0 + 1
= . (2.63)
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS
Selanjutnya
E(X
2
) =
_

x
2

2
exp

18

1
2
_
x

_
2
_
dx
=
_

(z +)
2

2
exp(z
2
/2) dz
=
_

(z +)
2

2
ex(z
2
/2) dz
=
_

(z +)
z
(z) dz
=
_

(
2
z
2
+ 2z +
2
)(z) dz
=
_

2
z
2
(z) dz +

2z(z) dz +
_

2
(z) dz
=
2
_

z
2
(z) dz + 2
_

z(z) dz +
2
_

(z) dz
=
2
1 + 0 +
2
1
=
2
+
2
. (2.64)
Dengan demikian diperoleh
var(X) = E(Z
2
) [E(Z)]
2
=
2
+
2

2
=
2
. (2.65)
Teorema 2.4. Jika X N(,
2
), maka
(a). peubah acak Z = (X )/ N(0, 1),
(b). fung
i di
tribu
i X
F
X
(x) =
_

_
. (2.66)
Bukti: Akan dibuktikan
ifat (a) menggunakan de ni
i fung
i di
tribu
i
F
Z
(z) = P(Z z)
= P
_
X

z
_
= P(X +z)
=
_
+z

2
exp
_

1
2
_
x

__
dx.
Dengan
ub
titu
i w = (x )/ atau x = + 2 diperoleh bata
bata
untuk x = maka
w = dan untuk x = +z diperoleh w = z. Sehingga
F
Z
(z) =
_
z

2
e
z
2
/2
dz
=
_
z

2
e
z
2
/2
dz

=
_
z

(z) dz
= (z).
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS
Dengan menurunkan 
Z
(z) = 

19

Z
(z) = (

2)
1
e
z
2
/2
. Jadi Z = (X )/ N(0, 1).
Selanjutnya untuk
ifat (b)
F
X
(x) = P(X x)
= P
_
X

_
=
_
x

_
Fung
i pembangkit momen
Untuk menentukan fung
i pembangkit momen di
tribu
i
ahulu diperhatikan
fung
i pembangkit momen di
tribu
i normal
tandar.
M
Z
(t) =
_

2
ex(tz) ex(z
2
/2) dz
=
_

normal

terlebih d

2
ex[(z t)
2
/2 +t
2
/2] dz
= ex(t
2
/2)
_

2
ex[(z t)
2
/2] dz
= ex(t
2
/2) 1
= exp(t
2
/2). (2.67)
Kita tahu bahwa Z = (X )/ N(0, 1)
ehingga X = Z +. Dengan demikian
M
X
(t) = M
Z+
(t)
= exp(t)M
Z
(t)
= exp(t) exp[(t)
2
/2]
= exp[t + (
2
t
2
)/2] (2.68)
2.2.5 Di
tribu
i Weibull
Di
tribu
i Weibull merupakan
alah
atu di
tribu
i yang banyak digunakan dalam b
idang pengu
jian tahan hidup benda. Di
tribu
i ini diberi nama
etelah
ikawan W. Weibull,
menyarankan
penggunaannya pada berbagai aplika
i, terutama uji kelelahan dan kekuatan materi
al.
Peubah acak kontinu X dikatakan memiliki di
tribu
i Weibull dengan parameter
> 0 dan
> 0 untuk x > 0, dinotasikan WEI(, ), ila memiliki fungsi densitas peluang denga
n entuk
f
X
(x; , ) =
_
_
_


x
1
e
(x/)

, jika x > 0;
0, jika x lainnya.
(2.69)
Parameter dise ut parameter entuk (shape parameter). Seperti halnya p
ada distri usi
gamma, maka akan ada tiga entuk dasar ergantung pada < 1, = 1, atau > 1.
Fungsi distri usi kumulatif
Rata rata dan varians
Untuk menghitung E(X) dan E(X
2
) dapat memanfaatkan sifat sifat fungsi gamma.
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 20
E(X) =
_

xx
1
e
(x/)

dx
=

0
x
(1+)1
e
(x/)

dx (2.70)
Untuk menyelesaikan Persamaan (2.70) lakukan su stitusi (x/)

= u, sehingga dx = [(u
1/21
)/] du.
Dengan demikian
E(X) =

0
(u
1/
)

1+1
e
u

u
1/1
du
=

0
(u
1/
)

e
u

u
1/1
du
=

ue
u

u
1/1
du
=
_

0
u
(1+1/)1
e
u
du
=
_
1 +
1

_
. (2.71)
Selanjutnya untuk menghitung E(X
2

) lakukan su stitusi seperti pada waktu menghitung E(X).

E(X
2
) =
_

x
2
x
1
e
(x/)

dx
=

0
x
(2+)1
e
(x/)

dx
=

0
(u
1/
)
+1
e
u

u
1/1
du
=

0
(
+1
u
(1+1/

)) e
u

u
(1/1)
du
=
2
_

0
u
(2/ eta+1)1
e
u
du
=
2

_
1 +
2

_
. (2.72)
Berdasarkan Persamaan (2.70) dan (2.72) diperoleh
var(X) = E(X
2
) [E(X)]
2
=
2

_
1 +
2

_
1 +
1

__
2
=
2
_

_
1 +
2

2
_

1 +
1

__
. (2.73)
2.2.6 Fungsi pem angkit momen
Fungsi pem angkit momen distri usi Wei ull menghasilkan entuk yang t
idak terlacak (not
tracta le).
2.3 Latihan Soal
2 1 Waktu tahan hidup (survival time) dalam hari suatu tikus putih
yang ergantung pada
tingkat radiasi sinar X adalah peu ah acak X GAM(5, 4). Hitunglah:
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 21
a) P(X 15);
b) P(15 < X < 20);
c) Nilai harapan tahan hidup, E(X).
[Petunjuk: gunakan teorema tentang
ifat fung
i di
tribu
i gamma]
2 2 Waktu (dalam menit)
ampai pelanggan ketiga mema
uki
upermarket adalah peu
bah acak
X GAM(1, 3). Jika toko buka jam 08.00, hitunglah peluang bahwa:
a) pelanggan ketiga datang antara jam 08.05 dan 08.10;
b) pelanggan ketiga datang
etelah jam 08.10.
2 3 Jika X GAM(1, 2) hitunglah modu
nya.
2 4 Mi
al peubah acak X berdi
tribu
i gamma dengan fung
i den
ita
peluang
f
X
(x; ) =
_
_
_
1

2
xe
x/
, untuk 0 < x < ;
0, untuk x lainnya.
Jika x = 2 adalah modus tunggal (uniue mode) dari distri usi, hitunglah parame
ter .
2 5 Jika fungsi pem angkit momen peu ah acak W adalah
M
W
(t) = (1 7t)
20
,
carilah fungsi densitas peluangnya, nilai tengah (rata rata), dan varians W.
2 6 Misal X N(10, 16). Hitunglah:
a) P(X 14);
b) P(4 X 18);
c) P(2X 10 18);
2 7 Mi
al
uatu LCD proyektor mengha
ilkan jumlah cahaya (dalam lumen

) dan dianggap
berdi
tribu
i normal dengan rata rata = 350 dan varian

2
= 400.
a) Hitunglah P(325 < X < 363).
b) Carilah nilai c
ehingga jumlah cahaya yang diha
ilkan 90% cahaya
LCD melebihi c
lumen
.

2 8 Mi
al X N(1, 2).

a) Hitung E(X 1)
4
.
b) Hitung E(X
4
).
2.4 Latihan Soal Teoreti

2 1* Jika > 1, tunjuan bahwa densitas gamma memilii nilai masimum pada ( 1)
/.
2 2* Fungsi gamma adalah fungsi fatorial yang diperumum (generalized factorial
function).
a) Tunjuan bahwa (x + 1) = x(x).
BAB 2. DISTRIBUSI DISTRIBUSI PELUAN KHUSUS 22
b) unaan fata bahwa (1/2) =

untuk menunjukkan bahwa jika n adalah bilangan

bulat ganjil maka
(n/2) =

(n 1)!
2
n1
_
n 1
2
_
!
.
2 3* Tunjukkan dengan teknik engubahan variabel (change o variable) bahwa
(x) = 2
_

0
t
2x1
e
t
2
dt
=
_

e
xt
e
e
t
dt.
BAB 3
PEUBAH ACAK BERANDA
Kompetensi Dasar
Membedaan sifat sifat nilai harapan dan fungsi pembangit momen.
Indiator Pencapaian
Mampu memisahan sifat sifat nilai harapan, harapan bersyarat, dan fu
ngsi pembangit
momen.
Materi Poo
3.1 Distribusi Bersama dan Marginal

3.2 Peubah Aca Bebas

3.3 Distribusi Bersyarat
3.4 Latihan Soal
Dalam banya apliasi biasanya terdapat lebih dari satu peubah aca
yang menjadi obje
penelitian, ataanlah X
1
, . . . , X

. Secara matematis aan lebih mudah mengganggap peubah
peubah ini sebagai
omponen dari vetor dimensi , X = X
1
, . . . , X

, dan juga nilai nilai
x = (x
1
, . . . , x

) dalam ruang Euclid berdimensi . Nilai amatan x dapat merupaan hasil dari
penguuran arateristi arateristi sebanya , atau hasil dari penguuran sa
tu arateristi
sebanya  ali (hasil dari  ali percobaan yang diulang pada satu peubah saj
a).
3.1 Distribusi Bersama dan Marginal
3.1.1 Distribusi Disrit Bersama
De nisi 3.1 (Fungsi densitas peluang bersama). Fungsi densitas peluang bersama (j
oint proba
bility distribution function) dari peubah aca disrit dimensi , X = (X
1
, . . . , X

), dide nisian
sebagai
f
X
1
,...,X

(x
1
, . . . , x

) = P(X
1
= x
1
, X
2
= x
2
, . . . , X

= x

)
untu semua nilai yang mungin X = (x
1
, . . . , x


) dari X.
Dalam ontes ini, notasi (X
1
= x
1
, X
2
= x
2
, . . . , X

= x

) menyataan irisan  ejadian
(X
1
= x
1
), (X
2
= x
2
) (X

= x

).
Contoh 3.1. Sebuah ota berisi 1000 bola, 500 berwarna merah, 400
berwarna putih, dan
100 berwarna biru. Jia sepuluh bola dipilih secara aca tanpa pengen
dalian, maa jumlah
23
BAB 3. PEUBAH ACAK BERANDA 24
bola merah, X
1
, dan jumlah bola putih, X
2
, dalam sampel adalah peubah aca disrit yang
berdistribusi bersama. Fungsi densitas bersama pasangan (X
1
, X
2
) dinyataan oleh
f
X
1
,X
2
(x
1
, x
2
) =
_
500
x
1
__
400
x

2
__
100
10 x
1
x
2
_
_
1000
10
_
untu semua 0 x
1
, 0 x
2
, dan x
1
+x
2
10.
3.1.2 Distribusi Hypergeometri yang Diperluas
Misal suatu olesi terdiri dari suatu jumlah item tertentu N, dan terdapat  +1
jenis berbeda;
M
1
jenis 1, M
2
jenis 2, dan seterusnya. Pilih n item secara aca tanpa pengembali
an, dan
misal X
i
adalah jumlah item jenis i yang terpilih. Vetor X = (X
1
, . . . , X

) berdistribusi
hipergeometri diperluas (extended hypergeometric distribution) dengan fungsi de
nsitas peluang
dalam bentu
f
X
1
,...,X

(x
1
, . . . , x

) =
_
M
1
x
1
__
M
2
x
2

_

_
M

x

__
M
+1
x
+1
_
_
N
n
_
untu semua 0 x
i
M
i
, dengan M
+1
= N


i=1
M
i
dan x
+1
= n

i=1
x
i
. Notasi
husus untu distribusi ini adalah
X HYP(n, M
1
, M
2
, . . . , M
k
, N).
Apabila pengambilan
ampel dilakukan dengan pengembalian, maka vektor X akan be
rdi

tribu
i multinomial.
3.1.3 Di
tribu
i Multinomial
Mi
al terdapat k+1 kejadian
aling lepa
(mutually exclu
ive) dan exhau
tive, ya
kni, E
1
, E
2
, . . . , E
k
, E
k+1
,

yang dapat terjadi pada
etiap percobaan, dan mi
al p

i
= P(E
i
) untuk i = 1, 2, . . . , k + 1.
Pada
etiap n kali percobaan beba
, mi
alkan X
i
adalah banyaknya kejadian E
i
. Vektor
X = (X
1
, . . . , X
k
) dikatakan memiliki di
tribu
i multinomial, dengan fung
i den
ita
ber
ama
dalam bentuk
f
X
1
,...,X
k
(x
1
, . . . , x
k
) =
n!
x
1
!x
2
! x
+1
!
p
x
1
1
p
x
2
2
p
x
+1
+1
(3.1)
untu semua 0 x
i
n, dimana x
+1
= n


i=1
x
i
dan p
+1
= 1


i=1
p
i
. Notasi untu
distribusi ini adalah
X MULT(n, p
1
, p
2
, . . . , p
k
).
Per
amaan (3.1) mirip dengan di
tribu
i binomial. Untuk terjadinya E
i

ebanyak x
i
kali, diper
lukan permuta
i E
1

ebanyak x
1
, E
2

ebanyak x
2
, dan
eteru
nya. Banyaknya permuta
i untuk
kejadian kejadian ter
ebut adalah
n!
(x
1
!)(x
2
!) (x
+1
!)
,
dan masing masing permutasi terjadi dengan peluang p
x
1
1
p
x
2
2
p
x
+1
+1
.
Contoh 3.2. Sebuah dadu bermata empat dilemparan sebanya 20 ali,
dan munculnya
masing masing sisi dicatat. Peluang mendapatan empat mata 1, enam m
ata 2, lima mata
3, dan lima mata 4 serta nilai p
i
= 0,25 adalah
20!
(4!)(6!)(5!)(5!)

(0,25)
20
= 0,0089.
BAB 3. PEUBAH ACAK BERANDA 25
Teorema 3.1. Suatu fungsi f
X
1
,...,X

(x
1
, . . . , x

) adalah fungsi densitas peluang bersama untu
beberapa peubah aca bernilai vetor X = (X
1
, . . . , X

) jia dan hanya jia sifat sifat beriut
dipenuhi:
f
X
1
,...,X

(x
1
, . . . , x

) 0 untu semua nilai yang mungin (x
1
, . . . , x

)
dan
x
1

x

f(x
1
, . . . , x

) = 1.
Dalam asus dua dimensi, aan lebih mudah menyajian fungsi densitas bersama dal
am ben
tu tabel, lebih husus lagi, jia bentu fungsional untu fungsi densitas bersa
ma f
X
1
,X
2
(x
1
, x
2
)

tida dietahui. Misal (X

1
, X
2
) MULT(3; 0,4, 0,4). Bentuk tabel untuk nilai fung
i den
ita

nya adalah
ebagai berikut:
x
2
0 1 2 3
0 0,008 0,048 0,096 0,064 0,216
x
1
1 0,048 0,192 0,192 0,000 0,432
2 0,096 0,192 0,000 0,000 0,288
3 0,064 0,000 0,000 0,000 0,064
0,216 0,432 0,288 0,064 1
Dengan melihat tabel diata
, kita tertarik untuk menghitung peluang
"marjinal", yakni
P(X
1
= 1), tanpa memperhatikan nilai X
2
. Relatif terhadap ruang
ampel ber
ama, X
2
mem
punyai pengaruh pada parti
i kejadian, katakanlah A, bahwa X
1
= 1; penghitungan peluang
marjinal P(A) = P(X
1
= 1) menjadi
P(A) =
3
j=0
P(X
1
= 1, X
2
= j)
=
3
j=0
f
X
1
,X
2
(1, j)
=
x
2
f(1, x
2
)
= 0,432.
De ni
i 3.2 (Fung
i den
ita
marjinal).
1

Jika pa
angan peubah acak di
krit (X

, X
2
) memiliki
fung
i den
ita
ber
ama f
X
1
,X
2
(x
1
, x
2
), maka fung
i den
ita
peluang marjinal X
1
dan X
2
adalah
f
X
1
(x
1
) =
x
2
f
X
1
,X
2
(x
1
, x
2
)
dan
f
X
2
(x
2
) =
x
1
f
X
1
,X
2
(x
1
, x
2
).
BAB 3. PEUBAH ACAK BERGANDA
Contoh 3.3. Mi
al (X
1
, X

26

2
) MULT(n, p
1
, p
2
), maka fung
i den
ita
marjinal X
1
adalah
f
X
1
(x
1
) =
x
2
f
X
1
,X
2
(x
1
, x
2
)
=
nx
1
x
2
=0
f
X
1
,X
2
(x
1
, x
2
)
=
n!
x
1
!(n x
1
)!
p
x
1
1
nx
1
x
2

=0
(n x
1
)!p
x
2
2
[(1 p
1
) p
2
]
(nx
1
)x
2
x
2
![(n x
1
) x
2
]!
=
n!
x
1
!(n x
1
)!
p
x
1
1
nx
1
x
2
=0
_
n x
1
x
2
_
p
x
2
2
[(1 p
1
) p
2
]
(nx
1
)x
2
=

_
n
x
1
_
p
x
1
1
[p
2
+ (1 p
1
) p
2
]
nx
1
=
_
n
x
1
_
p
x
1
1
(1 p
x
1
)
nx
1
. (3.2)
Per
amaan (3.2) merupakan bentuk di
tribu
i dari
1
), dengan kata lain X
1

binomial(n, p
1
).
De ni
i 3.3 (Fung
i di
tribu
i kumulatif
kumulatif ber
ama k
peubah acak X
1
, . . . , X
k
adalah fung
i yang dide ni
ikan oleh
F
X
1
,...,X
k
(x
1
, . . . , x
k
) = P(X

binomial(n, p

ber
ama).

Fung
i

di
tribu
i

1
x
1
, X
2
x
2
, . . . , X
k
x
k
).
Teorema 3.2 (Fung
i di
tribu
i kumulatif bivariat).
X
1
,X
2
(x
1
, x
2
) adalah fung
i
di
tribu
i kumulatif bivariat jika dan hanya jika:
(i) lim
x
1

F
X
1
,X
2
(x
1
, x
2
) = F
X
1
,X
2
(, x
2
) = 0 untuk
emua x
2
;
(ii) lim
x
2

F
X
1
,X
2
(x
1
, x
2
) = F

Suatu fung
i F

X
1
,X
2
(x
1
, ) = 0 untuk
emua x
1
;
(iii) limx
1

x
2

F
X
1
,X
2
(x
1
, x
2
) = F
X
1
,X
2
(, ) = 1;
(iv) Untuk
emua a < b dan c < d berlaku:
;
(v) lim
h0
+ F
X
1
,X
2
(x
1
+ h, x
2
) = lim
h0
+ F
X
1
,X
2
(x
1
, x
2
+ h) = F
X
1
,X
2
(x

F(b, d) F(b, c) F(a, d) +F(a, c) 0

1
, x
2
) untuk
emua
x
1
dan x
2
.
Contoh 3.4. Mi
al
uatu fung
i dide ni
ikan
ebagai berikut:
F
X
1
,X
2
(x
1
, x
2
) =
_
0, jika x
1
+x
2
< 1;
1, jika x
1
+x
2
1.
Jika a = c = 1 dan b = d maka
F(1, 1) F(1, 1) F(1, 1) +F(1, 1) = 1 1 1 + 0 = 1.
Dengan kata lain
ifat (iv) dalam Teorema 3.2 tidak dipenuhi.
BAB 3. PEUBAH ACAK BERGANDA 27
3.1.4 Di
tribu
i Kontinu Ber
ama
De ni
i 3.4 (Fung
i peluang ber
ama kontinu). Suatu vektor peubah acak berdimen

i k, X =
(X
1
, . . . , X
k
) dikatakan kontinu jika terdapat
uatu fung
i f
X
1
,...,X
k
(x
1
, . . . , x
k
) di
ebut fung
i
den
ita
ber
ama dari X,
edemikian hingga fung
i di
tribu
i kumulatif ber
a
ma dapat dituli


ebagai
F
X
1
,...,X
k

(x
1
, . . . , x
k
) =
_
x
k

_
x
1

f
T
1
,T
2
,...,T

(t
1
, . . . , t

) dt
1
dt

(3.3)
untu semua x = (x
1
, . . . , x

).
Seperti halnya dalam asus satu dimensi, fungsi densitas bersama dapat diperoleh
dari fungsi
distribusi umulatif bersama dengan menurunan F
X
1
,...,X

(x
1
, . . . , x

) pada Persamaan (3.3),
yani
f
X
1
,...,X

(x
1
, . . . , x

) =

x
1
x

F
X
1
,...,X

(x
1
, . . . , x

).
bilamana turunan parsialnya ada.
Teorema 3.3 (Syarat fungsi densitas bersama). Sembarang fungsi f
X
1
,...,X

(x
1
, . . . , x

) adalah
fungsi densitas bersama dari peubah aca berdimensi  jia dan hanya jia
f
X
1
,...,X

(x
1
, . . . , x

0) untu semua x
1
, . . . , x

dan
_

f
X
1
,...,X

(x
1
, . . . , x

) dx
1
dx


= 1.
Contoh 3.5. Misal X
1
menyataan onsentrasi substansi dalam suatu percobaan pertama
dan X
2
menyataan onsentrasi substansi dalam percobaan edua. Dianggap fungs
i densitas
bersama diberian oleh
f
X
1
,X
2
(x
1
, x
2
) =
_
5x
1
x
2
untu 0 < x
1
< 1, 0 < x
2
< 1;
0 untu x yang lain.
Fungsi distribusi umulatif bersama diberian oleh
F
X
1
,X
2
(x
1
, x
2
) =
_
x
2

_
x
1

f
T
1
,T
2
(t
1
, t
2
) dt
1

dt
2
=
_
x
2
0
_
x
1
0
5t
1
t
2
dt
1
dt
2
=
_
x
2
0
_
5
2
t
2
1

x
1
0
_
t
2
dt
2
=
5
2
x
2
1
_
x
2
0
t
2
dt
2
=
5
2
x

2
1
_
1
2
t
2
1

x
2
0
_
=
5
2
x
2
1
1
2
x
2
2
=
5
4
x
2
1
x
2
2
untu 0 < x
1
< 1, 0 < x
2
< 1.
Menghitung peluang bersama dengan mengintegralan fungsi densitas bersama peluan
g pada
daerah yang bersesuaian juga dimunginan. Misalnya,
ita aan menghit
ung peluang untu
edua percobaan, bahwa "rata rata onsentrasi urang dari 0,5". Kejadian ini d
apat dinyataan
BAB 3. PEUBAH ACAK BERANDA 28
oleh [(X
1
+X
2
)/2 < 0,5], atau apabila himpunan A = {(x
1
, x
2
) : (x
1
+x
2

)/2 < 0,5} maa dapat

dinyataan sebagai [(X
1
+X
2
) A]. Denga demiian,
P[(X
1
+X
2
)/2 < 0,5] = P[(X
1
, X
2
) A]
=
_ _
A
f
X
1
,X
2
(x
1
, x
2
) dx
1
dx
2
=
_
1
0
_
1x
2
0
5x
1
x
2
dx
1
dx
2
=
_
1
0
x
2
_
5
2
x
2
1

1x
2
0
_
dx
2
=
_
1
0
5
2
x
2
(1 x
2
)
2
dx
2
=
_
1
0
5
2
x
2
(1 2x
2
+x
2
2
) dx
2
=
_
1
0
5
2
(x
2
2x
2
2
+x
3
2
) dx
2
=
5
2
_
1
2

x
2

2
3
x
3
2
+
1
4
x
4
_

1
0
=
5
2
_
1
2

2
3
+
1
4
_
=
5
24
.
Secara umum untu peubah aca ontinu X = (X
1
, . . . , X

) dimensi  dan ejadian A dimensi
 ita punya
P(X A) =
_

_
A
f
X
1
,...,X

(x
1
, . . . , x

) dx
1
dx


.
De nisi 3.5 (Fungsi densitas marjinal). Jia pasangan peubah aca ontinu (X
1
, X
2
) memilii
fungsi densitas peluang bersama f
X
1
,X
2
(x
1
, x
2
), maa fungsi densitas peluang marjinal X
1
dan
X
2
adalah
f
X
1
(x
1
) =
_

f
X
1
,X
2
(x
1
, x
2
) dx
2
dan
f
X
2
(x
2
) =
_

f
X
1
,X
2
(x
1
, x
2

) dx
1
.
Jia ita tinjau lagi Contoh 3.5, maa fungsi densitas marjinal X
1
adalah
f
X
1
(x
1
) =
_
1
0
5x
1
x
2
dx
2
= 5x
1
_
1
0
x
2
dx
2
= 5x
1
_
1
2
x
2
2

1
0
_
=
5
2
x
1
,
untu setiap 0 < x
1
< 1 dan nol untu yang lain.
BAB 3. PEUBAH ACAK BERANDA 29
De nisi 3.6 (Fungsi distribusi umulatif marjinal). Jia X = (X
1
, . . . , X

) adalah peubah

aca dimensi

X
1
,...,X

(x
1
, . . . , x

), maa fungsi
umulatif marjinal
j
adalah
F
X
j
(x
j
) = lim
x
j

semua i=j
F
X
1
,...,X

(x
1
, . . . , x
j
, . . . , x

).
Lebih lanjut, jia
lnya adalah
f
X
j
(x
j
) =

dengan fungsi distribusi bersama F

distribusi
X

peubah aca X disrit, maa fungsi densitas peluang marjina

semua i=j
f
X
1
,...,X

f(x
1
, . . . , x
j
, . . . , x

)
dan jia X

ontinu maa

f
X
j
(x
j
) =
_

_
semua i=j
f
X
1
,...,X

f(x
1
, . . . , x
j
, . . . , x

) dx
1
dx

.
Contoh 3.6. Misal X
1
,X
2
, dan X
3
adalah peubah peubah aca ontinu dengan fungsi densitas
bersama dalam bentu
f
X
1
,X
2
,X
3
(x
1
, x
2
, x
3
) =
_
c, untu 0 < x
1
< x
2
< x
3
< 1,
0, untu x yang lain,
(3.4)
Nilai onstanta c dapat dihitung berdasaran Teorema 3.3, yani c = 6.
n demiian

Denga

f
X
3
(x
3
) =
_
x
3
0
_
x
2
0
6 dx
1
dx
2
= 6
_
x
3
0
_
x
1

x
2
0
_
dx
2
= 6
_
x
3
0
x
2
dx
2
=
6
2
_
x
2
2

x
2
0
_

= 3x
2
3
,
jia 0 < x
3
< 1 dan nol untu yang lain.
3.2 Peubah Aca Bebas
De nisi 3.7 (Peubah aca bebas). Peubah peubah aca X
1
, . . . , X

diataan bebas jia untu
setiap a
i
< b
i
P(a
1
X
1
b
1
, . . . , a

X

b

) =

i=1
P(a
i
X
i
b
i
). (3.5)
Pernyataan pada sisi anan Persamaan (3.5) merupaan peralian peluang marjinal
P(a
1

X
1
b
1
), . . . , P(a

X

b

). Dalam ontes ini disebut pula bebas secara stoasti (stochas
tically independent). Jia syarat pada Persamaan (3.5) tida dipenuhi
untu semua a
i
< b
i

,
maa peubah aca tersebut disebut tida bebas (dependent).
Contoh 3.7. Misal X
1
dan X
2
adalah peubah aca disrit dengan peluang bersama diberian
tabel beriut:
Pada Tabel 3.7, nilai fungsi f
X
1
,X
2
(1, 1) = 0,2 = f
X
1
(x
1
)f
X
2
(x
2
). Namun, nilai f
X
1
,X
2
(1, 2) =
0,1 = f
X
1
(1)f
X
2
(2). Dengan demiian peubah aca X
1
dan X
2
tida bebas.
BAB 3. PEUBAH ACAK BERANDA 30
Tabel 3.1: Nilai fungsi densitas bersma dua peubah aca
x
2
0 1 2 f
X
1
(x
1
)
0 0,1 0,2 0,1 0,4
1 0,1 0,2 0,1 0,4
x
1
2 0,1 0,1 0 0,2
f
X
2
(x
2

) 0,3 0,5 0, 2
Teorema 3.4. Peubah aca X
1
, . . . , X

adalah bebas jia dan hanya jia salah satu dari sifat
beriut dipenuhi:
(i) F
X
1
,...,X

(x
1
, . . . , x

) = F
X
1
(x
1
) F
X

(x

), atau
(ii) f
X
1
,...,X

(x
1
, . . . , x

) = f
X
1
(x
1
) f
X

(x

),
dimana F
X
i
(x
i
) dan f
X
i
(x
i
) adalah fungsi distribusi umulatif marjinal dan fungsi densitas dari
X
i

.
Teorema 3.5. Dua peubah aca X
1
dan X
2
dengan fungsi densitas bersama f
X
1
,X
2
(x
1
, x
2
)
diataan bebas jia dan hanya jia:
(i) himpunan penduung, {(x
1
, x
2
) : f
X
1
,X
2
(x
1
, x
2
) > 0} , adalah produ Cartesius, A B,
dan
(ii) fungsi densitas bersama dapat difatoran menjadi produ dari fungsi fung
si x
1
dan x
2
,
f
X
1
,X
2
(x
1
, x
2
) = g
X
1
(x
1
)h
X
2
(x
2
).
Contoh 3.8. Fungsi densitas bersama dari pasangan peubah aca X
1
dan X

dinyataan oleh
f
X
1
,X
2
(x
1
, x
2
) =
_
8x
1
x
2
untu 0 < x
1
< x
2
< 1;
0 untu x lainnya.
Dalam asus ini himpunan penduungnya adalah {(x
1
, x
2
)|0 < x
1
< 1 dan 0 < x
2
< 1} dapat
dinyataan sebagai AB, dimana A dan B eduanya selang terbua (0, 1).
dua pada
Teorema 3.5 dipenuhi arena x
1
x
2
bisa difatoran sebagai g
X
1
(x
1
)h
X
2
(x
2
). Dengan demiian,
X
1
dan X
2
bebas.
Contoh 3.9. Fungsi densitas bersama dari pasangan peubah aca X
1
dan X
2
dinyataan oleh
f

Bagian e

X
1
,X
2
(x
1
, x
2
) =
_
x
1
+x
2
untu 0 < x
1
< 1, 0 < x
2
< 1;
0 untu x lainnya.
Dalam asus ini himpunan penduungnya adalah {(x
1
, x
2
)|0 < x
1
< 1 dan 0 < x
2
< 1} dapat
dinyataan sebagai AB, dimana Adan B eduanya selang terbua (0, 1). Namun, bagi
an edua
pada Teorema 3.5 tida dipenuhi arena x
1
+x
2
tida bisa difatoran sebagai g
X
1
(x
1
)h
X
2
(x
2
).
Dengan demiian, X
1
dan X
2
tida bebas.
3.3 Distribusi Bersyarat
3.3.1 Distribusi Bersyarat
Konsep ebebasan juga berhubungan dengan peluang bersyarat dan hal ini menyaran
an bahwa
de nisi peluang bersyarat dari ejadian dapat diperluas untu onsep peubah aca b
ersyarat.
BAB 3. PEUBAH ACAK BERANDA 31
De nisi 3.8 (Fungsi densitas peluang bersyarat). Jia X
1

dan X
2

adalah peubah aca disrit

atau ontinu dengan fungsi densitas peluang bersama f
X
1
,X
2
(x
1
, x
2
) maa fungsi densitas pelu
ang bersyarat dari X
2
dietahui X
1
= x
1
dide nisian sebagai
f
X
2
|X
1
=x
1
(x
2
|x
1
) =
f
X
1
,X
2
(x
1
, x
2
)
f
X
1
(x
1
)
untu nilai x
1
sedemiian hingga f
X
1
(x
1
) > 0 dan nol untu yang lain.
Dengan cara yang sama, fungsi densitas peluang bersyarat X
1
diberian X
2

= x
2
adalah
f
X
1
|X
2
=x
2
(x
1
|x
2
) =
f
X
1
,X
2
(x
1
, x
2
)
f
X
2
(x
2
)
untu nilai x
2
sedemiian hingga f
X
2
(x
2
) > 0 dan nol untu yang lain.
Untu asus disrit fungsi densitas peluang bersyarat sebenarnya adalah peluang
bersyarat.
Sebagai misal, jia X
1
dan X
2
adalah disrit, maa f
X
1
,X
2
(x
1
, x
2
) adalah peluang bersyarat e
jadian (X
2
= x
2
) diberian ejadian (X

1
= x
1
). Namun, dalam asus ontinu interpretasi pada
fungsi densitas peluang bersyarat tida jelas arena P(X
1
= x
1
) = 0. Mesipun f
X
1
,X
2
(x
1
, x
2
)
tida dapat diinterpretasian sebagai peluang bersyarat dalam hal ini, namun dap
at dianggap
sebagai penugasan "densitas peluang" bersyarat untu selang ecil sembarang
[x
2
, x
2
+ x
2
],
seperti halnya fungsi densitas peluang marjinal f
X
2
(x
2
) menugasan densitas peluang marjinal.
Dengan demiian untu asus ontinu, peluang bersyarat ejadian dengan bentu a
X
2
b
diberian X
1
= x
1
dinyataan sebagai
P(a X
2
b|X
1
= x
1
) =
_
b
a
f
X
2
|X
1
=x
1

(x
2
|x
1
) dx
2
=
_
b
a
f
X
1
,X
2
(x
1
, x
2
) dx
2
_

f
X
1
,X
2
(x
1
, x
2
) dx
2
.
Contoh 3.10. Misal X
1
,X
2
, dan X
3
adalah peubah peubah aca ontinu dengan fungsi densitas
bersama berbentu
f
X
1
,X
2
,X
3
(x
1
, x
2
, x
3
) =
_
6, untu 0 < x

1
< x
2
< x
3
< 1,
0, untu x yang lain.
Maa peluang bersyarat X
3
dietahui (X
1
, X
2
) = (x
1
, x
2
) adalah
f
X
3
|X
1
=x
1
,X
2
(x
3
|x
1
, x
2
) =
f
X
1
,X
2
,X
3
(x
1
, x
2
, x
3
)
f
X
1
,X
2
(x
1
, x
2
)
=
6

6(1 x
2
)
=
1
1 x
2
untu 0 < x
1
< x
2
< x
3
< 1
dan nol untu x lainnya.
Teorema 3.6. Jia X
1
dan X
2
adalah peubah peubah aca dengan fungsi
f
X
1
,X
2
(x
1
, x
2
) dan fungsi densitas peluang marjinal f
X
1
(x
1
) dan f
X
2
(x
2
), maa
f
X
1
,X
2
(x
1
, x
2
) = f
X
1
(x
1
)f
X
2
|X
1
=x

densitas bersama

1
(x
2
|x
1
) = f
X
2
(x
2
)f
X
1
|X
2
=x
2
(x
1
|x
2
)
dan jia X
1
dan X
2
saling bebas, maa
f
X
2
|X
1
=x
1
(x
2
|x
1
) = f
X
2
(x
2
)
dan
f
X
1
|X
2
=x
2
(x
1
|x
2
) = f
X
1
(x

1
).
BAB 3. PEUBAH ACAK BERANDA 32
3.4 Latihan Soal
3 1 Misal X
1
dan X
2
adalah peubah aca disrit dengan fungsi peluang densitas (massa) pelu
ang bersama dengan bentu
f
X
1
,X
2
(x
1
, x
2
) = c(x
1
+x
2
) untu x
1
= 0, 1, 2; x
2
= 0, 1, 2;
dan nol untu x
1
dan x
2
lainnya. Hitunglah onstanta c.
3 2 Misal X
1
dan X
2
adalah peubah aca disrit dengan fungsi densitas peluang bersama
f
X
1
,X
2
(x
1
, x
2
) diberian oleh tabel beriut:
x
2
1 2 3
1 1/12 1/6 0
x
1
2 0 1/9 1/5
3 1/18 1/4 2/15
a) Carilah fungsi densitas peluang marjinal X
1
dan X
2

.
b) Apaah X
1
dan X
2
saling bebas? Jelasan!
c) Hitung P(X
1
2).
d) Hitung P(X
1
X
2
).
e) Tabulasian fungsi densitas peluang bersyarat f
X
2
|X
1
=x
1
(x
2
|x
1
) dan f
X
1
|X
2
=x
2
(x
1
|x
2
).
3 3 Misal X
1
dan X
2
adalah peubah aca ontinu dengan fungsi densitas peluang bersama
dengan bentu
f
X
1
,X
2
(x
1
, x
2
) =
_
2e
(x
1
+x
2
)

jia 0 < x
1
< x
2
dan x
2
> 0;
0 untu x
1
dan x
2
lainnya.
a) Hitung f
X
1
(x
1
) dan f
X
2
(x
2
).
b) Hitung f
X
1
|X
2
=x
2
(x
1
|x
2
) dan f
X
2
|X
1
=x
1
(x
2
|x
1
).
c) Apaah X
1
dan X
2
bebas?
3 4 Misal X dan Y memilii fungsi densitas bersama
f
X,Y
(x, y) =
_
(2/3)(x + 1) untu 0 < x < 1, 0 < y < 1;
0 untu x dan y lainnya.
a) Hitung fungsi distribusi umulatif bersama F
X,Y

(x, y).
b) Hitung f
Y |X=x
(y|x).
c) Hitung f
X|Y =y
(x|y).
d) Hitung P(x 0,5|Y = 0,75).
e) Hitung P(x 0,5|Y 0,75).
BAB 4
SIFAT SIFAT PEUBAH ACAK
Kompetensi Dasar
Menghasilan transformasi peubah aca.
Indiator Pencapaian
Membuat transformasi peubah aca dengan menggunaan teni fungsi distribusi, me
tode
transformasi, formula onvolusi, dan fungsi pembangit momen.
Materi Poo
4.1 Sifat sifat Nilai Harapan
4.2 Kovarians dan Korelasi
4.3 Harapan Bersyarat
4.4 Fungsi Pembangit Momen Bersama
4.5 Latihan Soal
4.6 Latihan Soal Teoretis
Penggunaan peubah aca dan distribusi peluangnya telah dibicaraan sebag
ai suatu cara un
tu mengespresian suatu model matematia untu suatu fenomena sial nondetermin
isti.
Peubah aca mungin berasosiasi dengan beberapa arateristi numeri d
ari populasi sebe
narnya atau onsep dari item item dan fungsi densitas peluang mewail
i distribusi populasi
terhadap semua nilai yang mungin dari
arateristinya. Seringali
densitas populasi yang
sesungguhnya tida dietahui. Salah satu emunginan adalah mempertimbangan s
uatu elu
arga fungsi densitas peluang yang diindes oleh suatu parameter yang tida diet
ahui sebagai
suatu model yang mungin dan beronsentrasi pada memilii suatu nilai untu para
meter terse
but.
Peneanan utama dalam statistia adalah mengembangan pendugaan (estimates) para
m
eter yang tida dietahui berdasaran data sampel. Pada beberapa as
us suatu parameter
mungin mewaili suatu uantitas yang berarti secara sia, misalnya rata rata ata
u nilai tengah
dari populasi. Dengan demiian, sangatlah bermanfaat untu mende nisian dan mem
pelajari
beragam sifat peubah aca yang mungin berguna dalam mewailan dan menginterpre
tasian
populasi sesungguhnya (original population), begitu pula berguna dalam pendugaan
atau pemil
ihan model yang sesuai.
Pada beberapa asus, sifat sifat husus dari suatu model (misalnya s
ifat no memory dis
tribusi esponensial) mungin cuup membantu dalam mengindiasian jenis asumsi s
ia yang
33
BAB 4. SIFAT SIFAT PEUBAH ACAK 34

onsisten dengan model, mesipun impliasi dari model biasanya uran

g jelas. Pada asus
seperti ini ebergantungan lebih banya didasaran pada uuran uuran desriptif
seperti var
ians dari suatu distribusi. Pada bab ini, uuran uuran desriptif
tambahan dan sifat sifat
peubah aca aan diembangan.
4.1 Sifat sifat Nilai Harapan
Saat membicaraan nilai harapan ita sering tertari dengan fungsi dari satu ata
u lebih peubah
aca. Sebagai contoh, suatu studi melibatan suatu vetor dari  peubah aca, X
= (X
1
, . . . , X

)
dan ita ingin menghitung nilai harapan dari beberapa fungsi dari X, ataanl
ah Y = u(X).
Notasi yang digunaan dapat berupa E(Y ), E[u(X)], atau E
X
[u(X)].
Teorema 4.1 ( Bain and Engelhardt (1992)). Jia X = (X
1
, . . . , X

) memilii suatu fungsi
densitas peluang bersama f
X
(x
1
, . . . , x

) dan jia Y = u(X
1
, . . . , X

) adalah fungsi dari X,
maa E(Y ) = E
X
[u(X
1
, . . . , X

)], dengan
E
X
[u(X
1
, . . . , X

)] =
_
x
1

x

u(x

1
, . . . , x

)f
X
(x
1
, . . . , x

), jia X disrit;
_

u(x
1
, . . . , x

)f
X
(x
1
, . . . , x

) dx
1
dx

, jia X ontinu.
(4.1)
Teorema 4.2. Jia X
1
dan X
2
adalah peubah peubah aca dengan fungsi densitas peluang
bersama f
X
1
,X
2
(x
1
, x
2
) maa
E(X
1
+X
2
) = E(X
1
) + E(X
2
). (4.2)
Buti: Catatan: nilai harapan pada sisi iri dari persamaan (4.2) adalah rel
atif terhadap fungsi
densitas peluang bersama X = (X

1
, X
2
) sementara suu suu pada sisi anan relatif terhadap
fungsi densitas bersama atau marjinal. Dengan ata lain, persamaan yang lebih t
epat untu (4.2)
adalah
E
X
(X
1
+X
2
) = E
X
(X
1
) + E
X
(X
2
)
= E
X
1
(X
1
) + E
X
2
(X
2
).
Aan dibutian untu asus ontinu:
E(X
1
+X
2
) = E
X
(X
1
+X
2
)
=
_

(x
1
+x
2
)f
X
1
,X

2
(x
1
, x
2
) dx
1
dx
2
=
_

x
1
f
X
1
,X
2
(x
1
, x
2
) dx
1
dx
2
+
_

x
2
f
X
1
,X
2
(x
1
, x
2
) dx
1
dx
2
=
_

x
1
_

f
X
1
,X
2
(x
1
, x
2
) dx
2
dx
1
+
_

x
2
_

f
X
1
,X
2
(x
1
, x
2
) dx
1
dx
2
=
_

x
1
f
X
1
(x
1
) dx
1
+
_

x
2
f
X
2
(x

2
) dx
2
= E
X
1
(X
1
) + E
X
2
(X
2
)
= E(X
1
) + E(X
2
).
BAB 4. SIFAT SIFAT PEUBAH ACAK 35
Selanjutnya untu asus disrit adalah sebagai beriut:
E(X
1
+X
2
) = E
X
(X
1
+X
2
)
=

x
2
=

x
1
=
(x
1
+x
2
)f
X
1
,X
2
(x
1
, x
2
)
=

x
2
=

x
1
=
x
1
f
X
1
,X
2
(x
1
, x
2
) +

x
2
=

x
1
=
x
2
f
X
1
,X
2
(x
1
, x
2
)
=

x
1
=
x
1

x
2
=
f
X
1
,X
2

(x
1
, x
2
) +

x
2
=
x
2

x
1
=
x
1
f
X
1
,X
2
(x
1
, x
2
)
=

x
1
=
x
1
f
X
1
(x
1
) +

x
2
=
x
2
f
X
1
(x
2
)
= E
X
1
(X

1
) + E
X
2
(X
2
)
= E(X
1
) + E(X
2
).
Dengan Teorema 4.2 asus dapat diperluas sampai  peubah. Jia a
1
, . . . , a

adalah onstanta
onsta dan jia X
1
, . . . , X

adalah peubah peubah aca yang berdistribusi secara bersama sama,
maa
E
_

i=1
a
i
X
i
_
=

i=1
E(X
i
). (4.3)
Teorema 4.3. Jia X dan Y adalah peubah peubah aca saling bebas dan g(x) dan h
(y) adalah
fungsi fungsi maa
E[g(X)h(Y )] = E[g(X)] E[h(Y )]. (4.4)
Buti: Aan dibutian untu asus ontinu:
E[g(X)h(Y )] =
_

g(x)h(y)f
X,Y
(x, y) dxdy
=
_

g(x)h(y)f
X
(x)f
Y
(y) dxdy
=
_

g(x)f
X
(x) dx
_

f
Y
(y) dy
= E[g(X)] E[h(Y )].
Selanjutnya untu asus disrit:
E[g(X)h(Y )] =

y=

x=
g(x)h(y)f
X,Y
(x, y)
=

y=

x=
g(x)h(y)f
X
(x)f
Y
(y)
=

y=
g(x)f
X
(x)

h(y)f
Y
(y)
= E[g(X)] E[h(Y )].
BAB 4. SIFAT SIFAT PEUBAH ACAK 36
Dengan teorema ini dimunginan untu

mengembangan lebih dair

dua pe

ubah. Jia
X
1
, . . . , X
n
adalah peubah aca bebas dan u
1
(x
1
), . . . , u

(x

) adalah fungsi maa
E[u
1
(X
1
) u

(X
K
)] = E[u
1
(X
1
)] E[u

(X

)]. (4.5)
4.2 Kovarians dan Korelasi
Sifat sifat tertentu nilai harapan memberian hubungan antara dua peubah aca.
De nisi 4.1 (Bain and Engelhardt (1992)). Kovarians dari pasangan peubah peubah
aca X
dan Y dide nisian oleh
cov(X, Y ) = E{[X E(X)][Y E(Y )]}. (4.6)
Notasi lain untu cov(X, Y ) adalah
XY
; demikian pula, E(X) dan E(Y ) dinota
ikan berturut
turut
X
dan
Y
.
Teorema berikut memberikan
ifat
ifat yang berhubungan dengan kovarian
.
Teorema 4.4. Jika X dan Y adalah peubah acak dan a
erta b adalah kon
t
anta kon
tanta,
maka
cov(aX, bY ) = ab cov(X, Y ), (4.7)
cov(X +a, Y +b) = cov(X, Y ), (4.8)
dan
cov(X, aX +b) = a var(X). (4.9)
Bukti: Akan ditunjukkan cov(aX, bY ) = ab cov(X, Y ). Menurut de ni
i
cov(aX, bY ) = E{[aX E(aX)][bY E(bY )]}
= E{[aX a E(X)][bY b E(Y )]}
= E{a[X E(X)]b[Y E(Y )]}
= E{ab[X E(X)][Y E(Y )]}
= ab E{[X E(X)][Y E(Y )]}
= ab cov(X, Y ).

Kemudian akan ditunjukkan cov(X +a, Y +b) = cov(X, Y ).

cov(X +a, Y +b) = E{[X +a E(X +a)][Y +b E(Y +b)]}
= E{[X +a E(X) a][Y +b E(Y ) b]}
= E{[X E(X)][Y E(Y )]}
= cov(X, Y ).
Selanjutnya akan ditunjukkan cov(X, aX +b) = a var(X).
cov(X, aX +b) = E{[X E(X)][aX +b E(aX +b)]}
= E{[X E(X)][aX +b a E(X) b]}
= E{[X E(X)][aX a E(X)]}
= E{[X E(X)]a[X E(X)]}
= E{a[X E(X)]
2
}
= a E{[X E(X)]
2
}
= a var(X).
BAB 4. SIFAT SIFAT PEUBAH ACAK 37
Teorema berikut memberikan cara lain untuk menghitung kovarian
dan
ifat
ifatn
ya bila
kedua peubah acak
aling beba
.
Teorema 4.5 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah acak
maka
cov(X, Y ) = E(XY ) E(X) E(Y ) (4.10)
dan cov(X, Y ) = 0 bilamana X dan Y
aling beba
.
Bukti: Akan ditunjukkan cov(X, Y ) = E(XY ) E(X) E(y). Menurut de ni
i
cov(X, Y ) = E{[X E(X)][Y E(Y )]}
= E{[XY X E(Y ) E(X)Y + E(X) E(Y )]}
= E(XY ) E(X) E(Y ) E(X) E(Y ) + E(X) E(Y )
= E(XY ) E(X) E(Y ).
Bilamana X dan Y
aling beba
maka
cov(X, Y ) = E(XY ) E(X) E(Y )
= E(X) E(Y ) E(X) E(Y )
= 0.
Teorema 4.6 (Bain and Engelhardt (1992)). Jika X
1
dan X
2
adalah peubah acak dengan fung
i
den
ita
peluang ber
ama f
X
1
,X
2
(x
1
, x
2
) maka
var(X
1
+X
2
) = var(X
1
) + var(X
2
) + 2 cov(X
1
, X

2
) (4.11)
dan
var(X
1
+X
2
) = var(X
1
) + var(X
2
) (4.12)
bilamana X
1
dan X
2

aling beba
.
Bukti:
var(X
1
+X
2
) = E{[(X
1
+X
2
) E(X
1
+X
2
)]}
= E{[X
1
E(X
1
) +X
2
E(X
2
)]
2
}
= E{[X
1
E(X
1
)]
2
+ 2[X
1
E(X
1
)][X
2
E(X
2
)] + [X
2
E(X
2

)]
2
}
= E{[X
1
E(X
1
)]}
2
+ 2 E{[X
1
E(X
1
)][X
2
E(X
2
)]} + E{[X
2
E(X
2
)]
2
}
= var(X
1
) + 2 cov(X
1
, X
2
) + var(X
2
)
= var(X
1
) + var(X
2
) + 2 cov(X
1
, X
2
).
Mengingat cov(X
1
, X
2
) = 0 bilamana X
1
dan X
2

aling beba
, maka
var(X
1
+X
2
) = var(X
1
) + var(X
2
) + 0

= var(X
1
) + var(X
2
).
Dengan cara yang
ama ka
u
ini pun dapat diperlua
untuk k peubah acak.
X
1
, . . . , X
k
adalah peubah acak dan a
1
, . . . , a
k
adalah kon
tanta kon
tanta, maka
var
_
k
i=1
a
i
X
i
_
=
k
i=1
a
2
i
var(X
i
) + 2
i<j
a
i
a
j
cov(X
i
, X
j
). (4.13)
BAB 4. SIFAT SIFAT PEUBAH ACAK
dan jika X
1
, . . . , X
k

aling beba
maka
var
_
k
i=1
a
i
X

38

Bila

i
_
=
k
i=1
var(X
i
).
Pada bagian
ebelumnya konvarian
digunakan
ebagai ukuran untuk mengukur
ketergan
tungan antara dua peubah acak. Telah ditunjukkan bahwa cov(X, Y ) = 0 bilam
ana X dan Y

aling beba
. Namun,
ebaliknya tidaklah benar.
Contoh 4.1. Mi
al
uatu pa
angan peubah acak di
krit X dan Y dengan fung
i den

ita
peluang
ber
ama
f
X,Y
(x, y) =
_
_
_
1
4
, jika (0, 1), (1, 0), (0, 1), (1, 0);
0, jika x dan y lainnya.
(4.14)
Fung
i den
ita
peluang marjinal X adalah f
X
(1) = 1/4, f
X
(0) = 1/2, dan f
X
(x) = 0 untuk
x lainnya. Demikian pula fung
i den
ita
peluang marjinal f
Y
(1) = 1/4, f
Y
(0) = 1/2, dan
f
Y
(y) = 0 untuk y lainnnya. Selanjutnya
E(X) = (1/4) + 0(1/2) + 1(1/4) = 0, (4.15)
dan
E(Y ) = (1/4) + 0(1/2) + 1(1/4) = 0. (4.16)
Mengingat xy = 0 bilamana f(x, y) > 0 maka E(XY ) = 0. Sehingga co
v(XY ) = E(XY )
E(X) E(Y ) = 0 0 = 0. Namun, f
X,Y
(0, 0) = f
X
(0)f
Y
(0). Jadi X dan Y tidak
aling be
ba
. Jadi
ecara umum dapat di
impulkan bahwa X dan Y terikat jika cov(X
, Y ) = 0, tetapi
cov(X, Y ) = 0 tidaklah perlu mengimplika
ikan bahwa X dan Y adalah beba
.
De ni
i 4.2 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah peubah acak
dengan

varian
var(X) dan var(Y ) dan kovarian
cov(X, Y ), maka koe
ien korela
i d
ari X dan Y
adalah
corr(X, Y ) =
cov(X, Y )
_
var(X)
_
var(Y )
. (4.17)
Catatan: Bia
anya korela
i X dan Y dinota
ikan
ebagai
XY
atau dan va
ians X dan Y
sebagai
2
X
dan
2
Y
. Sehingga, Per
amaan (4.17) dapat dituli

ebagai

XY
=

XY

Y
. (4.18)
Peubah peubah acak X dan Y dikatakan tidak berkorela
i jika
XY
= 0; selain itu dikatakan
be
ko
elasi.
Teo
ema 4.7 (Bain and Engelha
dt (1992)). Jika
XY
adalah koe sien ko
elasi da
i X dan Y ,
maka
1
XY
1 (4.19)
dan
XY
= 1 jika dan hanya jika Y = aX +b dengan peluang 1 untuk bebe
apa a = 0 dan
b.
Bukti: Untuk membuktikan Pe
samaan (4.19), misalkan
W =
Y

XY
X

X
,

ehingga
var(W) =
_
1


Y
_
2

2
Y
+
_

XY

X
_
2

2
X
2
XY

XY

Y
= 1 +
2
XY
2
2
XY
= 1
2
XY
0,
ka
ena va
(W) 0.
BAB 4. SIFAT SIFAT PEUBAH ACAK 39
4.3 Ha
apan Be
sya
at
De nisi 4.3. Jika X dan Y adalah peubah peubah acak yang be
dist
ibus
i seca
a be
sama,
maka ha
apan be
sya
at (conditional expectation) Y diketahui X = x dide nisika
n sebagai
E(Y |x) =
_
y
yf
Y |X
(y|x), jika X dan Y disk
it;
_

yf
Y |X
(y|x) dy, jika X dan Y kontinu.
(4.20)
Catatan: notasi lain untuk ha
apan be
sya
at adalah E
Y |x
(Y ) dan E(Y |X = x). Pada

bagian ini kita akan menggunakan simbol E(Y |x) untuk menyede
hanakan notasi.
Contoh 4.2. Suatu fungsi densitas peluang be
sya
at Y diketahui X = x adal
ah
f
Y,X
(y|x) =
2
x
, 0 < y <
x
2
. (4.21)
Ha
apan be
sya
atnya adalah
E(Y |x) =
_
x/2
0
y
2
x
dy
=
2
x
y
2
2

y=x/2
y=0
=
2
x
(x/2)
2
2
=
x
4
, 0 < x < 2. (4.22)
Ingat bahwa ha
apan be
sya
at Y diketahui X = x adalah fungsi da
i x, katak
anlah u(x) =
E(Y |x). Teo
ema be
ikut mengatakan bahwa seca
a umum, peubah acak u
(X) = E(Y |X)
memiliki ha
apan ma
jinal Y , yakni E(Y ).
Teo
ema 4.8. Jika X dan Y adalah peubah peubah acak yang be
dist
ibusi se
ca
a be
sama
sama, maka
E[E(Y |X)] = E(Y ). (4.23)
Bukti: Akan dibuktikan untuk kasus kontinu:
E[E(Y |X)] =
_

E(Y |x)f
X
(x) dy

=
_

yf
Y |X
(y|x)f
X
(x) dy dx
=
_

f
X,Y
(x, y) dxdy
=
_

yf
Y
(y) dy
= E(Y ).
BAB 4. SIFAT SIFAT PEUBAH ACAK
Selanjutnya untuk kasus disk
it:
E[E(Y |X)] =
x
E(Y |X)f
X
(x)
=
x
y
yf
Y |X
(y|x)f
X
(x)
=
y
y
x
f
Y |X
(y|x)f
X
(x)
=

40

y
y
x
f
X,Y
(x, y)
=
y
f
Y
(y)
= E(Y ).
Teo
ema be
ikut membe
ikan gamba
an jika X dan Y saling bebas.
Teo
ema 4.9 (Bain and Engelha
dt (1992)). Jika X dan Y adalah peubah peubah a
cak saling
bebas, maka E(Y |x) = E(Y ) dan E(X|y) = E(X).
Bukti: Peubah acak X dan Y saling bebas sehingga f
Y |X
(y|x) = f
Y
(y) dan f
X|Y
(x|y) = f
X
(x).
Akan dibuktikan untuk kasus kontinu:
E(Y |x) =
_

yf
Y |X
dy
=
_

yf
Y
(y) dy
= E(Y )
dan
E(X|y) =
_

xf
X|Y
(x|y) dx
=
_

xf
X
(x) dx
= E(X).

Selanjutnya akan ditunjukkan untuk kasus disk

it:
E(Y |x) =
y
yf
Y |X
(y|x)
=
y
yf
Y
(y)
= E(Y )
dan
E(X|y) =
x
xf(x|y)
=
x
f
X
(x)
= E(X).
BAB 4. SIFAT SIFAT PEUBAH ACAK 41
De nisi 4.4 (Bain and Engelha
dt (1992)). Va
ians be
sya
at Y diketahui X =
x dibe
ikan
oleh
va
(Y |x) = E{[Y E(Y |x)]
2
|x}. (4.24)
Bentuk (4.24) dapat pula dituliskan sebagai
va
(Y |x) = E(Y
2
|x) [E(Y |x)]
2
. (4.25)
Teo
ema 4.10. Jika X dan Y adalah peubah peubah acak yang be
dist
ibusi se
ca
a be
sama
sama, maka
va
(Y ) = E
X
[va
(Y |X)] va

X
[E(Y |X)]. (4.26)
Bukti:
E
X
[va
(Y |X)] = E
X
{E(Y |X) [E(Y |X)]
2
}
= {E(Y
2
) E
X
[E(Y |X)]}

= E(Y
2
) E[(Y )]
2
{E
X
[E(Y |X)] E[(Y )]
2
}
= va
(Y ) va

X
[E(Y |X)].
Teo
ema ini menegaskan bahwa va
ians be
sya
at lebih kecil dai
va
ians
tidak be
sya
at.
Namun, apabila X dan Y saling bebas, va
ians akan sama. Sebagai ilust
asi,
jika kita te
ta
ik
untuk menduga
ata
ata tinggi individual E(Y ), maka teo
ema ini m
enegaskan bahwa lebih
mudah untuk menduga tinggi (be
sya
at) o
ang jika kita tahu be
at badan o
ang te

sebut ka
ena
populasi tidak be
sya
at tinggi tidak akan pe
nah lebih besa
da
ipada va
ians y
ang di
eduksi
da
i populasi individu be
at badan te
tentu x.
Teo
ema 4.11 (Bain and Engelha
dt (1992)). Jika X dan Y adalah peubah peubah a
cak yang
be
dist
ibusi seca
a be
sama sama dan h(x, y) adalah suatu fungsi, maka
E[h(X, Y )] = E
X
{E[h(X, Y )]|X}. (4.27)
Teo
ema 4.12 (Bain and Engelha
dt (1992)). Jika X dan Y adalah peubah peubah a
cak yang
be
dist
ibusi be
sama dan g(x) adalah fungsi, maka
E[g(X)Y |x] = g(x) E(Y |x). (4.28)
4.3.1 Dist
ibusi No
mal Biva
iat
Suatu pasangan peubah acak kontinu X dan Y dikatakan be
dist
ibusi n
o
mal biva
iat jika
memiliki fungsi densitas peluang be
sama dengan bentuk
f
X,Y
(x, y) =
1
2
X

Y
_
1
2
XY
exp
_

1
2(1
2
XY
)
__
x
X


X
_
2
2
_
x
X

X
__
y
Y

Y
_
+
_
y
Y

Y
_
2
__
< x < , < y < .
(4.29)
Nota
i khu
u
untuk di
tribu
i per
amaan (4.29) adalah
(X, Y ) BVN(
X
,
Y
,
2
X
,
2
Y
,
XY
) (4.30)
yang be
gantung pada lima pa
amete
<
X
< , <
Y
< ,
X
> 0,
Y
> 0, dan
1 <
XY
< 1.
BAB 4. SIFAT SIFAT PEUBAH ACAK 42
4.4 Fungsi Pembangkit Momen Be
sama
Konsep fungsi pembangkit momen dapat dipe
luas untuk peubah acak be
dimensi k.
De nisi 4.5 (Bain and Engelha
dt (1992)). Fungsi pembangkit momen be
s
ama da
i X =
(X
1

, . . . , X
k
), jika ada, dide nisikan sebagai
M
X
(t) = E
_
exp
_
k
i=1
t
i
X
i
__
(4.31)
dengan t = (t
1
, . . . , t
k
) dan h < t
i
< h untuk bebe
apa h > 0.
Sifat sifat fungsi pembangkit momen be
sama analog dengan sifat fungsi
pembangkit mo
men univa
iat. Momen campu
an sepe
ti E(X

i
, X
s
j
) dapat dihitung dengan menu
unkan fungsi
pembangkit momen be
sama
kali be
sesuaian dengan t
i
dan s kali be
suaian dengan t
j
dan
membuat semua t
i
= 0. Fungsi pembangkit momen be
sama juga seca
a unik menentukan
dist
ibusi be
sama da
i peubah peubah X
1
, . . . , X
k
. Fungsi pembangkit momen da
i dist
ibusi
ma
jinal da
i fungsi pembangkit momen be
sama juga dimunkinkan. Sebagai contoh
,
M
X
(t
1
) = M
X,Y
(t
1
, 0) (4.32)
dan
M

Y
(t
2
) = M
X,Y
(0, t
2
). (4.33)
Contoh 4.3. Misal X = (X
1
, . . . , X
k
) MULT(n, p
1
, . . . , p
k
). Kita tahu bahwa di
tribu
i mar
jinalnya adalah binomial, yakni X
i
BIN(n, p
i
). Fung
i pembangkit momen ber
ama di
tribu
i
multinomial dapat dihitung menggunakan di
tribu
i binomial
M
X
(t) = E
_
exp
_
k
i=1
t
i
X
i
__
=

n
x
1
! x
+1
!
(p
1
e
t
1
)
x
1
(p

e
t


)
x

p
x

+1
+1
= (p
1
e
t
1
+ +p

e
t

+p
+1
)
n
(4.34)
dengan p
+1
= 1 p
1
p

.
4.5 Latihan Soal
4 1 Misal peubah aca ontinu X dan Y dengan fungsi densitas peluang bersam
a
f
X,Y
(x, y) =
_
24xy, jia 0 < x, 0 < y, dan x +y < 1;
0, jia x dan y lainnya.
Hitunglah:
a) E(XY );
b)
ovarians antara X dan Y ;
c)
oe sien orelasi antara X dan Y ;
d) cov(3X, 5Y );
e) cov(X + 1, Y 2);
BAB 4. SIFAT SIFAT PEUBAH ACAK 43
f) cov(X + 1, 5Y 2);
g) cov(3X + 5, X).
4 2 Misal X dan Y adalah peubah aca disrit dengan fungsi densitas peluang
bersama
f
X,Y
(x, y) =
_
_
_
4
5xy
, jia x = 1, 2, dan y = 2, 3;
0, jia x dan y lainnya.

Hitunglah:
a) E(X);
b) E(Y );
c) E(XY );
d) cov(X, Y ).
4 3 Misal berat (dalam ons) dari suatu bola baset adalah suatu peubah aca den
gan rata rata
5 dan simpangan bau 2/5. Sebuah ota berisi 144 bola baset. Dianggap bera
t masing
masing bola baset adalah saling bebas dan T menyataan berat total semua bola
baset
dalam ota. Hitunglah:
a) nilai harapan total berat, yani E(T);
b) varians total berat, yani var(T).
4 4 Untu Soal No. 1 dan 2, hitunglah:
a) E(Y |x);
b) var(Y |x).
4 5 Misal distribusi bersyarat Y diberian X = x adalah Poisson dengan rata r
ata E(Y |x) = x,
Y |x POI(x), dan E(X) EXP(1). Hitunglah:
a) E(Y );
b) var(Y ).
4 6 Mi
al X dan Y memiliki fung
i den
ita
peluang ber
ama
f
X,Y
(x, y) =
_
e
y
, jika 0 < x < y < ;
0, jika x dan y lainnya.
Hitunglah E(X|y).
4 7 Mi
al Y
1
dan Y
2
adalah peubah peubah acak kontinu dengan fung
i den
ita
peluang ber
ama
f
Y
1
,Y
2
(y
1
, y
2
) =
_
2 e
y
1
y
2
, jika 0 < y
1
< y
2
< ;
0, jika x dan y lainnya.
Hitunglah fung
i pembangkit momen (MGF) ber
ama Y

1
dan Y
2
.
BAB 4. SIFAT SIFAT PEUBAH ACAK 44
4.6 Latihan Soal Teoreti

4 1* Jika X, Y , Z, dan W adalah peubah peubah acak, maka tunjukkan bahwa:
a) cov(X Y, Z) = cov(X, Z) cov(Y, Z);
b) cov(X +Y, Z +W) = cov(X, Z) + cov(X, W) + cov(Y, Z) + cov(Y, W);
c) cov(X +Y, X Y ) = var(X) var(Y ).
4 2* Jika X
1
, . . . , X
n
dan Y
1
, . . . , Y
n
adalah peubah acak yang berdi
tribu
i ber
ama, dan jika
a
1
, . . . , a
k
dan b
1
, . . . , b
m
adalah kon
tanta kon
tanta, maka tunjukkan bahwa
cov
_
k
i=1
a
i
X
i
,
n
j=1
b
j
Y
j
_
=
k
i=1
m
j=1
cov(X
i
, Y
j
).
4 3* Mi
al
1

dan X
2
i

adalah peubah acak normal beba
,

N(
i
,
2
i
), dan Y
1
= X
1

erta
Y
2
= X
1
+X
2
.
a) Tunjukkan bahwa Y
1
dan Y
2
adalah normal bivariat.
b) Berapakah rata rata, varian
, dan koe
ien korela
i Y
1
dan Y
2
?
c) Carilah di
tribu
i ber
yarat Y
2
diketahui Y
1
= y
1
.
BAB 5
FUNGSI FUNGSI PEUBAH ACAK
Kompeten
i Da
ar
Menggunakan kon
ep kon
ep ilmu peluang.
Indikator Pencapaian
Menggunakan kon
ep kon
ep ilmu peluang.
Materi Pokok
5.1 Teknik Fung
i Di
tribu
i Kumulatif
5.2 Metode Tran
forma
i
5.3 Jumlah Peubah Acak
5.4 Stati
tik Terurut
5.5 Latihan Soal
Pada BAB I, peluang dide ni
ikan dalam kon
ep teori himpunan. Kon
ep peubah acak
diperke
nalkan
edemikian hingga kejadian kejadian dapat dia
o
ia
ikan dengan himpunan b
ilangan real
dalam ruang rentang (range
pace) dari peubah acak. Hal ini memungkinkan kita
untuk mengek

pre
ikan
ecara matemati
model peluang untuk popula
i atau karakteri
tik yang
ingin diteliti
dalma bentuk
uatu fung
i den
ita
peluang atau
uatu fung
i di
tribu
i kumulati
f untuk peubah

acak yang ber
e
uaian, katakanlah X. Dalam ka
u
ini, X menyatakan karakter

i
tik awal yang
menjadi daya tarik dari fung
i den
ita
peluang f
X
(x), di
ebut fung
i den
ita
peluang popula
i.
Seringkali dalam banyak ka
u
beberapa fung
i peubah acak ini menjadi daya tarik
. Mi
al
jika X menyatakan umur anak ayam dalam minggu, peneliti lain mungkin
menyatakan umur
dalam hari, yakni Y = 7X. Dengan cara yang
ama, W = X
2
atau Z = ln X atau beberapa
fung
i lain mungkin menjadi daya tarik peneliti.
Setiap fung
i dari peubah acak X adalah
uatu peubah acak, dan fung
i di
tribu
i
dari
uatu
fung
i X ditentukan oleh di
tribu
i peluang X. Mi
al, untuk peubah acak Y dia
ta
P(21 X
28) = P(3 Y 4) dan
ebagainya. Akan lebih berguna jika kita dapat menyata
kan fung
i
den
ita
peluang atau fung
i di
tribu
i kumulatif
uatu fung
i dari peubah
acak dalam fung
i
den
ita
peluang atau fung
i di
tribu
i kumulatif peubah acak a
li.
Fung
i den
tia
peluang

eperti ini di
ebut di
tribu
i di
tribu
i turunan (derived di
tribution

). Suatu fung
i den
ita

peluang tertentu mungkin menyatakan fung
i den
ita
peluang popula
i dalam
uatu
aplika
i,
tetapi menjadi di
tribu
i turunan dalam aplika
i lain. Dalam bab i
ni kita akan mempelajari
beberapa teknik untuk memperoleh fung
i di
tribu
i turunan dari
uatu
fung
i peubah acak
antara lain: teknik fung
i di
tribu
i kumulatif, metode tran
forma
i,
formula konvolu
i, dan
45
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 46
metode fung
i pembangkit momen. Pada akhir bab, kita akan membaha

tentang
tati
tik
terurut (order
tati
tic
).
5.1 Teknik Fung
i Di
tribu
i Kumulatif
Teknik fung
i di
tribu
i kumulatif (cumulative di
tribution function,
di
ingkat CDF) meru
pakan metode umum yang mengek
pre
ikan peubah acak baru dengan i
tilah
peubah acak
lama. Mi
al peubah acak X memiliki fung
i di
tribu
i kumulatif F
X
(x) dan beberapa fung
i
Y yang menjadi daya tarik, katakanlah Y = u(X). Ide dari teknik fung
i di

tribu
i kumulatif
adalah mengek
pre
ikan fung
i di
tribu
i kumulatif dari Y dalam bentuk (term
)
di
tribu
i X.
Lebih khu
u
lagi, untuk
etiap bilangan real y, kita dapat mende ni

ikan
ebuah himpunan
A
y
= x : u(x) y. Dengan demikian Y y dan X A
y
adalah kejadian kejadian yang
ama,

ehingga
F
Y

(y) = P(u(X) y). (5.1)

Bentuk per
amaan (5.1) dapat pula dinyatakan
ebagai P(X A
y
). Peluang ini dapat pula
dinyatakan
ebagai integral dari fung
i den
ita
peluang f
X
(x)
epanjang himpunan A
y
jika X
kontinu, atau penjumlahan f
X
(x)
epanjang x di A
y
jika X di
kret.
Sebagai contoh,
ering kita menyatakan u(x) y dalam bentuk kejadian yang
am
a x
1

X x
2
dimana
atu atau lebih bata
bata
x
1
dan x
2
bergantung pada Y . Dalam ka
u
kontinu
F
Y
(y) =
_
x
2
x
1
f
X
(x) dx
=
_
0
x
1
f
X
(x) dx +
_
x
2
0
f
X
(x) dx
=
_
x
2
0
f
X
(x) dx
_

x
1
0
f
X
(x) dx
= F
X
(x
2
) F
X
(x
1
). (5.2)
Fung
i den
ita
peluang (5.2) adalah
f
Y
(y) =
d
dy
F
Y
(y). (5.3)
Berikut ini diberikan beberapa contoh untuk mengilu
tra
ikan teknik fung
i di
tr
ibu
i kumulatif.
Contoh 5.1. Mi
al fung
i di
tribu
i kumulatif peubah acak X, yakni F
X
(x) = 1 e
2x
, 0 <
x < dan kita tertarik untuk mengetahui fung
i di
tribu
i dari peubah acak Y =
e
X
.
Fung
i di
tribu
i Y dapat dinyatakan
ebagai
F
Y
(y) = P(Y y)
= P(e
X
y)
= P(X ln y)
= F
X
(ln y)
= 1 e
2(ln y)
= 1 e
ln y
2
= 1 y
2
. (5.4)
Sekarang kita tentukan bata
bata
untuk peubah acak Y . Mengingat 0 < x < ,
maka bata

peubah acak Y akan terletak diantara e
0
dan e

, jadi 1 < y < . Tentu
aja untuk x lainnya

BAB 5. FUNGSI FUNGSI PEUBAH ACAK 47
maka y akan bernilai 0. Dengan demikian F
Y
(y) = 1y
2
, 1 < y < . Fung
i den
ita
peluang
Y adalah
f
Y
(y) =
d
dy
F
Y
(y)
=
d
dy
(1 y
2
)
= 2y
3
, 1 < y < . (5.5)
Contoh 5.2. Mi
al X adalah peubah acak kontinu dan Y = X
2
. Fung
i di
tribu
i Y dapat
dinyatakan
ebagai
F
Y
(y) = P(Y y)
= P(X
2
y)
= P(

y X

y)
= F
X
(

y) F
X
(

y). (5.6)
Berda
arkan fung
i di
tribu
i per
amaan (5.6), kita dapat menghitung fung
i den

ita
peluang
Y
ebagai
f
Y
(y) =
d
dy
_
F
X

y) F
X
(

y)
_
= f
X
(

y)
d
dy
(

y) f
X
(

y)
d
dy
(

y)
= f
X
(

y)
1
2

y
+f
X
(

y)
1
2

y
=
1
2

y
_
f
X
(

y) +f
X
(

y)

_
y > 0. (5.7)
Contoh 5.3. Mi
al X adalah peubah acak dengan fung
i den
ita
peluang
f
X
(x) =
_
4x
3
, jika 0 < x < 1;
0, jika x lainnya.
(5.8)
Mi
al kita tertarik dengan peubah acak Z = ln X. Terlebih dahulu kita hitung
fung
i di
tribu
i
X. Kita peroleh fung
i di
tribu
i untuk fung
i den
ita
peluang (5.8)
F
X
(x) =
_
x
0
4x
3
dx
= x
4

x=x
x=0
= x
4
0
= x
4
. (5.9)
Selanjutnya, dengan menggunakan fung
i di
tribu
i per
amaan (5.9) diperoleh
F
Z
(z) = P(Z z)
= P(ln X z)
= P(X e
z
)
= F
X
(e
z
)
= (e
z
)
4
= e
4z
, 0 < z < . (5.10)
Bata
bata
untuk z diperoleh dari nilai z = ln 0 = dan z = ln 1
= 0. Dengan demikian

0 < z < .
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 48
Teknik fung
i di
tribu
i kumulatif juga dapat diterapkan untuk fung
i
beberapa peubah,
me
kipun anali
i
pada umumnya lebih komplek
.
Teorema 5.1. Mi
al X = (X
1
, . . . , X
k
) adalah vektor peubah acak kontinu berdimen
i k dengan
fung
i den
ita
peluang ber
ama f
X
(x
1
, . . . , x
k
). Jika Y = u(X) adalah
uatu fung
i dari X,
maka
F
Y
(y) = P(u(X) y)
=
_

_
A
y
f
X
(x
1
, . . . , x

) dx
1
dx

, (5.11)
dimana A
y
= x : u(x) y.
Contoh 5.4. Misal peubah aca X berdistribusi esponensial, yani
X EXP(1). Fung
i
den
ita
peluang X dapat dinyatakan
ebagai
f
X
(x) =
_
e
x
, untuk 0 < x < ;
0, untuk x lainnya.
(5.12)
Mi
al Anda tertarik dengan jumlah dari dua peubah acak beba
, katak
anlah Y = X
1
+ X
2
,
dimana X

i
EXP(1),

i = 1, 2.

Himpunan A

eperti dide ni
ikan pada Teorema 5.1,

ditentukan
ebagai
A
y
= {(x
1
, x
2
) : 0 x
1
y x
2
, 0 x
2
y}. (5.13)
Dengan demikian fung
i di
tribu
i Y adalah
F
Y
(y) = P(X
1
+X
2
y)
=
_
y
0
_
yx
2
0
e
(x
1
+x
2
)
dx
1
dx
2
=
_
y
0
_
e
(x
1
+x
2
)

dapat

1
=yx
2
x
1
=0
_
dx
2
=
_
y
0
_
e
((yx
2
)+x
2
)
e
(0+x
2
)
_
dx
2
=
_
y
0
_
e
y
+e
x
2

dx
2
= x
2
e
y
e
x
2

x
2
=0
x
2
=0
=
_
y e

y
e
y
_

_
0 e
0
_
= y e
y
e
y
+1
= 1 e
y
y e
y
. (5.14)
5.2 Metode Tran
forma
i
Pada bagian ini, kita akan membaha
tran
forma
i untuk peubah dalam d
imen
i
atu. Mi
al
u(x) adalah
uatu fung
i bernilai real dari peubah real x. Jika
per
amaan y = u(x) dapat
di
ele
aikan
ecara tunggal, katakanlah x = w(y), maka tran
forma
i
ini dikatakan
atu
atu
(one to one). Berikut ini akan kita baha
metode tran
forma
i
atu
a
tu untuk ka
u
di
krit
dan kontinu.
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 49
5.2.1 Tran
forma
i Satu
atu
Teorema 5.2 (Ka
u
Di
krit). Mi
al X adalah peubah acak di
krit deng
an fung
i den
ita

(ma

a) peluang f
X
(x) dan Y = u(X) adalah tran
forma
i
atu
atu. Dengan kata lain, per

amaan y = u(x) dapat di
ele
aikan
ecara tunggal, katakanlah x = w(y). Maka
fung
i den
ita

(ma

a) peluang Y adalah
f
Y
(y) = f
X
(w(y)), y B; (5.15)
dimana B = {y : f
Y
(y) > 0}.
Bukti: Fung
i den
ita

F
Y
(y) = P(Y = y)
= P(u(X) = y)
= P(X = w(y))
= f
X
(w(y)). (5.16)
Contoh 5.5. Mi
al peubah acak di
krit X GEO(p), dengan fung
i den
ita
peluan
g
f
X

(x) = pq
x1
, x = 1, 2, 3, . . . . (5.17)
Mi
al kita tertarik dengan peubah acak Y = X 1. Dalam hal ini y = u(x) = x 1,

ementara
itu diperoleh
olu
i x = w(y) = y + 1. Dengan demikian
f
Y
(y) = f
X
(y + 1)
= pq
(y+1)1
= pq
y
, y = 0, 1, 2, . . . . (5.18)
Contoh 5.6. Mi
al peubah acak di
krit X BIN(r, p). Anda tertarik de
ngan peubah acak
Y = X r. Fung
i den
ita
peluang X dinyatakan
ebagai berikut
f
X
(x) =
_
x 1
r 1
_
p
r
q
r1
, x = r, r + 1, . . . . (5.19)
Dalam hal ini y = u(x) = x r
ehinga x = w(y) = y +r. Kita peroleh
f
Y
(y) = f
X
(y +r) (5.20)
=
_
(y + 1) 1
r 1
_
p
r
q
(y+r)r
(5.21)
=
_
(y + 1) 1
r 1
_
p
r
q
y
, y = 0, 1, 2, . . . . (5.22)
Teorema 5.3 (Ka
u
Kontinu). Mi
al X adalah peubah acak kontinu deng
an fung
i den
i
ta
peluang f

X
(x) dan anggap Y = u(X) mende ni
ikan
uatu tran
forma
i
atu
atu dar
i
A = x : f
X
(x) > 0 ke B = x : f
Y
(y) > 0 dengan tran
forma
i inver
x = w(y). Jika turunan
(d/dy)w(y) adalah kontinu dan tak nol pada B, maka fung
i den
ita
peluang Y
adalah
f
Y
(y) = f
X
(w(y))

d
dy
w(y)

, y B. (5.23)
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 50
Bukti: Jika y = u(x) adalah
atu
atu, maka y naik monoton atau turun mo
noton. Pertama,
kita a
um
ikan naik, maka u(x) y jika dan hanya jika x w(y). Dengan demikian
F
Y
(y) = P(u(X) y)
= P(X w(y))
= F
X
(w(y)),

ehingga fung
i den
ita
nya menjadi
f
Y
(y) =
d
dy
F
X
(w(y))
=
d
dw(y)
F
X
(w(y))
d
dy
w(y)
= f
X
(w(y))

d
dy
w(y)

.
Dalam hal ini (d/dy)w(y) > 0 karena y monoton naik.

monoton turun
u(x) y jika dan hanya jika w(y) x. Dengan demikian
F
Y
(y) = P(u(X) y)
= P(X w(y))
= 1 P(X w(y))
= 1 F
X
(w(y)),

ehingga fung
i den
ita
nya menjadi
f
Y
(y) =
d
dy
[1 F
X
(w(y))]
=
d
dy
(1)
d
dy
F
X
(w(y))
= 0
d
dw(y)
F
X
(w(y))
d
dy
w(y)
= f
X
(w(y))
d
dy
w(y)
= f
X
(w(y))

Sekarang, dalam ka
u

d
dy
w(y)

.
Dalam hal ini (d/dy)w(y) < 0 karena y monoton turun.
Dalam kontek
ka
u
kontinu, turunan w(y) di
ebut Jacobian dari tran
f
orma
i dan dino
ta
ikan
J =
d
dy
w(y). (5.24)
Contoh 5.7. Mi
al peubah acak kontinu X memiliki fung
i den
ita
peluang
f
X
(x) = 2 e
2x
, 0 < x < . (5.25)
Kita tertarik untuk mencari fung
i den
ita
peluang Y = e
X
. Dengan tran
forma
i inver
e
diperoleh x = w(y) = ln y, dan Jacobian
J = w
(y)
=
d
dy
w(y)
=
d
dy
ln y
=
1
y
.
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 51
Dengan demikian fung
i den
ita
peluang Y adalah
f
Y
(y) = f
X
(ln y)

1
y

= 2 e
2 ln y
_
1
y
_
= 2 e
ln y

2
y
1
= 2y
2
y
1
= 2y
3
, y B = (1, ).
Dalam ma
alah tran
forma
i,
angatlah penting untuk mengidenti ka
i himpu
nan B dimana
f
Y
(y) > 0, dalam contoh ini B = (1, ) karena e
x
> 1
aat x > 0.
Contoh 5.8. Mi
al peubah acakk kontinu X N(,
2
) dan kita tertarik dengan peubah acak
Y = e
X
. Fung
i den
ita
peluang X dapat dinyatakan
ebagai
f
X
(x) =
1

2
e

1
2
(x )
2

2
, < x < , < < , 0 < < . (5.26)
Dengan tran
forma
i inver
diperoleh x = w(y) = ln y dan Jacobian J
= (d/dy)w(y) = 1/y.
Dengan demikian fung
i den
ita
peluang Y adalah
f
Y
= f
X
(ln y)

=
1

2
exp
_

1
2
(ln y )
2

2
_
, 0 < y <
=
1

2y
exp
_

1
2
(ln y )
2

2
_
, y B = (0, ). (5.27)
Fung
i den
ita
peluang per
amaan (5.27) adalah bentuk dari di
tribu
i lognormal
dengan rata
rata dan varian
i
2
, dituli
LOGN(,
2
).
Contoh 5.9. Mi
al peubah acak kontinu X EXP(). Kita te
ta
ik dengan
dist
ibusi da
i
peubah acak Y = exp(X/). Fungsi densitas peluang X dapat dinyatakan sebagai
f
X
(x) =
1

, 0 < x < . (5.28)

Dengan t
ansfo
masi inve
s dipe
oleh x = w(y) = ln y sehingga Jacobian (d/dy)( ln y
) =
/y. Kita pe
oleh fungsi densitas peluang Y
f
Y

(y) = f
X
( ln y)

=
1

exp
_
ln y

y
=
1

y
, 0 < y < 1
= 1, y B = (0, 1). (5.29)
Bentuk pe
samaan (5.29) adalah fungsi densitas peluang da
i dist
ibusi
se
agam pada selang
(0, 1), yakni Y UNIF(0, 1).
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 52
Teorema 5.4 (Peluang Tran
forma
i Integral). Jika X adalah peubah aca
k kontinu dengan
fung
i di
tribu
i kumulatif F
X
(x), maka U = F
X
(X) UNIF(0, 1). Sebaliknya, jika U berdi

tribu
i
ecara
eragam
epanjang interval (0, 1), maka X = F
1
X
(U) memiliki fung
i di
tribu
i
kumulatif F
X
().
Buti: Aan dibutian untu asus F
X
(x) adalah satu satu sehingga invers F
1
X
(u) ada.
F
U
(u) = P(U u)
= P(F
X

(X) u)
= P(X F
1
X
(u))
= F
X
(F
1
X
(u))
= u.
Karena 0 F
X
(x) 1, ita peroleh
F
U
(u) =
_
0, jia u 0;
0, jia u 1.
Sebalinya,
F
X
(x) = P(X x)
= P(F
1
X
(U) x)
= P(U F
X
(x))
= F
X
(x).
Teorema 5.5. Misal F
X
(x) adalah suatu fungsi distribusi umulatif dan 
U
(u) adalah fungsi
yang dide nisian oleh
(u) = min{x : u F
X
(x)}, 0 u 1. (5.30)
Jia U UNIF(0, 1), maka X = G
U
(U) F
X
(x).
Teorema (5.5) berguna untuk membangkitan bilangan acak dari di
tribu
i
dengan fung
i
di
tribu
i kumulatif F
X
(x).
5.2.2 Tran
forma
i yang Tidak Satu
atu
Mi
al fung
i u(x) tidaklah
atu
atu
epanjang himpunan A = {x : f
X
(x)}. Me
kipun hal ini
berarti tidak terdapat penyele
aian tunggal pada per
amaan y = u(x), namun bia

anya mungkin

untuk memparti
i himpunan A menjadi himpunan bagian tak ber
ama (di
j

oint) A
1
, A
2
, . . .

edemikian hingga u(x) adalah
atu
tatu
epanjang A
j
. Untuk
etiap y di dalam range u(x),
per
amaan y = u(x) memiliki penyele
aian tunggal x
j
= w
j
(y)
epanjang himpunan A
j
. Untuk
ka
u
di
krit, Teorema (5.2) dapat diperlua
untuk
uatu fung
i yang
tidak
atu
atu dengan
mengganti per
amaan yang tidak
atu
atu pada per
amaan (5.15) dengan
f
Y
(y) =
j
f
X
(w
j
(y)). (5.31)
Dalam hal ini f
Y
(y) =
j
f
X
(x
j
) dimana jumlah ke
eluruhan
epanjang x
j

edemikian hingga
u(x
j
) = y. Sementara, dalam ka
u
kontinu, untuk fung
i yang tidak
atu
atu diper
oleh dengan
memperlua
per
amaan (5.23) menjadi
f
Y
(y) =
j
f
X
(w
j
(y))

d
dy
w
j
(y)

. (5.32)
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 53
Untuk tran
forma
i Y = u(X), penjumlahan
epanjang nilai j yang mana u(x
j
) = y, me
kipun
Jacobiannya ma
uk ke per
amaan untuk ka
u
kontinu.
Contoh 5.10. Suatu peubah acak di
krit X memiliki fung
i den
ita
peluang
f
X
(x) =
4
31
_
1
2
_
x
; x = 2, 1, 0, 1, 2. (5.33)
Mi
al kita tertarik dengan peubah acak Y = |X|. Dalam hal ini himpunan B =
{0, 1, 2}
erta
f
Y
(0) = f
X
(0) =
4
31
_
1
2
_
0
=
4
21
; (5.34)
f
Y
(1) = f
X
(1) +f
X
(1) =
4
31
_
1
2
_
1
+

4
31
_
1
2
_
1
=
8
31
+
2
31
=
10
31
; (5.35)
f
Y
(2) = f
x
(2) +f
X
(2) =
4
31
_
1
2
_
2
+
4
31
_
1
2
_
2
=
16
31
+
1
31
=
17
31
. (5.36)
Cara lain untuk menyatakan fung
i den
ita
peluang ini adalah
f
Y
(y) =
_

_
4
31

, untuk y = 0;
4
31
__
1
2
_
y
+
_
1
2
_
y
_
, untuk y = 1, 2.
(5.37)
Jika kita lihat kembali Contoh (5.2), yakni teknik fung
i di
tribu
i kumulatif,
jika X adalah
peubah acak kontinu
erta Y = X
2
, maka
F
Y
(y) = F
X
(

y) F
X
(

y); (5.38)
dengan menurunkan diperoleh
f
Y
(y) =
1
2

y
[f
X
(

y) +f
X
(

y)]. (5.39)
Contoh 5.11. Mi
al peubah acak X UNIF(1, 1) dan mi
alkan pula Y
X
2
. Fung
i
den
ita
peluang X dapat dinyatakan
ebagai berikut
f
X
(x) =
1
1 (1)

=
1
2
, 1 < x < 1. (5.40)
Jika kita parti
i himpunan A =
1
= (1, 0) dan A
2
= (0, 1) maka y = x
2
memiliki penyele
aian tunggal, yakni
1
= w
1
(y) =

y dan x
2
= w
2
(y) =

y
epanjang
elang
ini. Kita dapat mengabaikan titik
Dengan demikian
BAB 5. FUNGSI FUNGSI PEUBAH ACAK
fung
i den
ita
peluang Y adalah
f
Y
(y) =
2
j=1
f
X
(w
j
(y))

d
dy
w
j
(y)

= f
X
(w
1
(y))

(1, 1) menjadi

x = 0 dalam parti
i ini karena x kontinu.

54

d
dy
w
1
(y)

+f
X
(w
2
(y))

d
dy
w
2
(y)

= f
X
(

y)

d
dy
(

y)

+f
X
(

y)

d
dy
(

y)

= f
X
(

y)

1
2

+f
X
(

y)

1
2

=
1
2

1
2

+
1
2

1
2

=
2
2

1
2

1
2

=
1
2

y
, y B = (0, 1).
Contoh 5.12. Suatu peubah acak kontinu X memiliki fung
i den
ita
peluang
f
X
(x) =
_
_
_
x
2
3
, jika 1 < x < 2;
0, jika x lainnya.
(5.41)
Mi
al kita tertarik dengan peubah acak Y = X
2
. Kita peroleh tran
forma
i inver
e x
1
= w

1
(y) =

y untuk x < 0 dan x

2
= w
2
(y) =

y untuk x > 0. Namun, untuk 0 < y < 1 terdapat dua

titik dengan fung
i den
ita
peluang tidak nol, yakni x
1
=

y dan x
2
=

y yang terpetakan
ke y. Sementara untuk 1 < y < 4 hanya terdapat
atu titik dengan fung
i den
i
ta
peluang tidak
nol, x
2
=

y yang dipetakan ke y. (Ingat bahwa bata
untuk y adalah 0 < y < 4).
Dengan
demikian, fung
i den
ita
peluang Y adalah
f
Y
(y) =
1
2

y
(f
X
(

y) +f
X
(

y)) (5.42)
f
Y
(y) =
_

_
1
2

y
_

y)
2
3
+
(

y)
2
3
_
, untuk 0 < y < 1;
1
2

y
_
0 +
(

y)
2
3
_
=
1
2

y
_
(

y)
2
3
_
, untuk 1 < y < 4.
Catatan: per
amaan
f
Y
(y) =
j
f
X
(w
j
(y))
dan
f
Y
(y) =
j
f
X
(w
j
(y))

d
dy
w
j
(y)

dapat di
ederhanakan menjadi

f
Y
(y) =
j
f
X
(x
j
)
BAB 5.
dan
f
Y
(y) =

FUNGSI FUNGSI PEUBAH ACAK

55

j
f
X
(x
j
)

dx
j
dy

,
dengan
x
j
= w
j
(y)
adalah fung
i dari y.
5.2.3 Tran
forma
i Ber
ama
Mi
al X adalah
uatu vektor peubah acak berdimen
i k, yakni X = (X
1
, . . . , X
k

), dan mi
alkan
u
1
(x), . . . , u
k
(x) adalah fung
i dari x
ebanyak k,
edemikian hingga Y
i
= u
i
(X) untuk i =
1, . . . , k mende ni
ikan
uatu peubah acak lain yakni Y = (Y
1
, . . . , Y
k
) = u(X).
Teorema 5.6 (Ka
u
Di
krit). Jika X adalah
uatu vektor peubah acak di
krit
dengan fung
i
den
ita
peluang ber
ama f
X
(x) dan Y = u(X) mende ni
ikan
uatu tran
forma
i
atu
atu,
maka fung
i den
ita
peluang ber
ama Y adalah
f
Y
(y
1
, . . . , y
k
) = f
X
(x
1
, . . . , x
k
) (5.43)
dimana x
1
, . . . , x
k
adalah penyele
aian dari y = u(x) dan bergantung pada y
1
, . . . , y
k
. Jika
tran
forma
inya tidak
atu
atu dan jika parti
i ada katakanlah A
1
, A
2
, . . . ,
edemikian hingga
y = u(x) memiliki penyele
aian tunggal x = x
j
atau
x
j
= (x
1j
, . . . , x
kj
) (5.44)

epanjang A
j

, maka fung
i den
ita
peluang Y adalah

f
Y
(y
1
, . . . , y
k
) =
j
f
X
(x
1j
, . . . , x
kj
). (5.45)
Untuk ka
u
kontinu, tran
forma
i peubah acak kontinu juga dapat diperoleh denga
n mem
perlua
nota
i Jacobian. Suatu tran
forma
i dengan k peubah y = u(x) deng
an
uatu penye
le
aian tunggal x = (x
1
, . . . , x
k
) memiliki Jacobian yang merupakan matrik
turunan par
ial
k k
J =

x
1
y
1
x
1
y
2

x
1
y

x
2
y
1

x
2
y
2

x
2
y

.
.
.
.
.
.
.
.
.
.
.
.
x

y
1
x

y
2

x

y


(5.46)
Teorema 5.7. Misal suatu vetor peubah aca ontinu X = (X
1
, . . . , X

) dengan fungsi densi
tas peluang bersama f
X
(x
1
, . . . , x


) > 0 pada himpunan A, dan Y = (Y
1
, . . . , Y

) dide nisian
oleh transformasi satu satu
Y
i
= u
i
(X
1
, . . . , X

), i = 1, . . . , . (5.47)
Jia Jacobiannya ontinu dan ta nol sepanjang rentang (range) dari transformasi
, maa fungsi
densitas peluang bersama Y adalah
f
Y
(y
1
, . . . , y

) = f
X
(x
1
, . . . , x

)|J| (5.48)
dimana x = (x
1
, . . . , x

) adalah penyelesaian dari y = u(x).
BAB 5. FUNSI FUNSI PEUBAH ACAK 56
Contoh 5.13. Misal X
1
dan X
2
adalah peubah peubah aca ontinu bebas dan berdistribusi
esponensial, yani X
i
EXP(1). Fung
i den
ita
peluang ber
amanya adalah
f
X
1
,X
2
(x
1
, x
2
) = exp((x
1
+x
2
)), (x

1
, x
2
) A, (5.49)
dengan A = {(x
1
, x
2
) : 0 < x
1
, 0 < x
2
}. Mi
al peubah acak Y
1
= X
1
dan Y
2
= X
1
+ X
2
. Hal
ini ber
e
uaian dengan tran
forma
i
1
= x
1
dan y
2
= x
1
+ x
2
, yang memiliki
olu
i tunggal
x
1
= y
1
dan x
2
= y
2
y
1
. Jacobian tran
forma
i ini adalah
J =

x
1
y
1
x
1
y

2
x
2
y
1
x
2
y
2

1 0
1 1

= (1 1) ((1) 0)
= 1 0
= 1.
Dengan demiian fungsi densitas peluang bersama Y
1
dan Y
2
adalah
f
Y
1
,Y
2
(y
1
, y
2
) = f
X
1
,X
2
(y
1
, y
2
y
1
)
= exp(y
1

+y
2
y
1
)
= exp(y
2
), (y
1
, y
2
) B;
dan nol untu y lainnya.
Himpunan B diperoleh dengan mentransformasian himpunan A yang bersesuaian de
ngan
y
1
= x
1
> 0 dan y
2
y
1
= x
2
> 0. Dengan demiian B = {(y
1
, y
2
) : 0 < y
1
< y
2
< }. Fungsi
densitas marjinal Y
1
dan Y
2
adalah
f
Y
1
(y
1
) =
_

y
1
e
y
2
dy
2
= e
y
2


y
2
=
y
2
=y
1
= e

(e
y
1
)
= 0 + e
y
1
= e
y
1
, y
1
> 0; (5.50)
dan
f
Y
2
(y
2
) =
_
y
2
0
e
y
2
dy
1
= e
y
2
y
1

y
1
=y
2
y
1
=0
= y
2
e
y
2

0
= y
2
e
y
2
, y
2
> 0. (5.51)
Dari fungsi densitas peluang (5.50) dan (5.51) diperoleh Y
1
EXP(1) dan Y
2
GAM(1, 2).
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 57
Contoh 5.14. Sehubungan dengan Contoh (5.13), mi
al
ngan peubah acak
Y
1
= X
1
X
2
dan Y
2
= X
1
+X
2
. Hal ini ber
e
uaian dengan tran
forma
i x
1
= (y
1
+y
2
)/2 dan
x
2
= (y
2
y
1
)/2. Dengan demikian Jacobiannya adalah
J =

x
1
y
1
x
1
y
2
x

kita tertarik de

2
y
1
x
2
y
2

1/2 1/2
1/2 1/2

=
1
2

1
2

1
2

1
2
_
=
1
4
+
1
4
=
2
4
=
1
2
.
Fungsi densitas peluang bersama Y
1
dan Y
2
adalah

f
Y
1
,Y
2
(y
1
, y
2
) = f
X
1
,X
2
((y
1
+y
2
)/2, (y
2
y
1
)/2)|1/2|
= exp((y
1
+y
2
)/2 + (y
2
y
1
)/2)(1/2)
= exp((y
1
+y
2
+y
2
y
1
)/2)(1/2)
= exp((2y
2
)/2)(1/2)
= (1/2) exp(y
2
), (y
1
, y
2
) B.
Dalam hal ini
1
, y
2
) : y
2
< y
1
< y

B = {(y

2
, y
2
> 0} dengan batas batas y
2
= y
1
dan
0 < y
2
= y
1
. Fungsi marjinal Y
1
dan Y
2
adalah sebagai beriut. Pertama, untu y
1
< 0:
f
Y
1
(y
1
) =
_

y
1
1
2
e
y
2
dy
2
=
1
2
e
y
2

y
2
=
y
2
=y
1
=
1
2
e


1
2
e
y
1
_
= 0 +
1
2
e
y
1
=
1
2
e
y
1
. (5.52)
BAB 5. FUNSI FUNSI PEUBAH ACAK
Kedua, untu y
1
> 0:
f
Y
1
(y
1
) =
_

y
1
1
2
e
y
2
dy
2
=
1
2
e
y
2

y
2
=
y
2
=y
1
=
1

58

2
e

1
2
e
y
1
_
= 0 +
1
2
e
y
1
=
1
2
e
y
1
. (5.53)
Bentu persamaan (5.52) dan (5.53) dapat disederhanaan menjadi
f
Y
1
(y
1
) =
1
2
e
|y
1
|
, < y
1
< . (5.54)
Sementara,
f
Y
2
(y
2
) =
_
y
2
y
2
1
2
e
y
2
dy
1

=
y
1
2
e
y
2

y
1
=y
2
y
1
=y
2
=
y
2
2
e
y
2

y
2
2
e
y
2
_
=
y
2
2
e
y
2
+
y
2
2
e
y
2
= y
2
e
y
2
, y
2
> 0. (5.55)
Dari persamaan (5.55) diperoleh Y
1

 DE(1, 0) dan Y
2
GAM(1, 2).
Untuk tran
forma
i yang tidak
atu
atu Teorema (5.7) juga dapat dipelua
. Jik
a per
amaan
y = u(x) dapat di
ele
aikan
ecara tunggal
epanjang
etiap himpunan pada parti

i A
1
, A
2
, . . . ,
dan mengha
ilkan penyele
aian, dan jika penyele
aian ini memiliki Jac
obian kontinu tak nol,
maka
f
Y
(y
1
, . . . , y
k
) =
i
f
X
(x
1i
, . . . , x
ki
)|J
i
|, (5.56)
dimana J
i
adalah Jacobian dari penyele
ian
epanjang himpunan A
i
.
5.3 Jumlah Peubah Acak
5.3.1 Formula Konvolu
i
Mi
al X
1
dan X
2
adalah peubah acak kontinu dengan fung
i den
ita
peluang ber
ama f
X
1
,X
2
(x
1
, x
2
)
dan jika kita hanya tertarik pada fung
i den
ita
peluang dari
uatu jumlah S =
X
1
+X
2
maka
kita dapat menggunakan

f
S
(
) =
_

f(t,
t) dt. (5.57)

Jika X
1
dan X
2

aling beba
, maka kita akan memperoleh formula konvolu
i
f
S
(
) =
_

f
X
1
(t)f
X
2
(
t) dt. (5.58)
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 59
Contoh 5.15. Mi
al X
1
dan X
2
adalah peubah acak beba
dan berdi
tribu
i
eragam, yakni
X
i
UNIF(0, 1), i = 1, 2. Mi
al pula S = X
1
+X
2
. Fung
i di
tribu
i peluang ber
ama X
1
dan
X
2
dapat dinyatakan
ebagai
f
X
1
,X
2
(x
1
, x
2
) = 1, 0 < x
1
< 1; 0 < x
2
< 1. (5.59)
Daerah B ber
e
uaian dengan tran
forma
i t = x
1
dan
= x

1
+x
2

adalah B = {(
, t) : 0 < t <

< t + 1 < 2}. Dengan demikian diperoleh
f
S
(
) =
_

_
_


0
dt =
, untuk 0 <
< 1;
_
1

1
dt = 2
, untuk 1
< 2;
1 |
1|, untuk 0 <
< 2;
0, untuk
lainnya.
(5.60)
Contoh 5.16. Mi
al X
1
dan X
2
adalah peubah acak gamma beba
, yakni
1
GAM(1, )
dn X
2
GAM(1, ). Misl peu h ck Y
1
= X
1
+ X
2
dn Y
2
= X
1
/(X
1
+ X
2
). Fungsi
densits pelung ersm X
1
dn X
2
dlh
f

X
1
,X
2
(x
1
, x
2
) =
1
()()
x
1
1
x
1
2
exp(x
1
x
2
), 0 < x
i
< , 0 < , 0 < . (5.61)
Dengn trnsformsi invers diperoleh x
1
= y
1
y
2
dn x
2
= y
1
y
1
y
2
= y
1
(1 y
2
). Jco in
trnsformsi ini dlh
J =

x
1
y
1
x
1
y
2

x
2
y
1
x
2
y
2

y
2
y
1
1 y
2
y
1

= y
2
(y
1
) (y
1
)(1 y
2
)
= y
1
y
2
y
1
+y
1
y
2
= y
1
.
Dengn demikin fungsi densits pelung ersm
1

dn X
2
dlh
f
Y
1
,Y
2
(y
1
, y
2
) =
(y
1
y
2
)
1
()()
(y
1
(1 y
2
))
1
exp(y
1
y
2
(y
1
y
1
y
2
))| y
1
|
=
y
1
1
y
1
2
y
1
1
(1 y
2
)
1
()()
e
y
1
y
1
=

y
1
2
(1 y
2
)
1
()()
y
+1
1
e
y
1
;
jik (y
1
, y
2
) B = {(y
1
, y
2
) : 0 < y
1
< , 0 < y
2
< 1} dn nol untuk y linny.
5.3.2 Metode Fungsi Pem ngkit Momen
Fungsi pem ngkit momen (moment generting function) dri sutu peu h ck se
cr unik
menentukn distri usiny. Pendektn fungsi pem ngkit momen ergun dlm men
entukn
distri usi jumlh peu h ck e s dn hkn le ih nymn di ndingkn melkuk
n trns
formsi ersm. Jik fungsi pem ngkit momen sutu peu h ck diperoleh, mk
 lngkh
selnjutny dlh menentukn tu mengenli distri usi yng memiliki fungsi pem
ngkit mo
men terse ut.
BAB 5. FUNSI FUNSI PEUBAH ACAK 60
Teorem 5.8. Jik X
1
, . . . , X
n
dlh peu h ck e s dengn fungsi pem ngkit momen
M
X
i
(t), mk fungsi pem ngkit momen Y =
n
i=1
X
i
dlh
M
Y
(t) = M
X

1
(t) M
X
n
(t). (5.62)
Buti:
M
Y
(t) = E(e
tY
)
= E(e
t(X
1
++X
n
)
)
= E(e
tX
1
e
tX
n
)
= E(e
tX
1
) E(e
tX
n
)
= M
X
1
(t) M
X
n
(t).
Apabila X
1
, . . . , X
n
merupaan sampel aca dari suatu populasi
peluang f
X
(x) dan fungsi pembangit momen M
X
(t) maa
M
Y
(t) = M
X
(t) M
X
(t) = [M
X
(t)]
n
. (5.63)

dengan fungsi

densitas

Contoh 5.17. Misal X

1
, . . . , X
n
adalah peubah peubah aca berdistribusi Poisson yang saling
bebas, yani X
i
POI(
i
) dan mi
al pula Y =
n
i=1
X
i
. Fung
i pembangkit momen X
i
adalah
M
X
i
(t) = exp[
i
(e
t
1)]. Dengan demikian fung
i pembangkit momen Y adalah
M
Y
(t) = M
X
1
(t) M
X
n
(t)
= exp[
1
(e
t
1)] exp[
n
(e
t
1)]
= exp[(
1
+ +
n
)(e
t
1)]. (5.64)
Bentu (5.64) adalah fungsi pembangit momen dari POI(
1
+ +
n
). Jadi Y =
n
i=1
X

POI(
n
i=1

i
).
Contoh 5.18. Mi
al X
1
, . . . , X
n
adalah peubah peubah acak yang berdi
tribu
i

aling beba
, X
i
N(
i
,
2
i
); i = 1, . . . , n. Mi
al Y =
n
i=1
X
i
. Fung
i pembangkit momen X
i
adalah
M
Y
(t) = M
X
1
(t) M
X
n
(t)
= exp(
1
t +
2
1
t
2
/2) exp(
n
t +
2
n
t
2
/2)
= exp(
1
t + +
n
t +
2

normal

dan

1
t
2
/2 + +
2
n
t
2
/2)
= exp[(
1
+ +
n
)t + (
2
1
+ +
2
n
)t
2
/2]. (5.65)
Bentuk (5.65) adalah fung
i pembangkit momen dari Y N(
n
i=1

i
,
n
i=1

2
i
).
5.4 Stati
tik Terurut
5.4.1 Penarikan Sampel Ter
en
or
Kon
ep tentang
uatu
ampel acak berukuran n telah dibicarakan pada bab
ebelum
nya, dan
fung
i den
tia
peluang ber
ama dari n peubah acak
aling beba
dari X
1
, . . . , X
n
diberikan oleh
f
X
1
,...,X
n
(x
1
, . . . , x
n
) = f
X
1
(x
1
) f

X
n
(x
n
). (5.66)
Sebagai contoh suatu sampel aca enam bola lampu diuji dengan watu egagalan ya
ng teramati
(dalam bulan) ataanlah (x
1
, x
2
, x
3
, x
4
, x
5
, x
6
) = (6, 8, 11, 100, 5, 15). Nah, amatan sesungguh
nya aan mengambil posisi x
5
= 5, x
1
= 6, x
2
= 8, x
3
= 11, x
6
= 15, dan x
4
= 100. Aan
BAB 5. FUNSI FUNSI PEUBAH ACAK 61
lebih bermanfaat apabila ita mengganggap sampel aca terurut (ordered
random sample)
beruuran n, dinotasian sebagai (x
1:n
, . . . , x
n:n
). Dalam hal ini, x
1:6
= x
5
= 5, x
2:6
= x
1
= 6,
x
3:6
= x
2
= 8, x
4:6
= x
3
= 11, x
5:6
= x

6
, dan x
6:6
= x
4
= 100. Mengingat ita tida perduli
bola lampu mana yang diberi label nomor 1, nomor 2, nomor 3, dan seterusnya, it
a dapat saja
dengan cara yang sama mencatat data terurut sebagaimana bahwa dia diambil tanpa
mencatat
pelabelan awal. Dalam beberapa asus ita ingin berhenti setelah r amatan teru
rut terecil dari
n telah teramati, arena hal ini berarti ita bisa menghemat watu
. Dalam ilustrasi di atas
diperluan 100 bulan agar eenam bola lampu gagal, tetapi lima bola lampu gagal
dalam tempo
15 bulan.
Fungsi distribusi bersama dari peubah peubah aca terurut tidalah sa
ma dengan fungsi
densitas bersama peubah peubah aca tida terurut. Sebagai contoh, ilu
strasi di atas ada 6!
permutasi yang berbeda dari suatu sampel beruuran 6 bersesuaian dengan satu has
il terurut.
Misal suatu transformasi yang mengurutan nilai nilai x
1
, . . . , x
n
yani
y
1
= u
1
(x
1
, . . . , x
n
) = min(x
1
, . . . , x
n
); (5.67)
y
n
= u
n
(x
1
, . . . , x
n
) = max(x
1
, . . . , x
n
). (5.68)
Secara umum y
i
= u
i
(x
1

, . . . , x
n
) menyataan nilai terecil e i dari x
1
, . . . , x
n
. Ilustrasi bola
lampu di atas memperlihatan contoh transformasi ini. Apabila transformasi ini
diterapan pada
suatu sampel aca X
1
, . . . , X
n
, ita aan mendapatan sampel aca terurut, disebut statisti
terurut (order statistics) dinotasian sebagai X
1:n
, . . . , X
n:n
atau Y
1
, . . . , Y
n
.
Teorema 5.9. Jia X
1
, . . . , X
n
adalah suatu sampel aca dari suatu populasi dengan fungsi
densitas peluang ontinu f
X
(x), maa fungsi densitas peluang bersama dari statisti terurut
Y
1
, . . . , Y
n
adalah
g
Y
1
,...,Y
n
(y
1
, . . . , y
n
) =
_
n!f
Y
1
(y
1
) f
Y
n
(y
n
), jia y
1
< y

2
< < y
n
;
0, jia y lainnya.
(5.69)
Jia transformasi peubah aca ontinu tida satu satu maa perlu dilauan parti
si pada do
main menjadi himpunan himpunan bagian A
1
, A
2
, . . . , sedemiian hingga transformasi menjadi
satu satu pada masing masing himpunan bagian dan menjumlahannya, yani
g
Y
1
,...,Y
n
(y
1
, . . . , y
n
) =
i
f
Y
1
(y
1
) f
Y
n
(y
n
)|J
i
|. (5.70)
Untu memahami Teorema (5.9), sebagai ilustrasi ita ambil asus n = 3.
hal ini ruang
sampel dapat dibagi menjadi 3! = 6 himpunan disjoint:
A
1
= {(x
1
, x
2
, x
3
) : x
1
< x
2
< x
3
},
A
2
= {(x

Dalam

1
, x
2
, x
3
) : x
2
< x
1
< x
3
},
A
3
= {(x
1
, x
2
, x
3
) : x
1
< x
3
< x
2
},
A
4
= {(x
1
, x
2
, x
3
) : x
2
< x
3
< x
1
},
A
5
= {(x
1
, x
2
, x
3
) : x
3
< x
1
< x
2
},
A
6
= {(x

1
, x
2
, x
3
) : x
3
< x
2
< x
1
},
dan rentang (range) transformasi adalah B = {(y
1
, y
2
, y
3
) : y
1
< y
2
< y
3
}. Dalam mentransfor
masi menuju sampel aca terurut ita peroleh transformasi satu satu:
Y
1
= X
1
, Y
2
= X
2
, Y
3
= X
3
, dengan J
1
= 1 pada A
1
;
Y
1
= X
2
, Y
2
= X
1
, Y
3
= X
3
, dengan J
2
= 1 pada A
2
;

Y
1
=
1
, Y
2
=
3
, Y
3
=
2
,
3
=
3
;
Y
1
=
2
, Y
2
=
3
, Y
3
=
1
,
4
=
4
;
Y
1
=
3
, Y
2
=
1
, Y
3
=
2
,
5
=
5
;
Y
1
=
3
, Y
2
=
2
, Y

X
dengan
1

pada

X
dengan
1

pada

X
dengan
1

pada

J
A

3
= X
1
,
6

dengan

= 1 pada A
6
.
BAB 5. FUNSI FUNSI PEUBAH ACAK 62
Catatan: masing masing Jacobian dapat dihitung sebagai beriut, misalnya untu
J
3
:
J
3
=

x
1
y
1
x
1
y
2
x
1
y
3
x
2
y
1
x
2
y
2
x
2
y
3
x
3
y
1
x
3
y
2
x

3
y
3

1 0 0
0 0 1
0 1 0

= 0 + 0 + 0 0 1 0
= 1.
Pada setiap asus |J
i
| = 1. Lebih lanjut, untu setiap daerah, fungsi densitas peluang bersamanya
adalah produ dari fator fator f
Y
i
(y
i
) dialian menurut urutan. Namun, dapat ditulisan
sebagai f
Y
1
(y
1
)f
Y
2
(y
2
)f
Y
3
(y
3

), mengabaian urutan. Jia ita jumlahan semuanya maa terda

pat 3! = 6 himpunan bagian. Dengan demiian, fungsi densitas peluang bersama Y
1
, Y
2
, dan Y
3
adalah
g
Y
1
,Y
2
,Y
3
(y
1
, y
2
, y
3
) =
6
i=1
f
Y
1
(y
1
)f
Y
2
(y
2
)f
Y
3
(y
3
)
= 3!f
Y
1
(y
1
)f
Y
2
(y
2
)f
Y
3
(y
3
), y
1
< y
2

< y
3
;
dan nol untu y lainnya.
Contoh 5.19. Misal X
1
, X
2
, dan X
3
menyataan suatu sampel aca beruuran tiga dari suatu
populasi dengan fungsi densitas peluang
f
X
(x) =
_
2x, jia 0 < x < 1;
0, jia x lainnya.
(5.71)
Fungsi densitas peluang bersama dari statisti terurut Y
1
, Y
2
, dan Y
3
adalah
g
Y
1
,Y
2
,Y
3
(y
1
, y
2
, y
3
) = 3!(2y
1
)(2y
2
)(2y
3
)
= 6 8y
1
y
2
y
3
= 48y
1
y
2
y
3
, 0 < y
1

< y
2
< y
3
< 1,
dan nol untu y lainnya.
Jia ita tertari dengan fungsi densitas marjinal dari suatu statisti terurut
tunggal, mis
alnya Y

, maa hal ini dapat diperoleh dengan mengintegralan sepanjang peubah lain. M
isal
BAB 5. FUNSI FUNSI PEUBAH ACAK 63
fungsi peluang marjinal dari statisti terurut terecil Y
1
.
g
Y
1
(y
1
) =
_
1
y
1
_
1
y
2
48y
1
y
2
y
3
dy
3
dy
2
= 48y
1
y
2
_
1
y
1
_
1
y
2
y
3
dy
3
dy
2
= 48y
1

y
2
_
1
y
1
_
1
2
y
2
3

y
3
=1
y
3
=y
2
_
dy
2
= 48y
1
y
2
_
1
y
1
_
1
2
(1
2
y
2
2
)
_
dy
2
= 48y
1
y
2
_
1
y
1
_
1
2

1
2

y
2
2
_
dy
2
= 48y
1
_
1
y
1
y
2
_
1
2

1
2
y
2
2
_
dy
2
= 48y
1
_
1
y
1
_
1
2
y
2

1
2
y
3
2
_
dy
2
= 48y
1
_
1
4
y
2
2

1
8
y
4
2

y
2
=1
y
2
=y
1
_
dy
2
= 48y
1
_
1
4

1
8

_
1
4
y
2
1

1
8
y
4
1
__
= 48y
1
__
1
4

1
8
_

1
8
_
2y
2
1
y
4
1
__
= 48y
1
__
1

1
8
_
2y
2
1
y
4
1
__
=
48y
1
8
[1 (2y
2
1
y
4
1
)]
= 6y
1
(1 2y
2
1
+y
4
1
)
= 6y
1
(1 y
2
1
)
2
, 0 < y
1
< 1.
Untu mendapatan formula umum dari distribusi e  dari statisti terurut dalam
fungsi den
sitas peluang f
X
(x) dan fungsi distribusi umulatif F
X
(x). Jia X adalah peubah aca ontinu
dengan fungsi peubah aca f
X
(x) > 0 pada a < x < b (a mungin dan b mungin ) maa
BAB 5. FUNSI FUNSI PEUBAH ACAK 64
untu n = 3:
g
Y
1
(y
1
) =

_
b
y
1
_
b
y
2
3!f
Y
1
(y
1
)f
Y
2
(y
2
)f
Y
3
(y
3
) dy
3
dy
2
= 3!f
Y
1
(y
1
)f
Y
2
(y
2
)
_
b
y
1
_
b
y
2
f
Y
3
(y
3
) dy
3
dy
2
= 3!f
Y
1
(y
1

)f
Y
2
(y
2
)
_
b
y
1
__
0
y
2
f
Y
3
(y
3
) dy
3
+
_
b
0
f
Y
3
(y
3
) dy
3
_
dy
2
= 3!f
Y
1
(y
1
)f
Y
2
(y
2
)
_
b
y
1
__
b
0
f
Y
3
(y
3
)
_

y
2
0
f
Y
3
(y
3
) dy
3
dy
3
_
dy
2
= 3!f
Y
1
(y
1
)f
Y
2
(y
2
)
_
b
y
1
_
F(b) F(y
2
)
_
dy
2
= 3!f
Y
1
(y
1
)
_
b
y
1
f
Y
2
(y
2
)
_
F(b) F(y
2
)
_
dy
2

= 3!f
Y
1
(y
1
)
[1 F
Y
2
(y
2
)]
2
2

y
2
=b
y
2
=y
1
= 3f
Y
1
(y
1
)[1 F
Y
1
(y
1
)]
2
, a < y
1
< b.
Teorema 5.10. Misal X
1
, . . . , X
n
adalah sampel aca beruuran n dari fungsi densitas peluang
ontinu f
X
(x), dimana f
X
(x) > 0 untu a < x < b. Maa fungsi densitas peluang statisti
terurut e , yani Y

, diberian oleh
g

(y

) =
n!
( 1)!(n )!

[F
Y

(y

)]
1
[1 F
Y

(y

)]
n
f
Y

(y

), (5.72)
jia a < y

< n, dan nol untu y

lainnya.
Untu memahami Teorema (5.10) perhatian bahwa untu mendapatan Y

= y

, ita harus
mempunyai  1 amatan urang dari y

, satu amatan pada y

, dan n  amatan yang lebih
besar daripada y

, dimana P(X y

) = F
X
(y

) , P(X y

) = 1F
X
(y

), dan lielihood pada
amatan saat y

adalah f
Y

(y

). Terdapat n!/( 1)!1!(n )! pengurutan yang mungin dari
n amatan peubah aca bebas, sehingga g


(y

) diberian oleh persamaan
g

(y

) =
n!
( 1)!(n )!
[F
Y

(y

)]
1
[1 F
Y

(y

)]
n
f
Y

(y

).
Dengan argumentasi yang sama ita juga dapat memperoleh sembarang fungsi densita
s peluang
bersama statisti terurut. Misalan suatu pasangan statisti terurut Y
i
dan Y
j
dimana i < j.
Untu mendapatan Y
i
= y
i
dan Y
j
= y
j
,
ita harus memilii i 1 amatan urang dari
y
i
, satu amatan pada y
i
, j i 1 antara y
i
dan y
j
, satu observasi pada y
j
, dan n j amatan
lebih besar daripada y
j
. Dengan menerapan bentu multinomial ita aan memperoleh fungsi

densitas peluang bersama Y

i
dan Y
j
g
ij
(y
i
, y
j
) =
n!
(i 1)!1!(j i 1)!1!(n j)!
[F
Y
i
(y
i
)]
i1
f
Y
i
(y
i
)[F
Y
j
(y
j
) F
Y
i
(y
i
)]
ji1
[1 F
Y
j
(y
j
)]
nj
f
Y
j
(y
j
), (5.73)
jia a < y
i
< y
j
< b dan nol untu y
i
dan y
j
lainnya. Dalam statistia dasar, ita telah mengenal
median dan rentang sampel. Median sampel dide nisian sebagai

Y


=
_
_
_
Y
(n+1)/2
, jia n ganjil;
Y
(n/2)
+Y
(n/2+1)
2
, jia n genap.
BAB 5. FUNSI FUNSI PEUBAH ACAK 65
Sementara, rentang sampel adalah selisish antara amatan terbesar
terecil, yani R =
Y
n
Y
1
.
Fungsi densitas peluang untu amatan minimum dan masimum, yani
1
dan Y
n
dapat
ditentuan sebagai asus husus dari Teorema (5.10) yani
g
1
(y
1
) =
n!
(1 1)!(n 1)!
[F
Y
1
(y
1
)]
i1
[1 F
Y
1
(y
1
)]
n1
f
Y
1
(y
1
)
=
n!
0!(n 1)!
[F

dan

Y
1
(y
1
)]
0
[1 F
Y
1
(y
1
)]
n1
f
Y
1
(y
1
)
=
n(n 1)!
1(n 1)!
1[1 F
Y
1
(y
1
)]
n1
f
Y
1
(y
1
)
= n[1 F
Y
1
(y
1
)]
n1
f
Y
1
(y
1
), a < y
1
< b;
dan
g
n
(y
n
) =
n!
(n 1)!(n n)!
[F
Y

n
(y
n
)]
n1
[1 F
Y
n
(y
n
)]
nn
f
Y
n
(y
n
)
=
n!
(n 1)!0!
[F
Y
n
(y
n
)]
n1
[1 F
Y
n
(y
n
)]
0
f
Y
n
(y
n
)
=
n(n 1)!
(n 1)!1
[F
Y
n
(y
n
)
n1
]1f
Y
n
(y
n
)
= n[F
Y
n

(y
n
)]
n1
f
Y
n
(y
n
), a < y
n
< b.
Fungsi distribusi umulatif peubah aca disrit dan ontinu untu nilai sampel m
inimum dan
masimum dapat dihitung dengan teni fungsi distribusi umulatif. Untu nilai
amatan min
imum, fungsi distribusi umulatifnya adalah

1
(y
1
) = P(Y
1
y
1
)
= 1 P(Y
1
> y
1
)
= 1 P(semua X
i
> y
1
)
= 1 [1 F
Y
1
(y
1
)]
n
;
sementara untu nilai amatan masimum

n
(y
n
) = P(Y
n
y
n
)
= P(semua X
i
y
n
)
= [F

Y
n
(y
n
)]
n
.
Dengan argumentasi yang sama diperoleh fungsi distribusi umulatif u
ntu statisti terurut
e .
Teorema 5.11. Untu suatu sampel aca beruuran n dari suatu fungsi distribu
si umulatif
disrit atau ontinu F
X
(x), maa fungsi distribusi umulatif marjinal dari statisti terurut e 
diberian oleh


(y

) =
n
j=
_
n
j
_
[F
Y

(y

)]
j
[1 F
Y

(y

)]
nj
. (5.74)
Contoh 5.20. Misal suatu sampel aca beruuran n dari suatu distribusi dengan fu
ngsi densitas
peluang f
X
(x) = 2x, 0 < x < 1 dan fungsi distribusi umulatif
F
X
(x) = x
2
; 0 < x < 1. (5.75)
BAB 5. FUNSI FUNSI PEUBAH ACAK 66
Fungsi densitas peluang untu sampel minimum dan masimum diperoleh
g
1
(y
1
) = n[1 F

Y
1
(y
1
)]
n1
f
Y
1
(y
1
)
= n(1 y
2
1
)
n1
2y
1
= 2ny
1
(1 y
2
1
)
n1
, 0 < y
1
< 1,
dan
g
n
(y
n
) = n(y
2
n
)
n1
2y
n
= 2ny
n
(y
2
n
)
n1
= 2ny
2n1
n
, 0 < y
n
< 1.
Untu fungsi distribusi umulatifnya diperoleh

1
(y
1
) = 1 [1 F

Y
1
(y
1
)]
n
= 1 [1 y
2
1
]
n
;
sedangan untu fungsi distribusi masimum diberian oleh

n
(y
n
) = [F
Y
n
(y
n
))]
n
= [y
2
n
]
n
= y
2n
n
.
Contoh 5.21. Misal ita tertari pada fungsi densitas peluang dari rentang sampe
l R = Y
n
Y
1
.
Fungsi densitas peluang bersama Y
1
dan Y
n
diberian oleh
g
1,n
(y
1
, y
n
) =
n!
(1 1)!(n 1 1)!(n n)!
[F
Y
1
(y
1
)]
11

f
Y
1
(y
1
)[F
Y
n
(y
n
F
Y
n
(y
1
))]
n11
[1 F
Y
n
(y
n
)]
nn
f
Y
n
(y
n
)
=
n!
0!(n 2)!0!
[F
Y
1
(y
1
)]
0
f
Y
1
(y
1
)[F
Y
n
(y
n
) F
Y
1
(y
1
)]
n2
[1 F
Y
n

(y
n
)]
0
f
Y
n
(y
n
)
=
n!
(n 2)!
(2y
1
)[y
2
n
y
2
1
]
n2
(2y
n
)
=
n!
(n 2)!
2y
1
[y
2
n
y
2
1
]
n2
2y
n
=
n!
(n 2)!
4y
1
y
n
(y
2
n
y
2
1
)
n2
, 0 < y
1
< y
n

< 1.
Dengan membuat transformasi R = Y
n
Y
1
, dan S = Y
1
transformasi invers y
1
= s, y
n
= r +s,
dan
J =

s
y
1
s
y
n
r
y
1
r
y
n

1 1
0 1

= 1 0
= 1.
BAB 5. FUNSI FUNSI PEUBAH ACAK 67
Dengan demiian, fungsi densitas peluang bersama R dan S adalah
h
R,S
(r, s) =

n!
(n 2)!
4s(r +s)[(r +s)
2
s
2
]
n2
=
4n!
(n 2)!
s(r +s)[r
2
+ 2rs +s
2
s
2
]
n2
=
4n!
(n 2)!
s(r +s)(r
2
+ 2rs), 0 < s < 1 r, 0 < r < 1.
Fungsi densitas peluang marjinal rentang diberian oleh
h
R
(r) =
_
1r
0
h(r, s) ds (5.76)
dan
h
S
(s) =
_
1
0
h(r, s) dr. (5.77)
Misal untu n = 3 ita peroleh
h
R
(r) =
_
1r
0
4 3!
(3 2)!
s(r +s)[r + 2rs]
32
ds
=
_
1r
0
4 3!
1!
s(r +s)[r + 2rs]

32
ds
=
_
1r
0
24s(r +s)(r + 2rs) ds
= 24
_
1r
0
(sr
2
+ 2r
2
s
2
+rs
2
+ 2rs
3
) ds
= 24
_
1
2
s
2
r
2
+
2
3
r
2
s
3
+
r
3
s
3
+
1
2
s
4
r
_

s=1r
s=0
= 24s
2
r
_
1
2

r +
2
3
rs +
1
3
s +
1
2
s
2
_

s=1r
s=0
= 24(1 r)
2
r
_
1
2
r +
2
3
r(1 r) +
1
3
(1 r) +
1
2
(1 r)
2
0
_
= 24(1 r)
2
r
_
1
2
r +
2
3
r
2
3
r
2
+
1
3

1
3
r +
1
2
(1 2r +r

2
)
_
= 24
_
(1 r)
2
r
_
1
2
r +
2
3
r
2
3
r
2
+
1
3

1
3
r +
1
2
r +
r
2
2
)
__
= 24
_
(1 r)
2
r
_
1
2
r +
2
3
r
1
3
r r
2
3
r
2
+
r
2
2
+
1
3

+
1
2
)
__
= 24(1 r)
2
r
_

2
2
r
2
3
r
2
3
r
2
+
r
2
2
+
5
6
_
= 24(1 r)
2
r
_

5
3
r
1
6
r
2
+
5
6
_
.
5.4.2 Pengambilan Sampel Tersensor
Dalam beberapa maslah seperti percobaan uji hidup (life testing) untu memperole
h informasi
reliabilitas benda, amtan terururut adalah hal yang terjadi secara alami. Dala
m asus seperti itu
penghematan dalam watu dan biaya dapat dilauan dengan menghentian percobaan
setelah
BAB 5. FUNSI FUNSI PEUBAH ACAK 68
r amatan terurut terjadi, dibandingan menunggu sampai semua n amatan gagal terj
adi. Hal ini
disebut pengambilan sampel tersensor tipe II (Type II censored sampling). Pada
asus ini, fungsi
densitas marjinal dari statisti terurut diperoleh dengan mengintegralan sepanj
ang peubah.
Teorema 5.12 (Pengambilan Sampel Tersensor Tipe II). Fungsi densitas bersama fu

ngsi dari r
statisti terurur pertama dari suatu sampel aca beruuran n dari suatu fungsi d
ensitas peluang
ontinu f
X
(x) diberian oleh
g
Y
1
,...,Y
r
(y
1
, . . . , y
r
) =
_
_
_
n!
(n r)!
[1 F(y
r
)]
nr
r
i=1
f(y
i
), jia < y
1
< < y
r
< ;
0, jia ylainnya.
(5.78)
Dalam pengambilan sampel tersensor tipe II, jumlah amatan r adalah tetap, nam
un lama
esperimen, Y
r
adlaha peubah aca jia pelau percobaan menghentian percobaan setela
h
watu tertentu t
0
, maa prosedur ini disebut pengambilan sampel tersensor tipe I (Type I cen
sored sampling).
Teorema 5.13 (Pengambilan Sampel Tersensor Tipe I). Jia Y
1
, . . . , Y
r
menyataan nilai nilai
amatan pada suatu sampel aca beruuran n dari f
X
(x), yani tersensor tipe I pada sebelah
anan saat t
0
, maa fungsi densitas peluang bersama Y
1
, . . . , Y

diberian oleh
f
Y
1
,...,Y
r
(y
1
, . . . , y
r
) =
n!
(n r)!
[1 F(t
0
)]
nr
n
i=1
f(y
i
)[1 F(t
0
)]
n
, (5.79)
jia < y
1
< < y
r
< t
0
dan r = 1, . . . , n.
5.5 Latihan Soal
5 1 Misal X adalah peubah aca dengan dengan fungsi densitas peluang
f
X
(x) =
_
4x
3
, jia 0 < x < 1;
0, jia x lainnya.
unaan teni fungsi distribusi umulatif untu menentuan fungsi densitas pelu
ang dari
masing masing peubah aca beriut:
a) Y = X
4
;
b) W = e
W
;
c) Z = ln X;
d) U = (X 1/2)
2
;
5 2 Misal X adalah peubah acayang berdistribusi secara seragam, X
i

 UNIF(0, 1). Gunakan

teknik fung
i di
tribu
i kumulatif untuk menentukan fung
i den
ita
peluang dari
ma
ing
ma
ing peubah acak berikut:
a) Y = X
1/4
;
b) W = e
X
;
c) Z = 1 e
X
;
d) U = X(1 X).
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 69
5 3 Jika X berdi
tribu
i Weibull, yakni X WEI(, ) , crilh fungsi distri usi kum
ultif dn
fungsi densits pelung dri peu h peu h ck erikut:
) Y = (X/)

;
) W = ln X;
c) Z = (ln X)
2
.
5 4 Kerjkn kem li Sol No. 1 dn 2 menggunkn metode trnsformsi.
5 5 Misl X BIN(n, p). Tentukan fung
i den
ita
peluang Y = n X.
5 6 Mi
al X NB(r, p). Tentukan fung
i den
ita
peluang Y = X r.
5 7 Mi
al X memiliki fung
i den
ita
peluang
f
X
(x) =
_
_
_
x
2
24
, jika 2 < x < 4;
0, jika x lainnya.
Carilah fung
i den
ita
peluang dari Y = X
2
.
5 8 Mi
al X dan Y memiliki fung
i den
ita
peluang ber
ama
f
X,Y
(x, y) =
_
4 e
2(x+y)
, jika 0 < x < , 0 < y < ;
0, x dan y lainnya.
a) Carilah fung
i di
tribu
i kumulatif W = X +Y .
b) Carilah fung
i den
ita
peluang ber
ama U = X/Y dan V = X.
c) Carilah fung
i den
ita
peluang marjinal U.
5 9 Jika X
1
dan X
2
menyatakan
ampel acak berukuran dua dari
uatu di
tribu
i Poi

on,

X
i
1

POI(), cariah fungsi densitas peuang bersama Y = X

+X
2
.
BAB 6
LIMIT DISTRIBUSI
Kompetensi Dasar
Meniai berdasarkan sifat konvergensi distribusi.
Indikator Pencapaian
Memperbandingkan sifat sifat konvergensi distribusi meiputi barisan peubah acak
, teorema
imit pusat, distribusi norma asimtotis, sifat konvergen, dan teorema imit tam
bahan.
Materi Pokok
6.1 Barisan Peubah Acak
6.2 Teorema Limit Pusat
6.3 Pendekatan Distribusi Binomia
6.4 Distribusi Norma Asimtotik
6.5 Sifat sifat Konvergensi Stokastik
6.6 Teorema teorema Limit Tambahan
6.7 Latihan Soa
Pada Bab 5, kita teah membahas metode metode umum untuk mendapatkan
distribusi dari
suatu fungsi dari n peubah acak, katakanah W
n
= u(X
1
, . . . , X
n
). Daam beberapa kasus,
fungsi densitas peuang W
n
mudah diperoeh, tetapi daam beberapa kasus penting penurunan
distribusi tidakah teracak (not tractabe). Untuk mengatasi ha ini, sangat
ah mungkin untuk
memperoeh hasi hasi yang mendekati yang bisa diterapkan saat n besar. Hasi
ini berdasarkan
konsep konvergensi daam distribusi dan imit distribusi.
6.1 Barisan Peubah Acak
Misa
suatu barisan peubah acak W
1
, W
2
, . . . dengan barisan distribusi kumuatif yang bers
esuain G
1
(w), G
2
(w), . . . sedemikian hingga untuk setiap n = 1, 2, . . .
G
n
(w) = P(W
n
w). (6.1)
De nisi 6.1 (Konvergensi daam Distribusi). Jika W
n
G

n
(w) untuk
etiap n = 1, 2, . . . , dan
jika untuk beberapa fung
i di
tribu
i kumulatif G(w),
lim
n
G
n
(w) = G(w) (6.2)
70
BAB 6. LIMIT DISTRIBUSI 71
untuk
emua nilai w yang mana G(w) adalah kontinu, maka bari
an W
1
, W
2
, . . . dikatakan
konvergen dalam di
tribu
i (converge in di
tribution) ke W G(w), dinota
ikan
W
n
d
W. (6.3)
Di
tribu
i yang ber
e
uaian dengan fung
i di
tribu
i kumulatif G(w) di
ebut limi
t di
tribu
i
dari W
n
(limiting di
tribution of W
n
)
Contoh 6.1. Mi
al X
1
, . . . , X
n
adalah
ampel acak dari
uatu di
tribu
i
eragam, yakni X
i

UNIF(0, 1) dan mi
al W

n
= X
n:n
adalah
tati
tik terurut terbe
ar. Dari Bab 5 kita tahu bahwa
fung
i di
tribu
i kumulatif W
n
adalah
G
n
(w) =
_

_
0, jika w 0;
w
n
, jika 0 < w < 1;
1, jika w 1.
(6.4)
Pada
aat 0 < w < 1, bentuk w
n
mendekati 0
ebagaimana n mendekati ; pada
aat w 0
atau w 1 maka G

n
(w) adalah
uatu bari
an kon
tan, dengan bata
bata
ber
e
uaian 0 atau
1. Dengan dmeikian lim
n
G
n
(w) = G(w) dimana
G(w) =
_
0, jika w < 1;
1, jika w 1.
(6.5)
Contoh 6.2. Mi
al
uatu
ampel acak dari
uatu
ampel berukuran n
dari
uatu di
tribu
i
dengan fung
i di
tribu
i kumulatif
F
X
(x) =
_
1 1/x, jika 1 ;
0, jika x lainnya.
(6.6)
Mi
al W
n
= X
1:n
. Dari Bab 5 kita tahu bahwa fung
i di
tribu
i W adalah
G
n
(w) =
_
1 [1 (1 1/w)]
n
, jika 1 w ,
0, jika w lainnya,
=
_
1 (1/w)
n
, jika 1 w ,
0, jika w lainnya,
Kita peroleh lim
n
G
n
(w) = 1 jika 1 w karena 1/w
n
= 0, dan lim
n
= 0 jika w
lainnya.
De ni
i 6.2 (Di
tribu
i Degenera
i). Fung
i G(w) adalah fung
i di
tribu
i kumulat
if dari
uatu
di
tribu
i degenera
i (degenerate di
tribution) pada nilai w = c jika
G(w) =
_
0, jika w < c;
1, jika w c.
(6.7)
Dengan kata lain, G(w) adalah fung
i di
tribu
i kumulatif dari
uatu di
tribu
i

di
krit yang
menuga
kan peluang
atu pada
aat w = c dan nol untuk yang lainnya.
Contoh 6.3. Mi
al X
1
, . . . , X
n
adalah
uatu
ampel acak dari
uatu di
tribu
i ek
ponen
ial
X
i
EXP() dn mislkn W
n
= X
1:n
dlh sttistik terurut terkecil. Dri B 5, kit thu
BAB 6. LIMIT DISTRIBUSI 72
hw fungsi distri usi kumultif untuk sttistik terurut terkecil dlh

n
(w) = 1 [1 F(w
1
)]
n
= 1 [1 (1 e
w/
)]
n
= 1 [1 1 + e
w/
]
n
= 1 [e
w/
]
n
= 1 e
w
n
/
, untuk w > 0,
dn nol untuk w linny. Kit peroleh lim
n

n
(w) = 1 jik w > 0 kren e
w/
< 1 dlm
hl ini. Dengn demikin limit ini nol jik w < 0 dn 1 jik w > 0, yng
ersesuin dengn
distri usi degenersi pd nili w = 0.
De nisi 6.3 (Konvergen Secr Stokstik). Sutu risn peu h ck W
1
, W
2
, . . . , diktkn
konvergen secr stokstik (converge stochsticlly) ke sutu konstn c p il
memiliki sutu
limit distri usi yng degenrsi pd w = c.
Berikut ini limit yng penting untuk dikethui:
lim
n

_
1 +
c
n
_
n
= e
c
; (6.8)
lim
n
_
1 +
c
n
+
d(n)
n
_
n
= e
c
, jik lim
n
d(n) = 0. (6.9)
Contoh 6.4. Misl X
1
, . . . , X
n
dlh sutu smpel ck dri sutu distri usi Preto, ykni
X
i
PAR(1, 1), dan mi
al W
n
= nX
1:n
. Fung
i di
tribu
i kumulatif X
i
diberikan oleh F
X
(x) =
1 (1 +x)
1
, x > 0. Dengan demikian fung
i di
tribu
i kumulatif W
n
adalah
G
n
(w) = 1 [1 F(w/n)]
n
= 1 [1 (1 (1 +w/n)
1
)]
n
= 1 [1 1 + (1 +w/n)
1
]
n
= 1 [(1 +w/n)]
n

= 1 (1 +w/n)
n
, w > 0.
Untuk w > 0 kita peroleh lim
n
G
n
(w) = 1 e
w
dan nol untuk w lainnya. Ini merupakan
fung
i di
tribu
i kumlulatif dari EXP(1).
Contoh 6.5. Jika kita lihat kembali Contoh 6.4 mi
al W
n
= X
n:n
. Fung
i di
tribu
i kumulatif
W
n
= X
n:n
. Fung
i di
tribu
i kumulatif W
n
adalah
G
n
(w) = [F(w)]
n
= [1 1/(1 +w)]
n
=
_
(1 +w) 1
(1 +w)
_
n
=
_
w
1 +w
_
n
, w > 0,
dan nol untuk w lainnya. Mengingat w/(1+w) < 1 maka kita peroleh lim
n
G
n
(w) = G(w) =
0 untuk
emua w, yang tentu bukan
uatu fung
i di
tribu
i kumulatif karena tida
k mendekati

atu
ebagaimana w .
BAB 6. LIMIT DISTRIBUSI 73
Contoh 6.6. Lihat kembali Contoh 6.5. Jika
ekarang Anda tertarik dengan W
n
= (1/n)X
n:n
maka fung
i di
tribu
i kumulatinya
G
n
(w) =
_

nw
1 +nw
_
n
=
_
1 +nw
nw
_
n
=
_
1
nw
+ 1
_
n
=
_
1 +
1
nw
_
n
.
Kita peroleh lim
n
G
n
(w) = e
1/w
. Ingat bahwa
lim
n
_
1 +
1
nw
_
= e
1/w(1)
= e
1/w
, w > 0. (6.10)
Jadi kita peroleh fung
i di
tribu
i kumulatif G(w) = e
1/w
, w 0.
6.2 Teorema Limit Pu
at
Dalam contoh
ebelumnya, fung
i di
tribu
i kumulatif yang pa
ti telah diketahui
untuk
etiap
n tertentu (terbata
), dan di
tribu
i limit diperoleh
ecara lang
ung
dair bari
an ini. Salah

atu keuntungan limit di
tribu
i adalah bahwa dimungkinkan untuk menentukan limi
t di
tribu
i
tanpa mengetahui bentuk pa
ti dair fung
i di
tribu
i kumulatif untuk n terbata
.
Limit di
tribu
i
menyediakan informa
i yang berguna apabila peluang ek
ak tidak ter
edia.
Teorema 6.1. Mi
al W
1
, W

2
, . . . , adalah
uatu bari
an peubah acak dengan fung
i di
tribu
i
kumulatif ber
e
uaian G
1
(w), G
2
(w), . . . , dari fung
i pembangkit momen M
1
(t), M
2
(t), . . . . Jika
M(t) adalah fung
i pembangkit momen dari
uatu fung
i di
tribu
i ku
mulatif G(w) dan jika
lim
n
M
n
(t) = M(t) untuk
emua t dalam interval terbuka yang beri
i nol, h < t < h, maka
lim
n
G
n
(w) = G(w) untuk
emua titik titik kontinu dari G(w).
Contoh 6.7. Mi
al X
1
, . . . , X
n
adalah
uatu
ampel acak dari
uatu di
tribu
i Bernoulli, yakni
X
i
BIN(1, p), dan mi
alkan W
n
=
n
i=1
X
i
. Jika p 0
ebagaimana n
edemikian
hingga np = , maka untuk > 0 diperoleh
M
n
(t) = (p e
t
+q)
n
= (p e
t
+1 p)
n
=
_
e
t
n
+ 1

n
_
n

=
_
1 +
(e
t
1)
n
_
n
.
Dengan demikian diperoleh lim
n
M
n
(t) = e
(e
t
1)
yang merupakan fung
i pembangkit mo
men dari di
tribu
i Poi

on dengan rata rata . Hal ini berarti W
n
d
W POI(). Contoh
ini menyarankan bahwa peubah acak binomial W
n
BIN(n, p), jika n be
ar dan p kecil, maka
W
n
POI(np).
Contoh 6.8. Lihat kembali Contoh 6.7. Mi
al kita buat p tetap ( xed)
dan anggap bari
an
propor
i
ampel V
n
= p
n
= W
n
/n. Dengan menggunakan ek
pan
i deret e
u
= 1+u+u
2
/2+
BAB 6. LIMIT DISTRIBUSI 74
dengan u = t/n, ita peroleh
M
W
n
(t) = (p e
t/n
+)
n
= (p(1 +t/n +t
2
/2n
2
+ ) + (1 p))
n
= (p +p(t/n +t
2
/2n

2
+ ) + 1 p)
n
= (1 +pt/n +p(t
2
/2n
2
+ ))
n
= (1 +pt/n +d(n)/n)
n
dengan d(n) melibatan suu suu yang diabaian dan d(n) 0 sebagaimana n , sehingga
diperoleh lim
n
M
W
n
(t) = e
pt
yang merupaan fungsi pembangit momen dari distribusi
degenerasi pada w = p. Jadi p
n
onvergen secara stoasti e p sebagaimana n mendeati ta
berhingga.
Contoh 6.9. Searang ita lihat apabila
Z
n
=
W
n
np

np
. (6.11)
Dengan menyederhanaan notasi
n
=

npq kita peroleh Z

n
= W
n
/
n
np/
n
. Menggunakan
ek
pan
i deret
ebelumnya diperoleh
M
Z
n
(t) = E(exp(tZ
n
))
= E[exp{(W
n
/
n
np/
n

)}t]
= exp(npt/
n
)E(exp(W
n
/
n
)t)
= exp(npt/
n
)M
W
n
/
n
(t)
= exp(npt/
n
)M
W
n
(t/
n
)
= exp(npt/
n
)[p e
(t/
n
)
+q]
n
=
__
1
pt

n
+
p
2
t
2
2
2
n
+
_

_
1 +
pt

n
+
pt
2
2
2
n

+
__
=
__
1 +
pt

n
+
pt
2
2
2
n
+
pt

pt
2
2
2
n
+
p
2
t
2
2
2
n
+
p
3
t
3
2
2
n
__
n
=
_
1 +
t
2
2n
+
d(n)
n
_
n
dimana d(n) 0
ebagaimana n .
lim
n
M
Z
n
(t) = e

Sehingga

t
2
/2
, (6.12)
yang merupakan fung
i pembangkit momen dari di
tribu
i normal
tanda
r. Jadi Z
n
d
Z
N(0, 1). Contoh ini mengilu
tra
ikan bahwa untuk n be
ar dan p terte
ntu ( xed) maka W
n
mendekati normal yakni W
n
N(np, npq).
Teorema 6.2 (Teorema Limit Pu
at). Jika X
1
, . . . , X
n
adalah
uatu
ampel acak dari di
tribu
i
dengan rata rata dan varian
i
2
< , maka limit di
tribu
i (limiting di
tribution) dari
Z
n
=
n
i=1
X
i
n

n
(6.13)
adalah normal
tandar, yakni Z
n
d
Z N(0, 1)
ebagaimana n .
Bentuk per
amaan (6.13) dapat juga dihubungkan dengan rata rata
ampel, yakni
Z
n
=

X
n

n
. (6.14)
BAB 6. LIMIT DISTRIBUSI 75
6.3 Pendekatan Di
tribu
i Binomial
Pendekatan binomial
eperti pada contoh di ata
akan bagu
jika p dekat 0,5, k
arena di
tribu
i
binomial
imetri

aat p = 0,5. Akura
i yang diperlukan dalam pendeka
tan tergantung pada
aplika
i. Salah
atu panduan adalah menggunakan pendekatan normal apab
ila np 5 dan

nq 5. Namun,
ekali lagi, ini tergantung pada akura
i yang diperlukan.

Contoh 6.10. Peluang bahwa
eorang pemain ba
ket mema
ukkan bola adalah p =
0,5. Jika
ia mengambil 20 kali lemparan, berapakah peluang ia mema
ukkan bola paling tidak

embilan
kali? Peluang ek
aknya adalah
P(W
20
9) = 1 P(W
20
8)
= 1
8
w=0
_
20
w
_
0,5
w
0,5
20w
= 0,7483
Pendekatan normalnya adalah
P(W
20
9) = 1 p(W
20
8)
1
_
8 10

5
_
1 (0,89)
0,8133.
Ingat bahwa Z
n
= (W
n
n)/(

nq) dengan n = 20,  = 0,5, dan q = 0,5.

Mengingat distribusi binomial adalah diskrit dan distribusi normal a
dalah kontinu, maka
endekatan daat dierbaiki dengan membuat koreksi kontinuitas (continuity corre
ction). Se
cara khusus masing masing eluang binomial b(w, n, ) memiliki nilai ya
ng sama seerti area
ersegi anjang dengan tinggi b(w, n, ) dan dengan interval [w0,5, w+0,5] sebaga
i dasarnya,
karena anjang unitnya satu unit. Luas ersegi anjang ini daat didekati deng
an area dibawah
ungsi densita eluang W N(np, npq). Dengan menerapkan korek
i kontinuita
, k
ita peroleh
P(W
20
9) = 1 P(W

20
8)
1
_
8,5 10

5
_
1 (0,67)
0,7486,
yang lebih mendekati hasil eksaknya dibandingkan tana koreksi kontinuitas. Se
cara umum, jika
W
n
BIN(n, p) dan a b adalah bilangan bilangan bulat, maka
P(a W
n
b)
_
b + 0,5 n

nq
_

_
a 0,5 n

nq
_
. (6.15)
6.4 Distribusi Normal Asimtotik
De nisi 6.4 (Distribusi Normal Asimtotik). Jika W
1
, W
2
, . . . adalah suatu barisan eubah acak
dan m serta c adalah konstanta sedemikian hingga
Z
n
=
W
n
m
c/

n
d
Z N(0, 1) (6.16)
bilamana n , maka W
n
dikatakan memiliki di
tribu
i normal a
imtotik (a
ymptotic normal
di
tribution) dengan rata rata a
imtotik m dan varian
i a
imtotik c
2
/n.
BAB 6. LIMIT DISTRIBUSI 76
6.5 Sifat
ifat Konvergen
i Stoka
tik
Dalam contoh contoh
ebelumnya kita menemukan bahwa bari
an peubah acak
konvergen
e
cara
toka
tik ke
uatu kon
tanta. Teorema berikut memberikan kriteria alterna
tif untuk me

nunjukkan konvergen
i
toka
tik.

Teorema 6.3 (Konvergen dalam Peluang). Bari
an W
1
, W
2
, . . . konvergen
ecara
toka
tik ke
c jika dan hanya jika untuk
etiap > 0,
lim
n
P(|W
n
c| < ) = 1. (6.17)
Suatu barisan pubah acak yang mmnuhi Torma 6.3 disbut juga konvrgn dalam
plu
ang k konstanta c, dinotasikan W
n
p
c.
Contoh 6.11. Dalam contoh Hukum Brnoulli Bilangan Bsar (Brnoulli Law of La
rg Num
brs), diprolh rata rata dan variansi dari p
n
adalah E( p
n
) = p dan var( p
n
) = pq/n shingga
P(| p
n
p| < ) 1
pq

2
n
(6.18)
untuk stiap > 0. Jadi lim
n
P(| p
n
p| < ) = 1.
Torma 6.4 (Hukum Bilangan Bilangan Bsar). Jika X
1
, . . . , X
n
adalah suatu sampl acak
dari suatu distribusi dngan rata rata trbatas ( nit) dan variansi
2
, maka bari
an rata rata

ampel konvergen dalam peluang ke , yakni

X
n
p
. (6.19)
Teorema 6.4 ini menunjukkan bahwa rata rata
ampel memberikan
uatu pendugaan ya
ng
bagu
dari rata rata popula
i, dalam hal bahwa peluang mendekati 1
ebagaimana

ecara per
lahan

X
n
dekat bila n .
Teorema berikut menunjukkan bahwa
uatu bari
an peubah acak yang normal
a
imtoti

konvergen dalam peluang ke rata rata a
imtoti
.
Teorema 6.5. Jika Z
n
=

n(W
n
m)/c
d
Z N(0, 1), maka W
n
p
m.
6.6 Teorema teorema Limit Tambahan
De ni
i 6.5 (Konvergen
i dalam Peluang). Bari
an peubah acak W
n
dikatakan konvergen
dalam peluang ke W, dituli
W
n
p
W jika
lim
n
P(|W
n
W| < ) = 1. (6.20)
Konvrgnsi dalam pluang mmiliki sifat yang lbih kuat dibandingkan konvrgns
i dalam
distribusi.
Torma 6.6. Untuk suatu barisan pubah acak, jika W
n
p
W maka W
n
d
W.
Kasus khusus untuk Torma 6.6, jika W = c maka limit distribusi adalah distri
busi dgn
rasi P(W = c) = 1.
BAB 6. LIMIT DISTRIBUSI 77
6.7 Latihan Soal
6 1 Misal suatu sampl acak brukuran n dari suatu distribusi dngan fungsi di
stribusi
F
X
(x) =
_
_
_
1
1
x
, jika 1 x ;
0, x lainnya.
a) Carilah fungsi distribusi dari statistik trurut minimum, X

1:n
.
b) Carilah limit distribusi X
1:n
.
c) Carilah limit distribusi X
n
1:n
.
6 2 Misal suatu sampl acak brukuran n dari suatu distribusi dngan fungsi dis
tribusi F
X
(x) =
(1 + 
x
)
1
untuk smua bilangan ral x.
a) Apakah statistik trurut trbsar X
n:n
mmiliki limit distribusi?
b) Apakah X
n:n
ln n mmiliki limit distribusi? Jika dmikian, apa limit distribusinya?
6 3 Misal suatu sampl acak brukuran n brasal dari distribusi dngan fungsi d
istribusi F
X
(x) =
1x
2
jika x > 1 dan nol untuk x lainnya. Priksalah apakah barisan barisan brikut
mmi
liki limit distribusi; jika dmikian, brikan distribusi limit
a) X
1:n
.
b) X
n:n
.
c) n
1/2
X
n:n
6 4 Misal Z
i
N(0, 1) dan Z
1
, Z
2
, . . .
aling beba
. Gunakan fung
i pembangkit momen untuk
mencari limit di
tribu
i
n
i=1
(Z
i
+ 1/n)/

n.
6 5 Mi
al


X
n

menyatakan rata rata dari
uatu
ampel acak dari di
tribu
i N(,
2
). Carilah
limit di
tribu
i

X
n
.
6 6 Mi
al X
1
, . . . , X
n
adalah
ampel acak berukuran n dari di
tribu
i N(,
2
). Tunjukkan
bahwa jumlah V
n
=
n
i=1
X
i
tidak memiliki limit di
tribu
i.
6 7 Mi
al
uatu
ampel acak bera
al dari di
tribu
i Poi

on, yakni X
i
POI().
a) Tunjukkan bahwa Y
n
= e

X
n
konvergen
ecara
toka
tik ke P(X = 0) = e

.
b) Carilah di
tribu
i normal a
imtoti
dari Y
n
.
c) Tunjukkan bahwa

X
n
exp(

X
n
) konvergen
ecara
toka
tik ke P(X = 1) = e

.
6 8 Mi
al S
2
n
menyatakan varian
of
ampel acak berukuran n dari di
tribu
i N(,
2
). Buktikan

bahwa nS
2
n
/(n 1) konvergen dalam peluang ke
2
.
6 9 Mi
al X
n
berdi
tribu
i gamma dengan parameter = n dan , dengan buan fungsi dari
n. Misal V
n
= X
n
/n. Carilah limit distribusi V
n
.
6 10 Misal X
n
berdistribusi
2
(n) dan dan misal V
n
= X
n
/n
2
. Carilah limit distribusi V
n
.
BAB 7
STATISTIK DAN DISTRIBUSI PENGAMBILAN
SAMPEL
Kompetensi Dasar
Menilai berdasarkan sifat teori pengambilan sampel.
Indikator Pen apaian
Membandingkan sifat-sifat sampel a ak, statistik dan distribusi pe
ngambilan sampel,
distribusi t, distribusi F, distribusi beta, pendekatan sampel besar, dan statis
tik terurut.
Materi Pokok
7.1 Statistik
7.2 Distribusi-distribusi Pengambilan Sampel
7.3 Pendekatan-pendekatan Sampel Besar
7.4 Latihan Soal
Konsep sampel a ak telah diperkenalkan pada bab-bab sebelumnya. Kemudian konse
p tentang
fungsi distribusi empiris dikenalkan untuk kemudian digunakan untuk men ari info
rmasi tentang
rata-rata sampel dan varians sampel sebagai penduga yang intuitif untuk rata-rat
a dan varians
distribusi populasi.
Bab ini akan membi arakan tentang konsep statistik yang menyertakan rata-rata sa
mpel dan
varians sampel. Sifat-sifat statistik dan distribusinya akan dibahas se ara me
ndalam, terutama
sifat-sifat distribusi normal dan turunannya.
7.1 Statistik
Pada bagian ini akan dibahas pengertian statistik beserta ontoh- ontohnya.
De nisi 7.1. Suatu fungsi dari peubah a ak yang teramati, T = (X
1

, . . . , X
n
), yang tidak
bergantung pada parameter yang tidak diketahui, disebut statistik.
Pada De nisi 7.1, huruf adalah fungsi yang diterapkan pada X
1
, . . . , X
n
untuk mende nisikan statistik, yang dinotasikan oleh huruf kapital T.
Contoh 7.1. Misal X
1
, . . . , X
n
menyatakan suatu sampel a ak dari suatu populasi dengan
fungsi densitas peluang f
X
(x). Rata-rata sampel merupakan salah satu ontoh statistik yang
78
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 79
dide nisikan oleh fungsi (x
1
, . . . , x
n
) = (x
1
+ + x
n
)/n. Statisti ini biasanya dinotasian
oleh

X =
n
i=1
X
i
n
. (7.1)
Apabila suatu sampel aca teramati, maa nilai

X dihitung dari data yang biasanya dinotasian

oleh x.
Sifat sifat rata rata sampel dan varians dapat dilihat pada teorema beriut.
Teorema 7.1. Jia X
1
, . . . , X
n
menyataan suatu sampel aca dari f
X
(x) dengan E(X) =
dan var(X) =
2
, maka
E(

X) = (7.2)
dan
var(

X) =

2
n
. (7.3)
Bukti: Untuk menunjukkan Per
amaan (7.2), gunakan
ifat
ifat nilai harapan
a
mpel acak.
E(

X) = E
_
1
n
n
i=1
X
i
_
=
1
n
E
_
n
i=1
X
i
_
=
1
n
(E(X
1
) + +E(X
n
))
=
1
n
(nE(X))
=
1
n
(n)
= .
Dengan cara yang sama, untu menunjuan Persamaan (7.3), gunaan sifat sifat va
rians untu
sampel aca, yani var(
n
i=1
a
i
X
i
) =
n

i=1
a
2
i
var(X
i
).
var(

X) = var
_
1
n
n
i=1
X
i
_
=
1
n
2
var
_
n
i=1
X
i
_
=
1
n
2
n
i=1
var(X
i
)
=
1
n
2
n
i=1
var(X)
=
1
n
2
nvar(X)
=
1
n

2
=


2
n
.
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 80
Contoh 7.2. Fung
i (x
1
, . . . , x
n
) = [(x
1
x)
2
+ +(x
n
x)
2
]/(n1) etia diterapan pada
data bersesuaian dengan varians sampel. Lebih husus lagi hal ini dinyataan s
ebagai
S
2
=
n
i=1
(X
i

X)
2
(n 1)
. (7.4)
Teorema 7.2. Jia X
1
, . . . , X
n
menyataan suatu sampel aca beruuran n dari f
X
(x) dengan
E(X) = dan var(X) =
2
, maka
E(S
2
) =
2
(7.5)
dan
var(S
2
) =
_

n 3
n 1

4
_
n
, n > 1. (7.6)
7.2 Di
tribu
i di
tribu
i Pengambilan Sampel
Stati
tik juga merupakan
uatu peubah acak, di
tribu
i yang bergantung
pada di
tribu
i dari

uatu
ampel acak dengan bentuk fung
i (x
1
, . . . , x
n
). Di
tribu
i dari
uatu
tati
tik di
ebut
di
tribu
i turunan (derived di
tribution) atau di
tribu
i pengambilan
ampel (
a
mpling di
tribu
tion).
7.2.1 Kombina
i Linear Peubah peubah Normal
Teorema 7.3. Jika X
i
N(
i
,
2
i
), i = 1, . . . , n menyatakan peubah normal beba
, maka
Y =
n
i=1
a
i
X
i
N
_
n
i=1
a
i

i
,
n
i=1
a
2
i

2
i
_
. (7.7)
Bukti:
M
Y
(t) = M
n
i=1

a
i
X
i
(t)
=
n
i=1
M
X
i
(a
i
t)
=
n
i=1
exp(a
i

i
t +a
2
i
t
2

2
i
/2)
= exp
_
t
n
i=1
a
i

i
+t
2
n
i=1
a
2
i

2
i
/2
_
,
yang merupakan fung
i pembangkit momen dari peubah acak normal dengan rata rata
n
i=1

a
i

i
dan varian

n
i=1
a
2
i

2
i
.
Korolari 1. Jika X
1
, . . . , X
n
menyatakan
uatu
ampel acak dari N(,
2
), maka

X N(,
2
/n).
7.2.2 Di
tribu
i Khi Kuadrat
Mi
al
uatu di
tribu
i gamma khu
u
dengan = 2 dan = v/2. Peubah
aca Y diataan
berdisttribusi hi
uadrat (chi suare) dengan derajat ebebasan v ji
a Y GAM(2, v/2),
dinota
ikan
ebagai
Y
2
(v). (7.8)
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 81
Teorema 7.4. Jika Y
2
(v), maka
M
Y
(t) = (1 2t)
v/2
, (7.9)
E(Y
r
) = 2
r
(v/2 +r)
(v/2)
, (7.10)
E(Y ) = v, (7.11)
dan
var(Y ) = 2v. (7.12)
Bukti: Mngingat Y GAM(2, v/2), maka
ifat
ifat di
tribu
i gamma p
un berlaku. Untuk
membuktikan Per
amaan (7.9), diketahui bahwa fung
i pembangkit momen di

tribu
i gamma
adalah (1 t)

untu t < 1/. Sehingga untu = 2 dan = v/2

M
Y
(t) = (1 2t)
v/2
.
Untu espetasi e r pada Persamaan (7.10) juga berdasaran
ri distribusi gamma.
Jia X GAM(, ) maa
E(X
r
) =
r
( +r)
()
.
Untu = 2 dan = v/2, espetasi e r menjadi
E(Y
r
) = 2
r
(v/2 +r)
(v/2)
.
Selanjutnya untu menunjuan Persamaan (7.11), dietahui bahwa jia
a
E(X) = . Dengan demiian,
E(Y ) = 2(v/2) = v.
Untu menghitung varians pada Persamaan (7.12), gunaan varians dari
var(X) =
2
.
Sehingga, untu = 2 dan = v/2
var(Y ) = 2
2
(v/2)
= 4(v/2)
= 2v.
Persentil (percentiles),
2

(v), adalah nilai yan dide nisikan sebaai

P(Y
2

(v)) = . (7.13)
Teorema 7.5. Jika X GAM(, ), maa Y = 2X/
2
(2).
Buti: Aan digunaan teni fungsi pembangit momen untu
distribusi dari
Y = 2X/.
M
Y
(t) = M
2X/
(t)
= M
X
(2t/)

hasil

da

X GAM(, ) ma

X, yani

menentuan

= (1 2t)
2/2
,
yang merupaan fungsi pembangit momen dari distribusi hi uadrat dengan deraja
tebebasan
2.
BAB 7. STATISTIK DAN DISTRIBUSI PENAMBILAN SAMPEL 82
Teorema 7.6. Jia Y
i

2
v
i
; i = 1, . . . , n adalah peubah-peubah a ak khi kuadrat yan bebas,
maka
V =
n
i=1
Y
i

2
_
n
i=1
v
i
_
. (7.14)
Bukti: Akan diunakan teknik funsi pembankit momen untuk menentukan distribu
si dari V .
M
V
(t) = M
n
i=1
Y
i
(t)
= (1 2t)
v
1
/2
(1 2t)
v
n
/2
= (1 2t)

n
i=1
v
i
/2
,
yang merupaan fungsi pembangit momen dari

2
_
n
i=1
v
i
_
.
Teorema berikut memberikan hubunan antara peubah a ak normal standar denan peu
bah
a ak khi kuadrat.
Teorema 7.7. Jika Z N(0, 1), maka Z
2

2
(1).
Bukti:
M
Z
2(t) = E(e
tZ
2
)
=
_

2
e
tz
2
z
2
/2
dz
=
1

1 2t
_

1 2t

2
e
z
2
(12t)/2
dz
= (1 2t)
1/2
,
yang meruakan ungsi embangkit momen dari distribusi khi kuadrat dengan deraja
t kebebasan
satu, yakni

2
(1).
Korolari 2. Jika X
1
, . . . , X
n
menyatakan suatu sampel a ak dari N(,
2
), maka
n
i=1
(X
i
)
2

2

2
(n),
dan
n(

X )
2

2

2
(1).
Teorema 7.8. Jika X
1
, . . . , X
n
menyatakan suatu sampel a ak dari N(,
2
), maka
1.
tati
tik

X dan
uku
uku X

i

X; i = 1, . . . , n adalah
aling beba
;

2.
tati
tik

X dan S
2

aling beba
;
3. kuantita
(n 1)S
2
/
2

2
(n 1).
BAB 7. STATISTIK DAN DISTRIBUSI PENAMBILAN SAMPEL
7.2.3 Distribusi Studnt t
Kita tahu bahwa S

83

2
dapat digunakan untuk mmbuat infrnsi tntang paramtr
2
di dalam

uatu di
tribu
i normal. Demikian pula

X yang berguna untuk parameter . Namun, di
tribu
i

X juga bergantung pada parameter

2
. Hal ini berarti bahwa tidaklah mungkin menggunakan

X untuk pro
edur
tati
tika tertentu tentang rata rata apabila

2
tidak diketahui. Sehingga,
jika digantikan S pada kuantita

n(

X)/, maka di
tribu
inya tidak lagi normal (namun,

tetap tidak bergantung pada ).
Teorema 7.9. Jika peubah a ak Z N(0, 1) dan V
2
(v) salin bebas, maka distribusi dari
T =
Z
_
V/v
(7.15)
disebut distribusi Student t denan derajat kebebasan v, dinotasikan sebaai
T t(v). Fung
i
den
ita
peluangnya diberikan oleh
f(t, v) =
((v + 1)/2)
(v/2)
1

v
(1 + (t
2
/v))
(v+1)/2
.
Teorema 7.10. Jika T t(v), maka untuk v > 2r,
E(T
2r
) =
((2r + 1)/2)((v 2r)/2)
(1/2)(v/2)
v
r
; (7.16)
E(T
2r1
) = 0, r = 1, 2, . . . ; (7.17)
var(T) =
v
v 2
, 2 < v. (7.18)
Torma 7.11. Jika X

1
, . . . , X
n
mnyatakan sampl acak dari N(,
2
), maka

X
S/

n
t(n 1). (7.19)
7.2.4 Di
tribu
i Snedecor F
Teorema 7.12. Jika peubah peubah acak V
1

2
(v
1
) dan V
2

2
(v
2
) salin bebas maka
peubah a ak
X =
V
1
/v
1
V
2
/v
2
(7.20)
berdistribusi Snede or F denan derajat kebebasan v
1
dan v
2
, dinotasikan F(v
1
, v
2
), denan
funsi densitas peluan untuk x > 0
f(x; v
1
, v
2
) =

_
v
1
+v
2
2
_


_
v
1
2
_

_
v
2
2
_
_
v
1
v
2
_
v
1
/2
x
(v
1
/2)1
_
1 +
v
1
v
2
x
_
(v
1
+v
2
)/2
(7.21)
Torma 7.13.
1
, v
2
), maka
E(X
r
) =
_
v
2
v
1
_
r

_
v
1
2
+r

Jika X F(v

_
v
2
2
r
_

_
v
1
2
_

_
v
2
2
_ , v
2
> 2r; (7.22)
E(X) =
v
2
v
2
2
, 2 < v
2
; (7.23)
var(X) =
2v
2
2
(v
1
+v
2
2)
v
1
(v
2
2)
2
(v
2
4)
, 4 < v
2
. (7.24)
BAB 7. STATISTIK DAN DISTRIBUSI PENAMBILAN SAMPEL
Prsntil X F(v
1
, v
2
), yakni, f

(v

84

1
, v
2
) adalah suatu nilai yan dide nisikan sebaai
P(X f

(v
1
, v
2
)) = . (7.25)
Jika X F(v
1
, v
2
), maka Y = 1/X F(v
2
, v
1
). Dengan demikian
1 = P(X < f
1
(v
1
, v
2
))
= P
_
Y >
1
f
1
(v
1
, v
2
)
_
= 1 P
_
Y
1
f
1
(v
1
, v
2
)
_
; (7.26)
sehina
1
f
1(v
1
,v
2
)

= f

(v
2
, v
1
) (7.27)
atau
f
1
(v
1
, v
2
) =
1
f

(v
2
, v
1
)
. (7.28)
7.2.5 Distribusi Beta
Teorema 7.14. Jika peubah a ak X F(v
1
, v
2
), maka peubah acak
Y =
(v
1
/v
2
)X
1 + (v
1
/v
2
)X
(7.29)
berdi
tribu
i beta, dinota
ikan BETA(a, b) untuk a > 0 dan b > 0,
dengan fung
i den
ita

peluang
f(y; a, b) =
(a +b)
(a)(b)
y
a1
(1 y)
b1
, 0 < y < 1; (7.30)
dngan a = v
1
/2 dan b = v
2
/2.
Prsntil distribusi bta dapat dinyatakan dalam prsntil distribusi F sbagai
y


(a, b) =
af

(2a, 2b)
b +af

(2a, 2b)
. (7.31)
7.3 Pendekatan-pendekatan Sampel Besar
Teorema 7.15. Jika Y
v

2
(v), maka
Z
v
=
Y
v
v

2v
d
Z N(0, 1) (7.32)

ebagaimana v .
7.4 Latihan Soal
7 1 Mi
al X menyatakan berat dalam kg
uatu tepung terigu dengan X N(101, 4)
.
7 2 Mi
al X
1
, . . . , X
n
adalah
ampel acak berukuran n dari
uatu di
tribu
i normal, yakni X
i

N(,
2
) dan de ni
ikan U =
n
i=1
X
i
dan W =
n
i=1
X
2
i
.
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 85
a) Carilah
uatu
tati
tik yang merupakan fung
i U dan W dan tak bia
untuk p
arameter
= 2 5
2
.
b) Carilah
uatu
tati
tik yang tak bia
untuk
2

+
2
.
7 3 Mi
al X
1
dan X
2
adalah peubah acak normal beba
,X
i
N(,
2
), dan mi
al Y
1
= X
1
+X
2
dan Y
2
= X
1
X
2
. Tunjukkan bahwa Y
1
dan Y
2

aling beba
dan berdi
tribu
i normal.
7 4 Suatu komponen me
in baru
edang di
ervi
dan
embilan
uku cadang
ter
edia. Waktu
menuju kegagalan dalam hari adalah peubah acak ek
ponen
ial beba
, T
i
EXP(100).
a) Apakah di
tribu
i dari
10
i=1
T
i
?
b) Berapakah peluang bahwa opera
i yang
paling tidak
1,5 tahun?
c) Berapa banyak
uku cadang yang diperlukan
e
untuk
paling tidak dua tahun?
7 5 Mi
al X
i
N(,
2
), i = 1, . . . , n dan Z
i
N(0, 1), i = 1, . . . , k dan
emua

aling beba
. Tentukan di
tribu
i dari
pakah bera
al dari
di
tribu
i yang diketahui (bernama) atau tidak
(a) X
1
X
2

uk
e

dapat dipelihara
ampai

agar yakin 95% yakin opera
i
uk

peubahnya
peubah
peubah acak berikut a
diketahui.

(b)
1
+ 2X
3
(c)
X
1
X
2
S
Z

2
(d)
X
1
X
2
(e)
X
1
+X
2
X
3
(f)
2
i
(g)

n(

X )
S
Z
(h)
2
1
+Z
2
2
(i)
2
1
Z
2
2
(j)
Z
1
_
Z
2
2
(k)
Z
1
Z
2
(l)

Z
(m)

nk(

X )

_
k
i=1
Z
2
i
(n)
n
i=1
(X
i
)
2

2
+
k
i=1
(Z
i

Z)
(o)

2
+
k
i=1
Z
i
k
(p) k

Z
2
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL
(q)
(k 1)
n
i=1
(X
i

86

X)
2
(n 1)
2
k
i=1
(Z
i

Z)
2
7 6 Mi
al X
2
(m), Y
2
(n), dan X serta Y salin bebas. Apakah Y X
2
jika
n > m?
7-7 Misal X
2
(m), S = X +Y
2
(m+n), dan X serta Y salin bebas. unakan teknik
funsi pembankit momen untuk menunjukkan bahwa S X
2
(n).
7-8 Jika T t(v), tentukanlah di
tribu
i dari T
2
.
DAFTAR PUSTAKA
Lee J. Bain and Max Engelhardt. Introduction to Probability and Math
ematical Stati
tic
.
Duxbury Pre

, California,
econd edition, 1992. ISBN 0 534 92930 3.
Robert V. Hogg and Allen T. Craig. Introduction to Mathematical St
ati
tic
. PrenticeHall,
In ., New Jersey, fth edition, 1995. ISBN 0-02-355722-2.
John A. Ri e. Mathemati al Statisti s and Data Analysis. Duxbury, Belmont, C
alifornia, third
edition, 2007.
Dennis D. Wa kerly, William Mendenhall III, and Ri hard L. S hea er. Mathemati al
Statisti s
with Appli ations. Duxbury Press, sixth edition, 2002.
87