Professional Documents
Culture Documents
(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
. . . . . . . . . . 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
(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 Fungi Pembangkit Momen
De nii 1.11. Mial X adalah peubah acak, maka nilai harapan
M
X
(t) = E(e
tX
) (1.13)
diebut fungi 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 fungi 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
Kompeteni Daar
Membedakan peubah acak dikrit, peubah acak kontinu, dan ditribui keluarga ek
ponen
ial.
Indikator Pencapaian
Mampu memiahkan peubah acak dikrit, kontinu, dan ditribui keluarga ekponen
ial.
Materi Pokok
2.1 Ditribui ditribui Dikrit Khuu
2.2 Ditribui ditribui Kontinu Khuu
2.3 Latihan Soal
2.4 Latihan Soal Teoreti
Bab ini membaha beberapa ditribui khuu, baik dikrit maupun kontinu, yang t
elah dipela
jari dalam mata kuliah Pengantar Ilmu Peluang.
2.1 Ditribui ditribui Dikrit Khuu
2.1.1 Ditribui Bernoulli
Dalam uatu percobaan tunggal terdapat dua kejadian yang menjadi daya
tarik, katakanlah
K and komplemennya K
.
Kejadian K dan K
.
(2.1)
Fungi denita (maa) peluang X diberikan oleh f
X
(0) = q dan f
X
(1) = p. Ditribui yang
bereuaian, diebut ditribui Bernoulli (Bernoulli ditribution), dan fungi d
enitanya 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 Ditribui Binomial
Apabila percobaan Bernoulli dilakukan ecara beba ebanyak n kali dengan pelua
ng uke p
pada maing maing percobaan, dan peubah acak X menyatakan banyaknya
uke. Fungi
denita peluang dikrit 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 berditribui binomial dengan parameter n dan p dinot
aikan ebagai X
BIN(n, p). Ditribui Bernoulli yang merupakan kejadian khuu dari ditribui
binomial dino
taikan ebagai X BIN(1, p).
Rata rata, Variani, dan Fungi Pembangkit Momen Ditribui Binomial
Beberapa hail penting:
1. Nilai harapan: E(X) = np;
2. Variani: var(X) = npq;
3. Fungi pembangkit momen : M
X
(t) = (p e
t
+q)
n
, < t < .
2.1.3 Ditribui Hipergeometrik
Mial uatu populai terdiri dari beberapa jumlah item tertentu, katakanlah N,
dan terdapat
M item tipe 1 dan ianya N M item bertipe 2. Mial n item diambi
l ecara acak tanpa
pengembalian, dan mial X menyatakan banyaknya item tipe 1 yang diambil. Fu
ngi denita
peluang dikrit 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 Peramaan (2.4) merupakan fungi denita peluang dari ditribui hiperge
ometrik, dino
taikan X HYP(n, M, N).
Rata rata, Variani, dan Fungi Pembangkit Momen Ditribui Hipergeometrik
Beberapa hail penting:
1. Nilai harapan:
E(X) =
nM
N
; (2.5)
2. Variani:
var(X) = n
M
N
_
1
M
N
__
N n
N 1
_
; (2.6)
3. Fungi pembangkit momen : M
X
(t) = (p e
t
+q)
n
, < t < .
BAB 2. DISTRIBUSI DISTRIBUSI PELUANG KHUSUS 6
2.1.4 Ditribui Geometrik
Mial kita tertarik untuk mengetahui banyaknya percobaan yang diperlukan untuk m
emperoleh
uke pertama dan notaikan ini dengan X, maka fungi denita peluang dikritn
ya dinyatakan
oleh
f
X
(x; p) = pq
x1
, x = 1, 2, 3, . . . ; 0 < p < 1; q = 1 p. (2.7)
Bentuk Peramaan (2.7) merupakan fungi denita peluang dari ditribu
i geometrik, dino
taikan X GEO(p).
Rata rata, Variani, dan Fungi Pembangkit Momen Ditribui Geometrik
Beberapa hail penting:
1. Nilai harapan: E(X) = 1/p.
2. Variani: var(X) = q/p
2
.
3. Fungi pembangkit momen : M
X
(t) = p e
t
/(1 q e
t
).
2.1.5 Ditribui Binomial Negatif
Dalam percobaan Bernouli beba
yang diulang, mial X menyatakan ban
yaknya percobaan
yang diperlukan untuk memperoleh r uke. Ditribui peubah acak X merupa
kan ditribui
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 Peramaan (2.8) da
pat pula dinotaikan
X NB(r, p).
Rata rata, Variani, dan Fungi Pembangkit Momen Ditribui Binomial Negatif
Beberapa hail penting:
1. Nilai harapan: E(X) = r/p.
2. Variani: var(X) = rq/p
2
.
3. Fungi pembangkit momen :
M
X
(t) =
_
p e
t
1 q e
t
_
r
. (2.9)
2.1.6 Ditribui Poion
Suatu peubah acak dikrit X dikatakan memiliki ditribui Poion 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
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, Variani, dan Fungi Pembangkit
Beberapa hail penting:
1. Nilai harapan: E(X) = (N + 1)/2.
2. Variani: var(X) = (N
2
1)/12.
3. Fungi pembangkit momen :
M
X
(t) =
1
N
e
t
e
(N+1)t
1 e
t
. (2.14)
2.2 Ditribui ditribui Kontinu Khuu
Pada ub bab ini akan dibicarakan beberapa
x = 0, 1, 2, . .
_
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, Variani, dan Fungi Pembangkit Momen Ditribui Seragam Kontinu
Beberapa hail penting:
1. Nilai harapan: E(X) = (a +b)/2.
2. Variani: var(X) = (b a)
2
/12.
3. Fungi pembangkit momen :
M
X
(t) =
e
bt
e
at
(b a)t
. (2.17)
2.2.2 Ditribui Gamma
De nii 2.1 (Bain and Engelhardt (1992)). Fungi gamma, dinotaikan () 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
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)
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
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/
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
, dinotaikan X N(,
2
) jika ia memiliki fungi denita peluang dengan bentuk
f
X
(x; , ) =
1
2
e
(x )
2
2
2
, < x < , < < , 0 < < . (2.52)
0
f
X
(x; , ) dx
=
_
0
1
2
e
[(x)/]
2
/2
dx (2.53)
Untuk memerika apakah fungi integral fungi denita peluang ini
ama dengan 1, gu
nakan teknik ubtitui, mial 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)/ diebut fungi denita peluang
normal
tandar, dinotaikan (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).
Fungi ditribui kumulatif normal tandar diberikan oleh
(z) =
_
z
(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 ubtitui
(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). fungi ditribui X
F
X
(x) =
_
_
. (2.66)
Bukti: Akan dibuktikan ifat (a) menggunakan de nii fungi ditribui
F
Z
(z) = P(Z z)
= P
_
X
z
_
= P(X +z)
=
_
+z
2
exp
_
1
2
_
x
__
dx.
Dengan ubtitui 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
_
Fungi pembangkit momen
Untuk menentukan fungi pembangkit momen ditribui
ahulu diperhatikan
fungi pembangkit momen ditribui 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 Ditribui Weibull
Ditribui Weibull merupakan alah atu ditribui yang banyak digunakan dalam b
idang pengu
jian tahan hidup benda. Ditribui ini diberi nama etelah ikawan W. Weibull,
menyarankan
penggunaannya pada berbagai aplikai, terutama uji kelelahan dan kekuatan materi
al.
Peubah acak kontinu X dikatakan memiliki ditribui 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
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 fungi ditribui gamma]
2 2 Waktu (dalam menit) ampai pelanggan ketiga memauki 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 modunya.
2 4 Mial peubah acak X berditribui gamma dengan fungi denita 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 Mial uatu LCD proyektor menghailkan jumlah cahaya (dalam lumen
) dan dianggap
berditribui normal dengan rata rata = 350 dan varian
2
= 400.
a) Hitunglah P(325 < X < 363).
b) Carilah nilai c ehingga jumlah cahaya yang dihailkan 90% cahaya
LCD melebihi c
lumen.
(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
) 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
tribui multinomial.
3.1.3 Ditribui Multinomial
Mial terdapat k+1 kejadian aling lepa (mutually excluive) dan exhautive, ya
kni, E
1
, E
2
, . . . , E
k
, E
k+1
,
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
).
Peramaan (3.1) mirip dengan ditribui binomial. Untuk terjadinya E
i
ebanyak x
i
kali, diper
lukan permutai E
1
ebanyak x
1
, E
2
ebanyak x
2
, dan eterunya. Banyaknya permutai untuk
kejadian kejadian terebut 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
)
, X
2
) memiliki
fungi denita berama f
X
1
,X
2
(x
1
, x
2
), maka fungi denita 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. Mial (X
1
, X
26
2
) MULT(n, p
1
, p
2
), maka fungi denita 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)
Peramaan (3.2) merupakan bentuk ditribui dari
1
), dengan kata lain X
1
binomial(n, p
1
).
De nii 3.3 (Fungi ditribui kumulatif
kumulatif berama k
peubah acak X
1
, . . . , X
k
adalah fungi yang dide niikan oleh
F
X
1
,...,X
k
(x
1
, . . . , x
k
) = P(X
binomial(n, p
berama).
Fungi
ditribui
1
x
1
, X
2
x
2
, . . . , X
k
x
k
).
Teorema 3.2 (Fungi ditribui kumulatif bivariat).
X
1
,X
2
(x
1
, x
2
) adalah fungi
ditribui 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 fungi 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
1
, x
2
) untuk emua
x
1
dan x
2
.
Contoh 3.4. Mial uatu fungi dide niikan 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 Ditribui Kontinu Berama
De nii 3.4 (Fungi peluang berama kontinu). Suatu vektor peubah acak berdimen
i k, X =
(X
1
, . . . , X
k
) dikatakan kontinu jika terdapat uatu fungi f
X
1
,...,X
k
(x
1
, . . . , x
k
) diebut fungi
denita berama dari X, edemikian hingga fungi ditribui kumulatif bera
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
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
) =
distribusi
X
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
= 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
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
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 ) dinotaikan 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 kont
anta kontanta,
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 nii
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 ).
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 kau ini pun dapat diperlua untuk k peubah acak.
X
1
, . . . , X
k
adalah peubah acak dan a
1
, . . . , a
k
adalah kontanta kontanta, 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. Mial uatu paangan peubah acak dikrit X dan Y dengan fungi den
ita peluang
berama
f
X,Y
(x, y) =
_
_
_
1
4
, jika (0, 1), (1, 0), (0, 1), (1, 0);
0, jika x dan y lainnya.
(4.14)
Fungi denita peluang marjinal X adalah f
X
(1) = 1/4, f
X
(0) = 1/2, dan f
X
(x) = 0 untuk
x lainnya. Demikian pula fungi denita 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 diimpulkan bahwa X dan Y terikat jika cov(X
, Y ) = 0, tetapi
cov(X, Y ) = 0 tidaklah perlu mengimplikaikan bahwa X dan Y adalah beba.
De nii 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 korelai d
ari X dan Y
adalah
corr(X, Y ) =
cov(X, Y )
_
var(X)
_
var(Y )
. (4.17)
Catatan: Biaanya korelai X dan Y dinotaikan ebagai
XY
atau dan va
ians X dan Y
sebagai
2
X
dan
2
Y
. Sehingga, Peramaan (4.17) dapat dituli ebagai
XY
=
XY
Y
. (4.18)
Peubah peubah acak X dan Y dikatakan tidak berkorelai 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).
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)
Notai khuu untuk ditribui peramaan (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 ditribui mar
jinalnya adalah binomial, yakni X
i
BIN(n, p
i
). Fungi pembangkit momen berama ditribui
multinomial dapat dihitung menggunakan ditribui 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 Mial X dan Y memiliki fungi denita peluang berama
f
X,Y
(x, y) =
_
e
y
, jika 0 < x < y < ;
0, jika x dan y lainnya.
Hitunglah E(X|y).
4 7 Mial Y
1
dan Y
2
adalah peubah peubah acak kontinu dengan fungi denita peluang berama
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 fungi pembangkit momen (MGF) berama 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 berditribui berama, dan jika
a
1
, . . . , a
k
dan b
1
, . . . , b
m
adalah kontanta kontanta, 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* Mial
1
dan X
2
i
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 korelai Y
1
dan Y
2
?
c) Carilah ditribui beryarat Y
2
diketahui Y
1
= y
1
.
BAB 5
FUNGSI FUNGSI PEUBAH ACAK
Kompeteni Daar
Menggunakan konep konep ilmu peluang.
Indikator Pencapaian
Menggunakan konep konep ilmu peluang.
Materi Pokok
5.1 Teknik Fungi Ditribui Kumulatif
5.2 Metode Tranformai
5.3 Jumlah Peubah Acak
5.4 Statitik Terurut
5.5 Latihan Soal
Pada BAB I, peluang dide niikan dalam konep teori himpunan. Konep peubah acak
diperke
nalkan edemikian hingga kejadian kejadian dapat diaoiaikan dengan himpunan b
ilangan real
dalam ruang rentang (range pace) dari peubah acak. Hal ini memungkinkan kita
untuk mengek
preikan ecara matemati model peluang untuk populai atau karakteritik yang
ingin diteliti
dalma bentuk uatu fungi denita peluang atau uatu fungi ditribui kumulati
f untuk peubah
X x
2
dimana atu atau lebih bata bata x
1
dan x
2
bergantung pada Y . Dalam kau 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)
Fungi denita peluang (5.2) adalah
f
Y
(y) =
d
dy
F
Y
(y). (5.3)
Berikut ini diberikan beberapa contoh untuk mengilutraikan teknik fungi ditr
ibui kumulatif.
Contoh 5.1. Mial fungi ditribui kumulatif peubah acak X, yakni F
X
(x) = 1 e
2x
, 0 <
x < dan kita tertarik untuk mengetahui fungi ditribui dari peubah acak Y =
e
X
.
Fungi ditribui 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
y X
y)
= F
X
(
y) F
X
(
y). (5.6)
Berdaarkan fungi ditribui peramaan (5.6), kita dapat menghitung fungi 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. Mial X adalah peubah acak dengan fungi denita peluang
f
X
(x) =
_
4x
3
, jika 0 < x < 1;
0, jika x lainnya.
(5.8)
Mial kita tertarik dengan peubah acak Z = ln X. Terlebih dahulu kita hitung
fungi ditribui
X. Kita peroleh fungi ditribui untuk fungi denita 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 fungi ditribui peramaan (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 fungi ditribui kumulatif juga dapat diterapkan untuk fungi
beberapa peubah,
mekipun analii pada umumnya lebih komplek.
Teorema 5.1. Mial X = (X
1
, . . . , X
k
) adalah vektor peubah acak kontinu berdimeni k dengan
fungi denita peluang berama f
X
(x
1
, . . . , x
k
). Jika Y = u(X) adalah uatu fungi 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). Fungi
denita peluang X dapat dinyatakan ebagai
f
X
(x) =
_
e
x
, untuk 0 < x < ;
0, untuk x lainnya.
(5.12)
Mial 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
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 Tranformai
Pada bagian ini, kita akan membaha tranformai untuk peubah dalam d
imeni atu. Mial
u(x) adalah uatu fungi bernilai real dari peubah real x. Jika
peramaan y = u(x) dapat
dieleaikan ecara tunggal, katakanlah x = w(y), maka tranformai
ini dikatakan atu atu
(one to one). Berikut ini akan kita baha metode tranformai atu a
tu untuk kau dikrit
dan kontinu.
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 49
5.2.1 Tranformai Satu atu
Teorema 5.2 (Kau Dikrit). Mial X adalah peubah acak dikrit deng
an fungi denita
(maa) peluang f
X
(x) dan Y = u(X) adalah tranformai atu atu. Dengan kata lain, per
amaan y = u(x) dapat dieleaikan ecara tunggal, katakanlah x = w(y). Maka
fungi denita
(maa) peluang Y adalah
f
Y
(y) = f
X
(w(y)), y B; (5.15)
dimana B = {y : f
Y
(y) > 0}.
Bukti: Fungi denita
F
Y
(y) = P(Y = y)
= P(u(X) = y)
= P(X = w(y))
= f
X
(w(y)). (5.16)
Contoh 5.5. Mial peubah acak dikrit X GEO(p), dengan fungi denita peluan
g
f
X
(x) = pq
x1
, x = 1, 2, 3, . . . . (5.17)
Mial kita tertarik dengan peubah acak Y = X 1. Dalam hal ini y = u(x) = x 1,
ementara
itu diperoleh olui 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. Mial peubah acak dikrit X BIN(r, p). Anda tertarik de
ngan peubah acak
Y = X r. Fungi denita 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 (Kau Kontinu). Mial X adalah peubah acak kontinu deng
an fungi deni
ta peluang f
X
(x) dan anggap Y = u(X) mende niikan uatu tranformai atu atu dar
i
A = x : f
X
(x) > 0 ke B = x : f
Y
(y) > 0 dengan tranformai inver x = w(y). Jika turunan
(d/dy)w(y) adalah kontinu dan tak nol pada B, maka fungi denita 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 aumikan 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 fungi denitanya 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 fungi denitanya 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))
d
dy
w(y)
.
Dalam hal ini (d/dy)w(y) < 0 karena y monoton turun.
Dalam kontek kau kontinu, turunan w(y) diebut Jacobian dari tranf
ormai dan dino
taikan
J =
d
dy
w(y). (5.24)
Contoh 5.7. Mial peubah acak kontinu X memiliki fungi denita peluang
f
X
(x) = 2 e
2x
, 0 < x < . (5.25)
Kita tertarik untuk mencari fungi denita peluang Y = e
X
. Dengan tranformai invere
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 fungi denita 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 maalah tranformai, angatlah penting untuk mengidenti kai himpu
nan B dimana
f
Y
(y) > 0, dalam contoh ini B = (1, ) karena e
x
> 1 aat x > 0.
Contoh 5.8. Mial peubah acakk kontinu X N(,
2
) dan kita tertarik dengan peubah acak
Y = e
X
. Fungi denita peluang X dapat dinyatakan ebagai
f
X
(x) =
1
2
e
1
2
(x )
2
2
, < x < , < < , 0 < < . (5.26)
Dengan tranformai inver diperoleh x = w(y) = ln y dan Jacobian J
= (d/dy)w(y) = 1/y.
Dengan demikian fungi denita 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)
Fungi denita peluang peramaan (5.27) adalah bentuk dari ditribui lognormal
dengan rata
rata dan variani
2
, dituli LOGN(,
2
).
Contoh 5.9. Mial 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
(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 Tranformai Integral). Jika X adalah peubah aca
k kontinu dengan
fungi ditribui kumulatif F
X
(x), maka U = F
X
(X) UNIF(0, 1). Sebaliknya, jika U berdi
tribui ecara eragam epanjang interval (0, 1), maka X = F
1
X
(U) memiliki fungi ditribui
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 ditribui
dengan fungi
ditribui kumulatif F
X
(x).
5.2.2 Tranformai yang Tidak Satu atu
Mial fungi u(x) tidaklah atu atu epanjang himpunan A = {x : f
X
(x)}. Mekipun hal ini
berarti tidak terdapat penyeleaian tunggal pada peramaan y = u(x), namun bia
anya mungkin
d
dy
w
j
(y)
. (5.32)
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 53
Untuk tranformai Y = u(X), penjumlahan epanjang nilai j yang mana u(x
j
) = y, mekipun
Jacobiannya mauk ke peramaan untuk kau kontinu.
Contoh 5.10. Suatu peubah acak dikrit X memiliki fungi denita peluang
f
X
(x) =
4
31
_
1
2
_
x
; x = 2, 1, 0, 1, 2. (5.33)
Mial 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 fungi denita 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 fungi ditribui 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. Mial peubah acak X UNIF(1, 1) dan mialkan pula Y
X
2
. Fungi
denita peluang X dapat dinyatakan ebagai berikut
f
X
(x) =
1
1 (1)
=
1
2
, 1 < x < 1. (5.40)
Jika kita partii himpunan A =
1
= (1, 0) dan A
2
= (0, 1) maka y = x
2
memiliki penyeleaian 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
fungi denita 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
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 fungi denita peluang
f
X
(x) =
_
_
_
x
2
3
, jika 1 < x < 2;
0, jika x lainnya.
(5.41)
Mial kita tertarik dengan peubah acak Y = X
2
. Kita peroleh tranformai invere x
1
= w
1
(y) =
y dan x
2
=
y yang terpetakan
ke y. Sementara untuk 1 < y < 4 hanya terdapat atu titik dengan fungi deni
ta peluang tidak
nol, x
2
=
y yang dipetakan ke y. (Ingat bahwa bata untuk y adalah 0 < y < 4).
Dengan
demikian, fungi denita 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: peramaan
f
Y
(y) =
j
f
X
(w
j
(y))
dan
f
Y
(y) =
j
f
X
(w
j
(y))
d
dy
w
j
(y)
55
j
f
X
(x
j
)
dx
j
dy
,
dengan
x
j
= w
j
(y)
adalah fungi dari y.
5.2.3 Tranformai Berama
Mial X adalah uatu vektor peubah acak berdimeni k, yakni X = (X
1
, . . . , X
k
), dan mialkan
u
1
(x), . . . , u
k
(x) adalah fungi dari x ebanyak k, edemikian hingga Y
i
= u
i
(X) untuk i =
1, . . . , k mende niikan uatu peubah acak lain yakni Y = (Y
1
, . . . , Y
k
) = u(X).
Teorema 5.6 (Kau Dikrit). Jika X adalah uatu vektor peubah acak dikrit
dengan fungi
denita peluang berama f
X
(x) dan Y = u(X) mende niikan uatu tranformai atu atu,
maka fungi denita peluang berama Y adalah
f
Y
(y
1
, . . . , y
k
) = f
X
(x
1
, . . . , x
k
) (5.43)
dimana x
1
, . . . , x
k
adalah penyeleaian dari y = u(x) dan bergantung pada y
1
, . . . , y
k
. Jika
tranformainya tidak atu atu dan jika partii ada katakanlah A
1
, A
2
, . . . , edemikian hingga
y = u(x) memiliki penyeleaian tunggal x = x
j
atau
x
j
= (x
1j
, . . . , x
kj
) (5.44)
epanjang A
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). Fungi denita peluang beramanya 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
}. Mial peubah acak Y
1
= X
1
dan Y
2
= X
1
+ X
2
. Hal
ini bereuaian dengan tranformai
1
= x
1
dan y
2
= x
1
+ x
2
, yang memiliki olui tunggal
x
1
= y
1
dan x
2
= y
2
y
1
. Jacobian tranformai 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), mial
ngan peubah acak
Y
1
= X
1
X
2
dan Y
2
= X
1
+X
2
. Hal ini bereuaian dengan tranformai 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 tranformai yang tidak atu atu Teorema (5.7) juga dapat dipelua. Jik
a peramaan
y = u(x) dapat dieleaikan ecara tunggal epanjang etiap himpunan pada parti
i A
1
, A
2
, . . . ,
dan menghailkan penyeleaian, dan jika penyeleaian 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 penyeleian epanjang himpunan A
i
.
5.3 Jumlah Peubah Acak
5.3.1 Formula Konvolui
Mial X
1
dan X
2
adalah peubah acak kontinu dengan fungi denita peluang berama f
X
1
,X
2
(x
1
, x
2
)
dan jika kita hanya tertarik pada fungi denita peluang dari uatu jumlah S =
X
1
+X
2
maka
kita dapat menggunakan
f
S
() =
_
f
X
1
(t)f
X
2
( t) dt. (5.58)
BAB 5. FUNGSI FUNGSI PEUBAH ACAK 59
Contoh 5.15. Mial X
1
dan X
2
adalah peubah acak beba dan berditribui eragam, yakni
X
i
UNIF(0, 1), i = 1, 2. Mial pula S = X
1
+X
2
. Fungi ditribui peluang berama 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 bereuaian dengan tranformai t = x
1
dan = x
1
+x
2
_
_
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. Mial 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
POI(
n
i=1
i
).
Contoh 5.18. Mial X
1
, . . . , X
n
adalah peubah peubah acak yang berditribui
aling beba, X
i
N(
i
,
2
i
); i = 1, . . . , n. Mial Y =
n
i=1
X
i
. Fungi 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 fungi pembangkit momen dari Y N(
n
i=1
i
,
n
i=1
2
i
).
5.4 Statitik Terurut
5.4.1 Penarikan Sampel Terenor
Konep tentang uatu ampel acak berukuran n telah dibicarakan pada bab ebelum
nya, dan
fungi dentia peluang berama 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
< 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
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
;
) 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 fungi denita peluang Y = n X.
5 6 Mial X NB(r, p). Tentukan fungi denita peluang Y = X r.
5 7 Mial X memiliki fungi denita peluang
f
X
(x) =
_
_
_
x
2
24
, jika 2 < x < 4;
0, jika x lainnya.
Carilah fungi denita peluang dari Y = X
2
.
5 8 Mial X dan Y memiliki fungi denita peluang berama
f
X,Y
(x, y) =
_
4 e
2(x+y)
, jika 0 < x < , 0 < y < ;
0, x dan y lainnya.
a) Carilah fungi ditribui kumulatif W = X +Y .
b) Carilah fungi denita peluang berama U = X/Y dan V = X.
c) Carilah fungi denita peluang marjinal U.
5 9 Jika X
1
dan X
2
menyatakan ampel acak berukuran dua dari uatu ditribui Poion,
X
i
1
+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 fungi ditribui 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 barian W
1
, W
2
, . . . dikatakan
konvergen dalam ditribui (converge in ditribution) ke W G(w), dinotaikan
W
n
d
W. (6.3)
Ditribui yang bereuaian dengan fungi ditribui kumulatif G(w) diebut limi
t ditribui
dari W
n
(limiting ditribution of W
n
)
Contoh 6.1. Mial X
1
, . . . , X
n
adalah ampel acak dari uatu ditribui eragam, yakni X
i
_
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 barian kontan, dengan bata bata bereuaian 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. Mial uatu ampel acak dari uatu ampel berukuran n
dari uatu ditribui
dengan fungi ditribui kumulatif
F
X
(x) =
_
1 1/x, jika 1 ;
0, jika x lainnya.
(6.6)
Mial W
n
= X
1:n
. Dari Bab 5 kita tahu bahwa fungi ditribui 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 nii 6.2 (Ditribui Degenerai). Fungi G(w) adalah fungi ditribui kumulat
if dari uatu
ditribui degenerai (degenerate ditribution) pada nilai w = c jika
G(w) =
_
0, jika w < c;
1, jika w c.
(6.7)
Dengan kata lain, G(w) adalah fungi ditribui kumulatif dari uatu ditribui
dikrit yang
menugakan peluang atu pada aat w = c dan nol untuk yang lainnya.
Contoh 6.3. Mial X
1
, . . . , X
n
adalah uatu ampel acak dari uatu ditribui ekponenial
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 mial W
n
= nX
1:n
. Fungi ditribui kumulatif X
i
diberikan oleh F
X
(x) =
1 (1 +x)
1
, x > 0. Dengan demikian fungi ditribui 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
fungi ditribui kumlulatif dari EXP(1).
Contoh 6.5. Jika kita lihat kembali Contoh 6.4 mial W
n
= X
n:n
. Fungi ditribui kumulatif
W
n
= X
n:n
. Fungi ditribui 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 fungi ditribui 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 fungi ditribui 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 fungi ditribui kumulatif G(w) = e
1/w
, w 0.
6.2 Teorema Limit Puat
Dalam contoh ebelumnya, fungi ditribui kumulatif yang pati telah diketahui
untuk etiap
n tertentu (terbata), dan ditribui limit diperoleh ecara langung
dair barian ini. Salah
atu keuntungan limit ditribui adalah bahwa dimungkinkan untuk menentukan limi
t ditribui
tanpa mengetahui bentuk pati dair fungi ditribui kumulatif untuk n terbata.
Limit ditribui
menyediakan informai yang berguna apabila peluang ekak tidak teredia.
Teorema 6.1. Mial W
1
, W
2
, . . . , adalah uatu barian peubah acak dengan fungi ditribui
kumulatif bereuaian G
1
(w), G
2
(w), . . . , dari fungi pembangkit momen M
1
(t), M
2
(t), . . . . Jika
M(t) adalah fungi pembangkit momen dari uatu fungi ditribui ku
mulatif G(w) dan jika
lim
n
M
n
(t) = M(t) untuk emua t dalam interval terbuka yang berii nol, h < t < h, maka
lim
n
G
n
(w) = G(w) untuk emua titik titik kontinu dari G(w).
Contoh 6.7. Mial X
1
, . . . , X
n
adalah uatu ampel acak dari uatu ditribui Bernoulli, yakni
X
i
BIN(1, p), dan mialkan 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 fungi pembangkit mo
men dari ditribui Poion 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 bear dan p kecil, maka
W
n
POI(np).
Contoh 6.8. Lihat kembali Contoh 6.7. Mial kita buat p tetap ( xed)
dan anggap barian
propori ampel V
n
= p
n
= W
n
/n. Dengan menggunakan ekpani 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
=
)}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 fungi pembangkit momen dari ditribui normal tanda
r. Jadi Z
n
d
Z
N(0, 1). Contoh ini mengilutraikan bahwa untuk n bear dan p terte
ntu ( xed) maka W
n
mendekati normal yakni W
n
N(np, npq).
Teorema 6.2 (Teorema Limit Puat). Jika X
1
, . . . , X
n
adalah uatu ampel acak dari ditribui
dengan rata rata dan variani
2
< , maka limit ditribui (limiting ditribution) 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 peramaan (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 Ditribui Binomial
Pendekatan binomial eperti pada contoh di ata akan bagu jika p dekat 0,5, k
arena ditribui
binomial imetri aat p = 0,5. Akurai yang diperlukan dalam pendeka
tan tergantung pada
aplikai. Salah atu panduan adalah menggunakan pendekatan normal apab
ila np 5 dan
5
_
1 (0,89)
0,8133.
Ingat bahwa Z
n
= (W
n
n)/(
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 ditribui normal aimtotik (aymptotic normal
ditribution) dengan rata rata aimtotik m dan variani aimtotik c
2
/n.
BAB 6. LIMIT DISTRIBUSI 76
6.5 Sifat ifat Konvergeni Stokatik
Dalam contoh contoh ebelumnya kita menemukan bahwa barian peubah acak
konvergen e
cara tokatik ke uatu kontanta. Teorema berikut memberikan kriteria alterna
tif untuk me
2
n
(6.18)
untuk stiap > 0. Jadi lim
n
P(| p
n
p| < ) = 1.
Torma 6.4 (Hukum Bilangan Bilangan Bsar). Jika X
1
, . . . , X
n
adalah suatu sampl acak
dari suatu distribusi dngan rata rata trbatas ( nit) dan variansi
2
, maka barian 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 populai, dalam hal bahwa peluang mendekati 1 ebagaimana
ecara per
lahan
X
n
dekat bila n .
Teorema berikut menunjukkan bahwa uatu barian peubah acak yang normal
aimtoti
konvergen dalam peluang ke rata rata aimtoti.
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 nii 6.5 (Konvergeni dalam Peluang). Barian 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)
Konvrgnsi dalam pluang mmiliki sifat yang lbih kuat dibandingkan konvrgns
i dalam
distribusi.
Torma 6.6. Untuk suatu barisan pubah acak, jika W
n
p
W maka W
n
d
W.
Kasus khusus untuk Torma 6.6, jika W = c maka limit distribusi adalah distri
busi dgn
rasi P(W = c) = 1.
BAB 6. LIMIT DISTRIBUSI 77
6.7 Latihan Soal
6 1 Misal suatu sampl acak brukuran n dari suatu distribusi dngan fungsi di
stribusi
F
X
(x) =
_
_
_
1
1
x
, jika 1 x ;
0, x lainnya.
a) Carilah fungsi distribusi dari statistik trurut minimum, X
1:n
.
b) Carilah limit distribusi X
1:n
.
c) Carilah limit distribusi X
n
1:n
.
6 2 Misal suatu sampl acak brukuran n dari suatu distribusi dngan fungsi dis
tribusi F
X
(x) =
(1 +
x
)
1
untuk smua bilangan ral x.
a) Apakah statistik trurut trbsar X
n:n
mmiliki limit distribusi?
b) Apakah X
n:n
ln n mmiliki limit distribusi? Jika dmikian, apa limit distribusinya?
6 3 Misal suatu sampl acak brukuran n brasal dari distribusi dngan fungsi d
istribusi F
X
(x) =
1x
2
jika x > 1 dan nol untuk x lainnya. Priksalah apakah barisan barisan brikut
mmi
liki limit distribusi; jika dmikian, brikan 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 fungi pembangkit momen untuk
mencari limit ditribui
n
i=1
(Z
i
+ 1/n)/
n.
6 5 Mial
X
n
menyatakan rata rata dari uatu ampel acak dari ditribui N(,
2
). Carilah
limit ditribui
X
n
.
6 6 Mial X
1
, . . . , X
n
adalah ampel acak berukuran n dari ditribui N(,
2
). Tunjukkan
bahwa jumlah V
n
=
n
i=1
X
i
tidak memiliki limit ditribui.
6 7 Mial uatu ampel acak beraal dari ditribui Poion, yakni X
i
POI().
a) Tunjukkan bahwa Y
n
= e
X
n
konvergen ecara tokatik ke P(X = 0) = e
.
b) Carilah ditribui normal aimtoti dari Y
n
.
c) Tunjukkan bahwa
X
n
exp(
X
n
) konvergen ecara tokatik ke P(X = 1) = e
.
6 8 Mial S
2
n
menyatakan varian of ampel acak berukuran n dari ditribui N(,
2
). Buktikan
bahwa nS
2
n
/(n 1) konvergen dalam peluang ke
2
.
6 9 Mial X
n
berditribui 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) = (7.2)
dan
var(
X) =
2
n
. (7.3)
Bukti: Untuk menunjukkan Peramaan (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. Fungi (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 Ditribui ditribui Pengambilan Sampel
Statitik juga merupakan uatu peubah acak, ditribui yang bergantung
pada ditribui dari
uatu ampel acak dengan bentuk fungi (x
1
, . . . , x
n
). Ditribui dari uatu tatitik diebut
ditribui turunan (derived ditribution) atau ditribui pengambilan ampel (a
mpling ditribu
tion).
7.2.1 Kombinai 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 fungi 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 Ditribui Khi Kuadrat
Mial uatu ditribui gamma khuu 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),
dinotaikan 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: Mngingat Y GAM(2, v/2), maka ifat ifat ditribui gamma p
un berlaku. Untuk
membuktikan Peramaan (7.9), diketahui bahwa fungi pembangkit momen di
tribui gamma
adalah (1 t)
(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. tatitik
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 Studnt t
Kita tahu bahwa S
83
2
dapat digunakan untuk mmbuat infrnsi tntang paramtr
2
di dalam
uatu ditribui normal. Demikian pula
n(
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)
Torma 7.11. Jika X
1
, . . . , X
n
mnyatakan sampl acak dari N(,
2
), maka
X
S/
n
t(n 1). (7.19)
7.2.4 Ditribui 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)
Torma 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
Prsntil 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)
berditribui beta, dinotaikan BETA(a, b) untuk a > 0 dan b > 0,
dengan fungi denita
peluang
f(y; a, b) =
(a +b)
(a)(b)
y
a1
(1 y)
b1
, 0 < y < 1; (7.30)
dngan a = v
1
/2 dan b = v
2
/2.
Prsntil distribusi bta dapat dinyatakan dalam prsntil distribusi F sbagai
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 Mial X menyatakan berat dalam kg uatu tepung terigu dengan X N(101, 4)
.
7 2 Mial X
1
, . . . , X
n
adalah ampel acak berukuran n dari uatu ditribui normal, yakni X
i
N(,
2
) dan de niikan 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 tatitik yang merupakan fungi U dan W dan tak bia untuk p
arameter
= 2 5
2
.
b) Carilah uatu tatitik yang tak bia untuk
2
+
2
.
7 3 Mial X
1
dan X
2
adalah peubah acak normal beba,X
i
N(,
2
), dan mial Y
1
= X
1
+X
2
dan Y
2
= X
1
X
2
. Tunjukkan bahwa Y
1
dan Y
2
aling beba dan berditribui normal.
7 4 Suatu komponen mein baru edang diervi dan embilan uku cadang
teredia. Waktu
menuju kegagalan dalam hari adalah peubah acak ekponenial beba, T
i
EXP(100).
a) Apakah ditribui dari
10
i=1
T
i
?
b) Berapakah peluang bahwa operai yang
paling tidak
1,5 tahun?
c) Berapa banyak uku cadang yang diperlukan
e untuk
paling tidak dua tahun?
7 5 Mial X
i
N(,
2
), i = 1, . . . , n dan Z
i
N(0, 1), i = 1, . . . , k dan emua
aling beba. Tentukan ditribui dari
pakah beraal dari
ditribui yang diketahui (bernama) atau tidak
(a) X
1
X
2
uke
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 Mial 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 ditribui dari T
2
.
DAFTAR PUSTAKA
Lee J. Bain and Max Engelhardt. Introduction to Probability and Math
ematical Statitic.
Duxbury Pre, California, econd edition, 1992. ISBN 0 534 92930 3.
Robert V. Hogg and Allen T. Craig. Introduction to Mathematical St
atitic. 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