MODUL STATISTIKA MATEMATIKA I

(MA493530)
Oleh :
I Wayan Sumarjaya, S.Si.
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2010
KATA PENGANTAR
Modul singkat ini membahas tentang perkuliahan Statistika Matematika I (MA493530) yang
membahas tentang peubah acak dan distribusinya, fungsi peubah acak, sifat peubah acak, limit
distribusi, dan statistik dan distribusi pengambilan sampel. Mata kuliah ini merupakan pen-
dalaman terhadap mata kuliah Pengantar Ilmu Peluang plus tambahan-tambahan tentang fungsi
pembangkit momen dan distribusi pengambilan sampel.
Akhir kata semoga modul singkat ini dapat bermanfaat. Segala kritik dan saran guna per-
baikan modul ini harap dikirim via email ke sumarjaya@gmail.com atau sumarjaya@yahoo.com.
Bukit Jimbaran, Februari 2009
Penulis
i
DAFTAR ISI
Kata Pengantar i
DAFTAR ISI ii
DAFTAR GAMBAR iv
DAFTAR TABEL v
BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA 1
1.1 Peubah Acak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Peubah Acak Diskrit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Peubah Acak Kontinu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Beberapa Sifat Nilai Harapan . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.4 Batas-batas Peluang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Momen dan Fungsi Pembangkit Momen . . . . . . . . . . . . . . . . . . . . . . . 3
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 4
2.1 Distribusi-distribusi Diskrit Khusus . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Distribusi Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.2 Distribusi Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.3 Distribusi Hipergeometrik . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.4 Distribusi Geometrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.5 Distribusi Binomial Negatif . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.6 Distribusi Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.7 Distribusi Seragam Diskrit . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Distribusi-distribusi Kontinu Khusus . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 Distribusi Seragam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 Distribusi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.3 Distribusi Eksponensial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.4 Distribusi Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.5 Distribusi Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.6 Fungsi pembangkit momen . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Latihan Soal Teoretis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
BAB 3. PEUBAH ACAK BERGANDA 23
3.1 Distribusi Bersama dan Marginal . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Distribusi Diskrit Bersama . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.2 Distribusi Hypergeometrik yang Diperluas . . . . . . . . . . . . . . . . . . 24
3.1.3 Distribusi Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.4 Distribusi Kontinu Bersama . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Peubah Acak Bebas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Distribusi Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
ii
DAFTAR ISI iii
3.3.1 Distribusi Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
BAB 4. SIFAT-SIFAT PEUBAH ACAK 33
4.1 Sifat-sifat Nilai Harapan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Kovarians dan Korelasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3 Harapan Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3.1 Distribusi Normal Bivariat . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4 Fungsi Pembangkit Momen Bersama . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.5 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.6 Latihan Soal Teoretis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 45
5.1 Teknik Fungsi Distribusi Kumulatif . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.2 Metode Transformasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.2.1 Transformasi Satu-satu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.2 Transformasi yang Tidak Satu-satu . . . . . . . . . . . . . . . . . . . . . . 52
5.2.3 Transformasi Bersama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3 Jumlah Peubah Acak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.1 Formula Konvolusi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.2 Metode Fungsi Pembangkit Momen . . . . . . . . . . . . . . . . . . . . . . 59
5.4 Statistik Terurut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4.1 Penarikan Sampel Tersensor . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4.2 Pengambilan Sampel Tersensor . . . . . . . . . . . . . . . . . . . . . . . . 67
5.5 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
BAB 6. LIMIT DISTRIBUSI 70
6.1 Barisan Peubah Acak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.2 Teorema Limit Pusat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.3 Pendekatan Distribusi Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.4 Distribusi Normal Asimtotik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.5 Sifat-sifat Konvergensi Stokastik . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.6 Teorema-teorema Limit Tambahan . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.7 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 78
7.1 Statistik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.2 Distribusi-distribusi Pengambilan Sampel . . . . . . . . . . . . . . . . . . . . . . 80
7.2.1 Kombinasi Linear Peubah-peubah Normal . . . . . . . . . . . . . . . . . . 80
7.2.2 Distribusi Khi Kuadrat . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.2.3 Distribusi Student t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.2.4 Distribusi Snedecor F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.2.5 Distribusi Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.3 Pendekatan-pendekatan Sampel Besar . . . . . . . . . . . . . . . . . . . . . . . . 84
7.4 Latihan Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
DAFTAR PUSTAKA 87
DAFTAR GAMBAR
iv
DAFTAR TABEL
Tabel 3.1 Nilai fungsi densitas bersma dua peubah acak . . . . . . . . . . . . . . . . . . 30
v
BAB 1
PEUBAH ACAK DAN DISTRIBUSINYA
Kompetensi Dasar
Menggunakan konsep-konsep ilmu peluang.
Indikator Pencapaian
Menggunakan konsep-konsep ilmu peluang.
Materi Pokok
1.1 Peubah Acak
1.1.1 Peubah Acak Diskrit
1.1.2 Peubah Acak Kontinu
1.1.3 Beberapa Sifat Nilai Harapan
1.1.4 Batas-batas Peluang
1.2 Momen dan Fungsi Pembangkit Momen
Bab ini meninjau kembali konsep tentang peluang dan distribusinya seperti yang telah dipelajari
pada mata kuliah Pengantar Ilmu Peluang.
1.1 Peubah Acak
Definisi 1.1. Suatu peubah acak, katakanlah X, adalah suatu fungsi yang didefinisikan pada
ruang sampel Ω, yang mengasosikan suatu bilangan real, X(ω) = x, dengan masing-masing hasil
yang mungkin ω di Ω.
1.1.1 Peubah Acak Diskrit
Definisi 1.2. Jika himpunan semua hasil yang mungkin dari peubah acak X adalah himpunan
terhitung x
1
, x
2
, . . . , x
n
atau x
1
, x
2
, . . . ,, maka X disebut peubah acak diskrit.
Definisi 1.3. Fungsi
f
X
(x) = P(X = x), x = x
1
, x
2
, . . . (1.1)
yang menugaskan peluang untuk masing-masing nilai yang mungkin x disebut fungsi densitas
peluang diskrit.
1
BAB 1. PEUBAH ACAK DAN DISTRIBUSINYA 2
Teorema 1.1. Suatu fungsi f
X
(x) adalah fungsi densitas peluang diskrit jika dan hanya jika
untuk paling banyak himpunan tak berhingga terhitung (countably infinite) x
1
, x
2
, . . . memenuhi
kedua sifat berikut:
1. untuk semua x
i
, fungsi f
X
(x
i
) ≥ 0,
2. untuk semua x
i
,

f
X
(x
i
) = 1.
Definisi 1.4. Fungsi distribusi kumulatif peubah acak X didefinisikan untuk semua bilangan
real x sebagai
F
X
(x) = P(X ≤ x). (1.2)
Teorema 1.2. Suatu fungsi F
X
(x) adalah fungsi distribusi kumulatif untuk beberapa peubah
acak X jika dan hanya jika memenuhi sifat:
(a). lim
x→−∞
F
X
(x) = 0,
(b). lim
x→∞
F
X
(x) = 1,
(c). lim
h→0
+ F
X
(x +h) = F
X
(x),
(d). jika a < b maka F
X
(a) ≤ F
X
(b).
Definisi 1.5. Jika X adalah peubah acak diskrit dengan fungsi densitas peluang f
X
(x), maka
nilai harapan X didefinisikan sebagai
E(X) =

x
xf
X
(x). (1.3)
1.1.2 Peubah Acak Kontinu
Definisi 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)
Definisi 1.7. Fungsi distribui kumulatif peubah acak kontinu X dinyatakan sebagai
F
X
(x) =
_
x
−∞
f
X
(x) dx. (1.6)
Definisi 1.8. Jika X adalah peubah acak kontinu dengan fungsi densitas peluang f
X
(x), maka
nilai harapan X didefinisikan sebagai
E(X) =
_

−∞
xf
X
(x) dx. (1.7)
1.1.3 Beberapa Sifat Nilai Harapan
Definisi 1.9. Momen ke-k di sekitar titik asal (moment about the origin) peubah acak X adalah
µ

k
= E(X
k
), (1.8)
dan momen ke-k di sekitar rata-rata (moment about the mean) adalah
µ
k
= E[X −E(X)]
k
= E(X −µ)
k
. (1.9)
Definisi 1.10. Variansi peubah acak X didefinisikan sebagai
var(X) = E[(X −µ)
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 bernilai 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 rata-rata
µ dan variansi σ
2
, maka untuk sembarang k > 0,
P(|X −µ| ≥ kσ) ≤
1
k
2
. (1.12)
1.2 Momen dan Fungsi Pembangkit Momen
Definisi 1.11. Misal X adalah peubah acak, maka nilai harapan
M
X
(t) = E(e
tX
) (1.13)
disebut fungsi pembangkit momen dari X jika nilai harapan ini ada untuk semua nilai t dalam
beberapa interval dengan bentuk −h < t < h untuk beberapa h > 0.
Teorema 1.5. Jika fungsi pembangkit momen peubah acak X ada, maka
E(X
r
) = M
r
X
(0), untuk semua 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
Kompetensi Dasar
Membedakan peubah acak diskrit, peubah acak kontinu, dan distribusi keluarga eksponen-
sial.
Indikator Pencapaian
Mampu memisahkan peubah acak diskrit, kontinu, dan distribusi keluarga eksponensial.
Materi Pokok
2.1 Distribusi-distribusi Diskrit Khusus
2.2 Distribusi-distribusi Kontinu Khusus
2.3 Latihan Soal
2.4 Latihan Soal Teoretis
Bab ini membahas beberapa distribusi khusus, baik diskrit maupun kontinu, yang telah dipela-
jari dalam mata kuliah Pengantar Ilmu Peluang.
2.1 Distribusi-distribusi Diskrit Khusus
2.1.1 Distribusi Bernoulli
Dalam suatu percobaan tunggal terdapat dua kejadian yang menjadi daya tarik, katakanlah
K and komplemennya K

. Kejadian K dan K

menyatakan kejadian munculnya”muka” atau
”belakang” pada pelemparan satu mata uang atau ”rusak” atau ”bagus” pada barang yang dipro-
duksi atau ”sukses” atau ”gagal” pada kejadian lainnya. Misal peluang K terjadi dengan peluang
P(K) = p dan K

terjadi dengan peluang P(K

) = q = 1 −p.
Suatu peubah acak, X, yang menganggap hanya nilai 0 atau 1 disebut peubah Bernoulli, dan
percobaa dengan dua hasil yang mungkin disebut percobaan Bernoulli (Bernoulli trial ). Jika
suatu percobaan menghasilkan hanya ”sukses” (K) dan ”gagal” (K

), maka peubah Bernoulli
yang bersesuaian adalah
X(k) =
_
1, jika k ∈ K;
0, jika k ∈ K

.
(2.1)
Fungsi densitas (massa) peluang X diberikan oleh f
X
(0) = q dan f
X
(1) = p. Distribusi yang
bersesuaian, disebut distribusi Bernoulli (Bernoulli distribution), dan fungsi densitasnya dapat
4
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 5
dinyatakan sebagai
f
X
(x) = p
x
q
1−x
, x = 0, 1. (2.2)
2.1.2 Distribusi Binomial
Apabila percobaan Bernoulli dilakukan secara bebas sebanyak n kali dengan peluang sukses p
pada masing-masing percobaan, dan peubah acak X menyatakan banyaknya sukses. Fungsi
densitas peluang diskrit X diberikan oleh
f
X
(x; n, p) =
_
n
x
_
p
x
q
n−x
, x = 0, 1, . . . , n; 0 < p < 1; q = 1 −p. (2.3)
Peubah acak X berdistribusi binomial dengan parameter n dan p dinotasikan sebagai X ∼
BIN(n, p). Distribusi Bernoulli yang merupakan kejadian khusus dari distribusi binomial dino-
tasikan sebagai X ∼ BIN(1, p).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Binomial
Beberapa hasil penting:
1. Nilai harapan: E(X) = np;
2. Variansi: var(X) = npq;
3. Fungsi pembangkit momen : M
X
(t) = (p e
t
+q)
n
, −∞< t < ∞.
2.1.3 Distribusi Hipergeometrik
Misal suatu populasi terdiri dari beberapa jumlah item tertentu, katakanlah N, dan terdapat
M item tipe 1 dan sisanya N − M item bertipe 2. Misal n item diambil secara acak tanpa
pengembalian, dan misal X menyatakan banyaknya item tipe 1 yang diambil. Fungsi densitas
peluang diskrit 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 Persamaan (2.4) merupakan fungsi densitas peluang dari distribusi hipergeometrik, dino-
tasikan X ∼ HYP(n, M, N).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Hipergeometrik
Beberapa hasil penting:
1. Nilai harapan:
E(X) =
nM
N
; (2.5)
2. Variansi:
var(X) = n
M
N
_
1 −
M
N
__
N −n
N −1
_
; (2.6)
3. Fungsi pembangkit momen : M
X
(t) = (p e
t
+q)
n
, −∞< t < ∞.
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 6
2.1.4 Distribusi Geometrik
Misal kita tertarik untuk mengetahui banyaknya percobaan yang diperlukan untuk memperoleh
sukses pertama dan notasikan ini dengan X, maka fungsi densitas peluang diskritnya dinyatakan
oleh
f
X
(x; p) = pq
x−1
, x = 1, 2, 3, . . . ; 0 < p < 1; q = 1 −p. (2.7)
Bentuk Persamaan (2.7) merupakan fungsi densitas peluang dari distribusi geometrik, dino-
tasikan X ∼ GEO(p).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Geometrik
Beberapa hasil penting:
1. Nilai harapan: E(X) = 1/p.
2. Variansi: var(X) = q/p
2
.
3. Fungsi pembangkit momen : M
X
(t) = p e
t
/(1 −q e
t
).
2.1.5 Distribusi Binomial Negatif
Dalam percobaan Bernouli bebas yang diulang, misal X menyatakan banyaknya percobaan
yang diperlukan untuk memperoleh r sukses. Distribusi peubah acak X merupakan distribusi
binomial negatif (negative binomial ) yang diberikan oleh
f
X
(x; r, p) =
_
x −1
r −1
_
p
r
q
x−r
; (2.8)
dengan x = r, r +1, . . . , ; 0 < p < 1; q = 1 −p. Bentuk Persamaan (2.8) dapat pula dinotasikan
X ∼ NB(r, p).
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Binomial Negatif
Beberapa hasil penting:
1. Nilai harapan: E(X) = r/p.
2. Variansi: var(X) = rq/p
2
.
3. Fungsi pembangkit momen :
M
X
(t) =
_
p e
t
1 −q e
t
_
r
. (2.9)
2.1.6 Distribusi Poisson
Suatu peubah acak diskrit X dikatakan memiliki distribui Poisson dengan parameter λ > 0,
dinotasikan X ∼ POI(λ) apabila ia memiliki fungsi densitas (massa) peluang dengan bentuk
f
X
(x; λ) =
e
−λ
λ
x
x!
; x = 1, 2, . . . . (2.10)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 7
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Poisson
Beberapa hasil penting:
1. Nilai harapan: E(X) = λ.
2. Variansi: var(X) = λ.
3. Fungsi pembangkit momen :
M
X
(t) = exp(λ(exp(t) −1)). (2.11)
Teorema 2.1. Jika X ∼ BIN(n, p), maka untuk setiap nilai x = 0, 1, 2, . . . , dan sebagaimana
p →0 dengan np = λ konstan, maka
lim
n→∞
_
n
x
_
p
x
(1 −p)
n−x
=
e
−λ
λ
x
x!
. (2.12)
2.1.7 Distribusi Seragam Diskrit
Suatu peubah acak diskrit X dikatakan memiliki distribusi seragam diskrit, dinotasikan X ∼
DU(N), jika untuk setiap bilangan bulat 1, 2, . . . , N ia memiliki fungsi densitas peluang dengan
bentuk
f
X
(x) =
1
N
, 1, 2, . . . , N. (2.13)
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Poisson
Beberapa hasil penting:
1. Nilai harapan: E(X) = (N + 1)/2.
2. Variansi: var(X) = (N
2
−1)/12.
3. Fungsi pembangkit momen :
M
X
(t) =
1
N
e
t
−e
(N+1)t
1 −e
t
. (2.14)
2.2 Distribusi-distribusi Kontinu Khusus
Pada sub bab ini akan dibicarakan beberapa distribusi kontinu khusus.
2.2.1 Distribusi Seragam
Suatu peubah acak X dikatakan memiliki distribusi seragam pada selang (a, b) , dinotasikan
X ∼ UNIF(a, b), dengan fungsi densitas peluang
f
X
(x; a, b) =
_
_
_
1
b −a
, untuk a < x < b;
0, untuk x lainnya.
(2.15)
Fungsi distribusi kumulatif X ∼ UNIF(a, b) memiliki bentuk
F
X;a,b
=
_
¸
¸
_
¸
¸
_
0, jika x ≤ a;
x −a
b −a
, jika a < x < b;
1, jika b ≤ x.
(2.16)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 8
Rata-rata, Variansi, dan Fungsi Pembangkit Momen Distribusi Seragam Kontinu
Beberapa hasil penting:
1. Nilai harapan: E(X) = (a +b)/2.
2. Variansi: var(X) = (b −a)
2
/12.
3. Fungsi pembangkit momen :
M
X
(t) =
e
bt
−e
at
(b −a)t
. (2.17)
2.2.2 Distribusi Gamma
Definisi 2.1 (Bain and Engelhardt (1992)). Fungsi gamma, dinotasikan Γ(κ) untuk semua
κ > 0, didefinisikan sebagai
Γ(κ) =
_

0
t
κ−1
e
−t
dt. (2.18)
Jika κ = 1 maka
Γ(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 berikut.
Teorema 2.2. Fungsi gamma memiliki sifat-sifat berikut:
1. Γ(κ) = (κ −1)Γ(κ −1), untuk k > 1;
2. Γ(n) = (n −1)!, untuk n = 1, 2, . . . ;
3. Γ(1/2) =

π.
Bukti: Akan ditunjukkan sifat 1 dengan integral bagian. Misal u = t
κ−1
, du = (κ − 1)t
κ−2
,
dv = exp(−t) dan v = −exp(−t). Sehingga
Γ(κ) = (κ −1)Γ(κ −1), untuk k > 1 (2.20)
menjadi
Γ(κ) = t
κ−1
(−e
−t
) −
_

0
(−e
−t
)(κ −1)t
κ−2
dt
= −t
κ−1
e
−t
¸
¸
¸
¸

0
+
_

0
e
−t
(κ −1)t
κ−2
dt
= 0 + (κ −1)
_

0
t
κ−2
e
−t
dt
= (κ −1)Γ(κ −1), κ > 1.
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 9
Selanjutnya akan ditunjukkan sifat 2. Bila n adalah bilangan bulat maka
Γ(n) = (n −1)Γ(n −1)
= (n −1)(n −2)Γ(n −2)
= · · ·
= (n −1)(n −2) · · · 3 · 2 · 1Γ(1)
= (n −1)(n −2) · · · 3 · 2 · 1
= n!.
Kemudian akan ditunjukkan sifat 3.
Γ(1/2) =
_

0
t
1/2−1
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, maka
Persamaan (2.21) menjadi
Γ(1/2) =
_

0
x
−1
e
−x
2
2xdx
=
_

0
2 e
−x
2
dx. (2.23)
(2.24)
Menggandakan Persamaan (2.23) diperoleh
[Γ(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)
Untuk menyelesaikan integral pada Persamaan (2.25), lakukan transformasi koordinat kutub.
Misal x = r cos θ dan y = r sin θ; sehingga x
2
+y
2
= r
2
cos
2
θ+r
2
sin
2
θ = r
2
(cos
2
θ+sin
2
θ) = r
2
.
Kemudian turunan parsial masing-masing peubah terhadap r dan θ adalah sebagai berikut
∂x
∂r
= cos θ,
∂x
∂θ
= −r sin θ,
∂y
∂r
= sin θ,
∂y
∂θ
= r cos θ.
Dengan demikian diperoleh Jacobian,
J =
¸
¸
¸
¸
¸
¸
cos θ −r sin θ
sin θ r cos θ
¸
¸
¸
¸
¸
¸
= r cos
2
+r sin
2
θ
= r.
Sehingga integral Persamaan (2.25) menjadi
[Γ(1/2)]
2
=
_
π/2
0
_

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

0
e
−u
dudθ
= 2
_
π/2
0
_
−e
−u
¸
¸
¸
¸

0
_

= 2
_
π/2
0
(−e
−∞
+e
0
) dθ
= 2
_
π/2
0

= 2θ
¸
¸
¸
¸
π/2
0
= π −0
= π.
Jadi diperoleh Γ(1/2) =

π.
Suatu peubah acak kontinu X dikatakan berdistribusi gamma dengan parameter θ > 0 dan
κ > 0 jika memiliki fungsi densitas peluang dengan bentuk
f
X
(x; θ, κ) =
_
_
_
1
θ
κ
Γ(κ)
x
κ−1
e
−x/θ
, untuk 0 < x < ∞;
0, untuk x lainnya;
(2.26)
dan dinotasikan X ∼ GAM(θ, κ). Bentuk (2.26) juga dapat direparameterisasi sebagai
f
X
(x; θ, κ) =
_
_
_
θ
κ
Γ(κ)
x
κ−1
e
−xθ
, untuk 0 < x < ∞;
0, untuk x lainnya;
(2.27)
Lihat Rice (2007), halaman 53 untuk bentuk fungsi densitas peluang persamaan(2.27).
Diskusi: Tunjukkan bahwa persamaan (2.27) adalah fungsi densitas peluang.
Parameter κ disebut parameter bentuk (shape parameter) karena menentukan bentuk dasar
grafik fungsi densitas peluang. Secara umum ada tiga bentuk dasar bergantung pada apakah
κ < 1, κ = 1, atau κ > 1. Sementara itu, parameter θ disebut parameter skala (scale parameter).
Mengubah nilai θ bersesuaian dengan mengubah-ubah unit-unit pengukuran (katakanlah dari
detik ke menit).
Untuk memeriksa apakah integral persamaan (2.26) adalah fungsi densias peluang gunakan
teknik substitusi. Dengan kata lain, untuk memeriksa
_

0
1
θ
κ
Γ(κ)
x
κ−1
e
−x/θ
dx = 1 (2.28)
lakukan substitusi dengan t = x/θ, dt = (1/θ) dx, dengan batas-batas pengintegralan tidak
berubah. Sehingga
_

0
1
θ
κ
Γ(κ)
x
κ−1
e
−x/θ
dx =
_

0
θ
κ
Γ(κ)
(θt)
κ−1
e
−t
dt
=
_

0
1
θΓ(κ)
θ
κ−1
t
κ−1
e
−t
θ dt
=
θ
κ−1
Γ(κ)θ
θ
κ
Γ(κ)
= 1. (2.29)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 11
Fungsi Distribusi Kumulatif
Fungsi distribusi kumulatif X ∼ GAM(θ, κ) adalah
F
X
(x; θ, κ) =
_
x
0
1
θ
κ
Γ(κ)
x
κ−1
e
−x/θ
dt. (2.30)
Integral bentuk (2.30) secara umum tidak dapat diselesaikan secara eksplisit, namun bila κ
adalah bilangan bulat positif, katakanlah κ = n, maka integralnya dapat dinyatakan sebagai
penjumlahan.
Teorema 2.3. Jika X ∼ GAM(θ, n), dengan n adalah bilang bulat positif maka fungsi distribusi
kumulatifnya dapat ditulis
F
X
(x; θ, n) = 1 −
n−1

i=0
(x/θ)
i
i!
e
−x/2
. (2.31)
Bukti: Stone (1996) Akan ditunjukkan Persamaan (2.31) dengan induksi. Untuk n = 1:
F
X
(x; θ, 1) = 1 −e
−x/θ
0

i=0
(x/θ)
0
0!
= 1 −e
−x/θ
. (2.32)
[Catatan: jika jika n = 1 maka X ∼ EXP(θ), sehingga F
X
(x) = 1 −exp(−x/θ)].
Selanjuntya akan ditunjukkan benar untuk n + 1:
F
X
(x; θ, n + 1) =
_
x
0
t
n+1−1
θ
n+1
Γ(n + 1)
e
−t/θ
dt
=
_
x
0
t
n
θ
n+1
(n + 1 −1)!
e
−t/θ
dt
=
_
x
0
t
n
θ
n+1
n!
e
−t/θ
dt
=
_
x
0
t
n
θ
n
n!
d
_
−e
−t/θ
_
= −
t
n
θ
n
n!
e
−t/θ
¸
¸
¸
¸
t=x
t=0
+
_
x
0
nt
n−1
θ
n
n!
e
−t/θ
dt
= −
x
n
e
−x/θ
θ
n
n!
−0 +
_
x
0
nt
n−1
θ
n
n!
e
−t/θ
dt
=
_
x
0
nt
n−1
θ
n
n!
e
−t/θ
dt −
x
n
e
−x/θ
θ
n
n!
. (2.33)
Dengan hipotesis induksi
F
X
(x; θ, n) = 1 −
n−1

i=0
(x/θ)
i
i!
e
−x/2

x
n
e
−x/θ
θ
n
n!
= 1 −
n

i=0
(x/θ)
i
i!
e
−x/2
. (2.34)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 12
Rata-rata dan Varians
Nilai tengah atau rata-rata dari X ∼ GAM(θ, κ) diperoleh sebagai berikut:
E(X) =
_

0
x
1
θ
κ
Γ(κ)
x
κ−1
e
−x/θ
dx
=
1
θ
κ
Γ(κ)
_

0
x
(1+κ)−1
e
−x/θ
dx
=
θ
1+κ
Γ(1 +κ)
θ
κ
Γ(κ)
_

0
x
(1+κ)−1
θ
1+κ
Γ(1 +κ)
e
−x/θ
dx
=
θ
1+κ
Γ(1 +κ)
θ
κ
Γ(κ)
=
θκΓ(κ)
Γ(κ)
= θκ. (2.35)
dan
E(X
2
) =
_

0
x
2
1
θ
κ
Γ(κ)
x
κ−1
e
−x/θ
dx
=
1
θ
κ
Γ(κ)
_

0
x
(2+κ)−1
e
−x/θ
dx
=
θ
2+κ
Γ(2 +κ)
θ
κ
Γ(κ)
_

0
x
(2+κ)−1
θ
2+κ
Γ(2 +κ)
e
−x/θ
dx
=
θ
2+κ
Γ(2 +κ)
θ
κ
Γ(κ)
=
θ
2
(1 +κ)Γ(1 +κ)
Γ(κ)
=
θ
2
(1 +κ)κΓ(κ)
Γ(κ)
= θ
2
(1 +κ)κ. (2.36)
Dengan demikian
var(X) = E(X
2
) −[E(X)]
2
= θ
2
(1 +κ)κ −[θκ]
2
= θ
2

2
+κ) −θ
2
κ
2
= θ
2
κ
2

2
κ −θ
2
κ
2
= θ
2
κ. (2.37)
Fungsi pembangkit momen
Fungsi pembangkit momen X ∼ GAM(θ, κ) dapat dihitung sebagai berikut.
M
X
(t) =
_

0
e
tx
x
κ−1
θ
κ
Γ(κ)
e
−x/θ
dx
=
_

0
x
κ−1
e
−x(1−tθ)/θ
θ
κ
Γ(κ)
dx (2.38)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 13
Untuk menyelesaikan integral persamaan (2.38) lakukan substitusi u = x(1 − θt)/θ dengan
t < 1/θ atau x = θu(1 −θt) sehingga dx = (θ/(1 −θt)) du. Dengan demikian
M
X
(t) =
_

0
θ
θ
κ
Γ(κ)(1 −θt)
_
θu
1 −θt
_
κ−1
e
−u
du
=
_

0
θθ
κ−1
u
κ−1
θ
κ
Γ(κ)(1 −θt)(1 −θt)
κ−1
e
−u
du
=
_

0
u
κ−1
Γ(κ)(1 −θt)
κ
e
−u
du
=
1
(1 −θt)
κ
_

0
u
κ−1
Γ(κ)
e
−u
du
=
1
(1 −θt)
κ
Γ(κ)
Γ(κ)
=
1
(1 −θt)
κ
= (1 −θt)
−κ
, t < 1/θ. (2.39)
Dengan mengetahui fungsi pembangkit momen, kita juga dapat menghitung momen pertama
dan kedua, yakni E(X) dan E(X
2
). Menurunkan persamaan (2.39) terhadap t diperoleh
M

X
(t) = (−κ)(1 −θt)
−κ−1
(−θ) (2.40)
dan
M

X
(t) = (−κ)(−κ −1)(1 −θt)
−κ−2
(−θ)(−θ). (2.41)
Selanjutnya
E(X) = M

X
(0) = (−κ)(1 −θ · 0)
−κ−1
(−θ)
= θκ (2.42)
dan
(2.43)
E(X
2
) = M

X
(0) = (−κ)(−κ −1)(1 −θ · 0)
−κ−2
(−θ)(−θ)
= (−κ)(−κ −1)θ
2
= κ(κ + 1)θ
2
= θ
2
κ(κ + 1). (2.44)
Dengan menggunakan hasil dari Persamaan (2.42) dan (2.44) maka akan diperoleh varians
seperti pada Persamaan (2.37).
Turunan ke-r dapat dihitung sebagai berikut
M
(r)
X
(t) = (κ +r −1) · · · (κ + 1)κθ(1 −θt)
−κ−r
=
Γ(κ +r)
Γ(κ)
θ
r
(1 −θt)
−κ−r
. (2.45)
Momen ke-r dihasilkan dari M
(r)
X
(0), yakni
E(X
r
) =
Γ(κ +r)
Γ(κ)
θ
r
(1 −θ · 0)
−κ−r
=
Γ(κ +r)
Γ(κ)
θ
r
. (2.46)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 14
Sebagai contoh momen ketiga, yakni
E(X
3
) =
Γ(κ + 3)θ
3
Γ(κ)
=
(κ + 2)(κ + 1)κΓ(κ)θ
3
Γ(κ)
= (κ + 2)(κ + 1)κθ
2
(2.47)
Diskusi:Bagaimana cara menghitung fungsi gamma?
Program Rmemiliki fungsi gamma untuk menghitung fungsi gamma, baik untuk bilangan
bulat maupun pecahan. Perhatikan contoh berikut:
> gamma(4)
[1] 6
> gamma(5/3)
[1] 0.9027453
Distribusi gamma dengan parameter θ = 2 dan κ = 1 disebut distribusi khi kuadrat (chi-
square). Distribusi ini banyak berperan dalam teknik pengambilan sampel. Selanjunya apabila
X ∼ GAM(θ, 1) maka X dikatakan berdistribusi eksponensial dengan parameter θ, dinotasikan
X ∼ EXP(θ).
Aplikasi
Menurut Rice (2007), Wackerly et al. (2002), dan Hogg and Craig (1995) distribusi gamma
cocok digunakan untuk memodelkan peubah 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 pesawat terbang, memodelkan antrian pada saat pembayaran di kasir supermarket, dan
lama waktu perawatan (maintenance) mobil. Selanjutnya Rice (2007) mencontohkan pencarian
pola dalam penentuan gempa 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 Eksponensial
Suatu peubah acak X dikatakan berdistribusi eksponensial dengan parameter θ > 0, dinotasikan
X ∼ EXP(θ) jika memiliki fungsi densitas peluang dengan bentuk
f
X
(x; θ) =
_
_
_
1
θ
e
−x/θ
, jika 0 < x; 0 < θ;
0, jika x lainnya.
(2.48)
Distribusi eksponensial dengan parameter θ, yakni EXP(θ) adalah kejadian khusus dari
distribusi gamma dengan parameter κ = 1 , yakni GAM(θ, 1). Dengan demikian sifat-sifat
distribusi gamma berlaku untuk distribusi eksponensial.
Fungsi distribusi kumulatif
Fungsi distribusi kumulatif X dapat dinyatakan sebagai
F
X
(x; θ) = 1 −e
−x/θ
, jika 0 < x. (2.49)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 15
Hasil ini diperoleh dari Teorema 2.3 dengan kasus n = 1 atau dengan menghitung langsung
integral persamaan (2.49), yakni
F
X
(x) =
_
x
0
1
θ
e
−t/θ
dt
=
_
x
0
1
θ
θ d
_
−e
−t/θ
_
=
_
x
0
d
_
−e
−t/θ
_
= −e
−t/θ
¸
¸
¸
¸
x
0
= −e
x
−(−e
0
)
= 1 −e
−x/θ
. (2.50)
Rata-rata dan varians
Rata-rata dan varians juga merupakan hasil khusus dari distribusi GAM(θ, 1). Lihat Per-
samaan (2.35) dan (2.37) untuk rata-rata dan varians distribusi gamma. Dengan memanfaatkan
kedua hasil ini serta mensubstitusikan κ = 1 maka diperoleh E(X) = θκ = θ · 1 = θ dan
var(X) = θ
2
κ = θ
2
· 1 = θ
2
.
Diskusi: Carilah E(X), E(X
2
), dan var(X) dengan mengintegralkan secara langsung kemudian
bandingkan hasilnya.
Fungsi pembangkit momen
Dengan analogi yang sama maka fungsi pembangkit momen untuk distribusi eksponensial adalah
fungsi pembangkit momen dari distribusi GAM(θ, 1) sehingga diperoleh
M
X
(t) = (1 −θt)
−1
. (2.51)
Diskusi: Carilah M
X
(t) dengan mengintegralkan secara langsung.
2.2.4 Distribusi Normal
Distribusi normal pertama kali dipublikasikan oleh Abraham de Moivre pada tahun 1733 sebagai
suatu pendekatan terhadap distribusi jumlah peubah acak binomial.
Suatu peubah acak X dikatakan berdistribusi normal (atau Gauss) dengan rata-rata µ dan
varians σ
2
, dinotasikan X ∼ N(µ, σ
2
) jika ia memiliki fungsi densitas peluang dengan bentuk
f
X
(x; µ, σ) =
1

2πσ
e

(x −µ)
2

2
, −∞< x < ∞, −∞< µ < ∞, 0 < σ < ∞. (2.52)
Misal didefinisikan
I =
_

0
f
X
(x; µ, σ) dx
=
_

0
1

2πσ
e
−[(x−µ)/σ]
2
/2
dx (2.53)
Untuk memeriksa apakah fungsi integral fungsi densitas peluang ini sama dengan 1, gu-
nakan teknik substitusi, misal z = (x − µ)/σ dengan dx = σ dz. Perhatikan bahwa f(z) =
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 16
(1/sqrt 2π) exp(−z
2
) adalah fungsi genap, yakni f(z) = f(−z). Dengan demikian
I =
_

−∞
f(x; µ, σ) dx
=
_

−∞
1


e
−z
2
/2
dz
= 2
_

0
1


e
−z
2
/2
dz. (2.54)
Apabila 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

π
e
−w
dw
=
Γ(1/2)

π
=
Γ(

π)
Γ(

π)
= 1. (2.55)
Lihat kembali sifat-sifat fungsi gamma untuk memahami hasil integral pada persamaan (2.55).
Fungsi distribusi kumulatif normal standar
Integran yang diperoleh dengan substitusi z = (x−µ)/σ disebut fungsi densitas peluang normal
standar, dinotasikan φ(z), yakni
φ(z) =
1


e
−z
2
/2
, −∞< z < ∞. (2.56)
Jika peubah acak Z memiliki fungsi densitas peluang dengan bentuk (2.56), maka Z ∼ N(0, 1).
Fungsi distribusi kumulatif normal standar diberikan oleh
Φ(z) =
_
z
−∞
φ(t) dt. (2.57)
Berikut ini sifat-sifat geometrik fungsi densitas peluang normal standar.
1. Untuk semua bilangan real z, fungsi φ(z) adalah fungsi genap, yakni φ(z) = φ(−z). De-
ngan kata lain distribusi normal standar simetrik pada z = 0.
2. Berdasarkan sifat khusus pada sifat 1, diperoleh
φ

(z) = −zφ(z) (2.58)
dan
φ

(z) = (z
2
−1)φ(z). (2.59)
3. Sebagai konsekuensi φ(z) memiliki nilai maksimum tunggal (unique maximum) pada z = 0
dan titik infleksi pada z = ±1. Perhatikan juga bahwa φ(z) →0 dan
φ

(z) =
−z

2π exp(z
2
/2)
→0 (2.60)
sebagaimana z →±∞.
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 17
Rata-rata dan varians
Dengan menggunakan sifat-sifat penting fungsi densitas peluang normal standar dapat dihitung
E(Z) dan E(Z
2
):
E(Z) =
_

−∞
zφ(z) dz
= −
_

−∞
φ

(z) dz
= −φ(z)
¸
¸
¸
¸

−∞
= 0, (lihat sifat 3) (2.61)
dan
E(Z
2
) =
_

−∞
z
2
φ(z) dz
=
_

−∞

(z) +φ(z)] dz
= φ

(z)
¸
¸
¸
¸

−∞
+
_

−∞
φ(z) dz
= 0 + 1
= 1. (2.62)
Dengan demikian var(Z) = E(Z
2
) −[E(Z)]
2
= 1 −0 = 1. Selanjutnya untuk X ∼ N(µ, σ
2
)
maka E(X) dan E(X
2
) juga dapat dihitung dengan terlebih dahulu melakukan substitusi z =
(x −µ)/σ atau x = σz +µ sehingga dx = σ dz. Kita peroleh
E(X) =
_

−∞
x

2πσ
exp
_

1
2
_
x −µ
σ
_
2
_
dx
=
_

−∞
(σz +µ)

2πσ
exp(−z
2
/2)σ dz
=
_

−∞
(σz +µ)


exp(−z
2
/2) dz
=
_

−∞
(σz +µ)φ(z) dz
=
_

−∞
σzφ(z) dz +µ
_

−∞
φ(z) dz
= σ
_

−∞
zφ(z) dz +µ
_

−∞
φ(z) dz
= 0 +µ · 1
= µ. (2.63)
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 18
Selanjutnya
E(X
2
) =
_

−∞
x
2

2πσ
exp
_

1
2
_
x −µ
σ
_
2
_
dx
=
_

−∞
(σz +µ)
2

2πσ
exp(−z
2
/2)σ dz
=
_

−∞
(σz +µ)
2


exp(−z
2
/2) dz
=
_

−∞
(σz +µ)
z
φ(z) dz
=
_

−∞

2
z
2
+ 2σzµ +µ
2
)φ(z) dz
=
_

−∞
σ
2
z
2
φ(z) dz +
_

−∞
2σzµφ(z) dz +
_

−∞
µ
2
φ(z) dz
= σ
2
_

−∞
z
2
φ(z) dz + 2σµ
_

−∞
zφ(z) dz +µ
2
_

−∞
φ(z) dz
= σ
2
· 1 + 0 +µ
2
· 1
= σ
2

2
. (2.64)
Dengan demikian diperoleh
var(X) = E(Z
2
) −[E(Z)]
2
= σ
2

2
−µ
2
= σ
2
. (2.65)
Teorema 2.4. Jika X ∼ N(µ, σ
2
), maka
(a). peubah acak Z = (X −µ)/σ ∼ N(0, 1),
(b). fungsi distribusi X
F
X
(x) = Φ
_
x −µ
σ
_
. (2.66)
Bukti: Akan dibuktikan sifat (a) menggunakan definisi fungsi distribusi
F
Z
(z) = P(Z ≤ z)
= P
_
X −µ
σ
≤ z
_
= P(X ≤ µ +σz)
=
_
µ+zσ
−∞
1

2πσ
exp
_

1
2
_
x −µ
σ
__
dx.
Dengan substitusi w = (x −µ)/σ atau x = µ + 2σ diperoleh batas-batas untuk x = −∞ maka
w = −∞ dan untuk x = µ +zσ diperoleh w = z. Sehingga
F
Z
(z) =
_
z
−∞
1

2πσ
e
−z
2
/2
σ dz
=
_
z
−∞
1


e
−z
2
/2
dz
=
_
z
−∞
φ(z) dz
= Φ(z).
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 19
Dengan menurunkan f
Z
(z) = F

Z
(z) = (

2π)
−1
e
−z
2
/2
. Jadi Z = (X − µ)/σ ∼ N(0, 1).
Selanjutnya untuk sifat (b)
F
X
(x) = P(X ≤ x)
= P
_
X −µ
σ

x −µ
σ
_
= Φ
_
x −µ
σ
_
Fungsi pembangkit momen
Untuk menentukan fungsi pembangkit momen distribusi normal terlebih dahulu diperhatikan
fungsi pembangkit momen distribusi normal standar.
M
Z
(t) =
_

−∞
1


exp(tz) exp(−z
2
/2) dz
=
_
−∞
−∞
1


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

−∞
1


exp[−(z −t)
2
/2] dz
= exp(t
2
/2) · 1
= exp(t
2
/2). (2.67)
Kita tahu bahwa Z = (X −µ)/σ ∼ N(0, 1) sehingga X = Zσ +µ. Dengan demikian
M
X
(t) = M
σZ+µ
(t)
= exp(µt)M
Z
(σt)
= exp(µt) exp[(σt)
2
/2]
= exp[µt + (σ
2
t
2
)/2] (2.68)
2.2.5 Distribusi Weibull
Distribusi Weibull merupakan salah satu distribusi yang banyak digunakan dalam bidang pengu-
jian tahan hidup benda. Distribusi ini diberi nama setelah fisikawan W. Weibull, menyarankan
penggunaannya pada berbagai aplikasi, terutama uji kelelahan dan kekuatan material.
Peubah acak kontinu X dikatakan memiliki distribusi Weibull dengan parameter θ > 0 dan
β > 0 untuk x > 0, dinotasikan WEI(θ, β), bila memiliki fungsi densitas peluang dengan bentuk
f
X
(x; θ, β) =
_
_
_
β
θ
β
x
β−1
e
−(x/θ)
β
, jika x > 0;
0, jika x lainnya.
(2.69)
Parameter β disebut parameter bentuk (shape parameter). Seperti halnya pada distribusi
gamma, maka akan ada tiga bentuk dasar bergantung pada β < 1, β = 1, atau β > 1.
Fungsi distribusi 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) =
_

0
β
θ
β
xx
β−1
e
−(x/θ)
β
dx
=
β
θ
β
_

0
x
(1+β)−1
e
−(x/θ)
β
dx (2.70)
Untuk menyelesaikan Persamaan (2.70) lakukan substitusi (x/θ)
β
= u, sehingga dx = [(θu
1/2−1
)/β] du.
Dengan demikian
E(X) =
β
θ
β
_

0
(θu
1/β
)
1+β−1
e
−u
θ
β
u
1/β−1
du
=
β
θ
β
_

0
(θu
1/β
)
β
e
−u
θ
β
u
1/β−1
du
=
β
θ
β
_

0
θ
β
ue
−u
θ
β
u
1/β−1
du
= θ
_

0
u
(1+1/β)−1
e
−u
du
= θΓ
_
1 +
1
β
_
. (2.71)
Selanjutnya untuk menghitung E(X
2
) lakukan substitusi seperti pada waktu menghitung E(X).
E(X
2
) =
_

0
β
θ
β
x
2
x
β−1
e
−(x/θ)
β
dx
=
β
θ
β
_

0
x
(2+β)−1
e
−(x/θ)
β
dx
=
β
θ
β
_

0
(θu
1/β
)
β+1
e
−u
θ
β
u
1/β−1
du
=
β
θ
β
_

0

β+1
u
(1+1/β
)) e
−u
θ
β
u
(1/β−1)
du
= θ
2
_

0
u
(2/beta+1)−1
e
−u
du
= θ
2
Γ
_
1 +
2
β
_
. (2.72)
Berdasarkan Persamaan (2.70) dan (2.72) diperoleh
var(X) = E(X
2
) −[E(X)]
2
= θ
2
Γ
_
1 +
2
β
_

_
θΓ
_
1 +
1
β
__
2
= θ
2
_
Γ
_
1 +
2
β
_
−θΓ
2
_
1 +
1
β
__
. (2.73)
2.2.6 Fungsi pembangkit momen
Fungsi pembangkit momen distribusi Weibull menghasilkan bentuk yang tidak terlacak (not
tractable).
2.3 Latihan Soal
2-1 Waktu tahan hidup (survival time) dalam hari suatu tikus putih yang bergantung pada
tingkat radiasi sinar X adalah peubah 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 sifat fungsi distribusi gamma]
2-2 Waktu (dalam menit) sampai pelanggan ketiga memasuki supermarket adalah peubah 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 setelah jam 08.10.
2-3 Jika X ∼ GAM(1, 2) hitunglah modusnya.
2-4 Misal peubah acak X berdistribusi gamma dengan fungsi densitas peluang
f
X
(x; β) =
_
_
_
1
β
2
xe
−x/β
, untuk 0 < x < ∞;
0, untuk x lainnya.
Jika x = 2 adalah modus tunggal (unique mode) dari distribusi, hitunglah parameter β.
2-5 Jika fungsi pembangkit momen peubah 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 Misal suatu LCD proyektor menghasilkan jumlah cahaya (dalam lumens) dan dianggap
berdistribusi normal dengan rata-rata µ = 350 dan varians σ
2
= 400.
a) Hitunglah P(325 < X < 363).
b) Carilah nilai c sehingga jumlah cahaya yang dihasilkan 90% cahaya LCD melebihi c
lumens.
2-8 Misal X ∼ N(1, 2).
a) Hitung E(X −1)
4
.
b) Hitung E(X
4
).
2.4 Latihan Soal Teoretis
2-1* Jika κ > 1, tunjukkan bahwa densitas gamma memiliki nilai maksimum pada (κ −1)/θ.
2-2* Fungsi gamma adalah fungsi faktorial yang diperumum (generalized factorial function).
a) Tunjukkan bahwa Γ(x + 1) = xΓ(x).
BAB 2. DISTRIBUSI-DISTRIBUSI PELUANG KHUSUS 22
b) Gunakan fakta bahwa Γ(1/2) =

π untuk menunjukkan bahwa jika n adalah bilangan
bulat ganjil maka
Γ(n/2) =

π(n −1)!
2
n−1
_
n −1
2
_
!
.
2-3* Tunjukkan dengan teknik pengubahan variabel (change of variable) bahwa
Γ(x) = 2
_

0
t
2x−1
e
−t
2
dt
=
_

−∞
e
xt
e
−e
t
dt.
BAB 3
PEUBAH ACAK BERGANDA
Kompetensi Dasar
Membedakan sifat-sifat nilai harapan dan fungsi pembangkit momen.
Indikator Pencapaian
Mampu memisahkan sifat-sifat nilai harapan, harapan bersyarat, dan fungsi pembangkit
momen.
Materi Pokok
3.1 Distribusi Bersama dan Marginal
3.2 Peubah Acak Bebas
3.3 Distribusi Bersyarat
3.4 Latihan Soal
Dalam banyak aplikasi biasanya terdapat lebih dari satu peubah acak yang menjadi objek
penelitian, katakanlah X
1
, . . . , X
k
. Secara matematis akan lebih mudah mengganggap peubah-
peubah ini sebagai komponen dari vektor dimensi k, X = X
1
, . . . , X
k
, dan juga nilai-nilai
x = (x
1
, . . . , x
k
) dalam ruang Euclid berdimensi k. Nilai amatan x dapat merupakan hasil dari
pengukuran karakteristik-karakteristik sebanyak k, atau hasil dari pengukuran satu karakteristik
sebanyak k kali (hasil dari k kali percobaan yang diulang pada satu peubah saja).
3.1 Distribusi Bersama dan Marginal
3.1.1 Distribusi Diskrit Bersama
Definisi 3.1 (Fungsi densitas peluang bersama). Fungsi densitas peluang bersama (joint proba-
bility distribution function) dari peubah acak diskrit dimensi k, X = (X
1
, . . . , X
k
), didefinisikan
sebagai
f
X
1
,...,X
k
(x
1
, . . . , x
k
) = P(X
1
= x
1
, X
2
= x
2
, . . . , X
k
= x
k
)
untuk semua nilai yang mungkin X = (x
1
, . . . , x
k
) dari X.
Dalam konteks ini, notasi (X
1
= x
1
, X
2
= x
2
, . . . , X
k
= x
k
) menyatakan irisan k kejadian
(X
1
= x
1
), (X
2
= x
2
) ∩ · · · ∩ (X
k
= x
k
).
Contoh 3.1. Sebuah kotak berisi 1000 bola, 500 berwarna merah, 400 berwarna putih, dan
100 berwarna biru. Jika sepuluh bola dipilih secara acak tanpa pengendalian, maka jumlah
23
BAB 3. PEUBAH ACAK BERGANDA 24
bola merah, X
1
, dan jumlah bola putih, X
2
, dalam sampel adalah peubah acak diskrit yang
berdistribusi bersama. Fungsi densitas bersama pasangan (X
1
, X
2
) dinyatakan oleh
f
X
1
,X
2
(x
1
, x
2
) =
_
500
x
1
__
400
x
2
__
100
10 −x
1
−x
2
_
_
1000
10
_
untuk semua 0 ≤ x
1
, 0 ≤ x
2
, dan x
1
+x
2
≤ 10.
3.1.2 Distribusi Hypergeometrik yang Diperluas
Misal suatu koleksi terdiri dari suatu jumlah item tertentu N, dan terdapat k +1 jenis berbeda;
M
1
jenis 1, M
2
jenis 2, dan seterusnya. Pilih n item secara acak tanpa pengembalian, dan
misal X
i
adalah jumlah item jenis i yang terpilih. Vektor X = (X
1
, . . . , X
k
) berdistribusi
hipergeometrik diperluas (extended hypergeometric distribution) dengan fungsi densitas peluang
dalam bentuk
f
X
1
,...,X
k
(x
1
, . . . , x
k
) =
_
M
1
x
1
__
M
2
x
2
_
· · ·
_
M
k
x
k
__
M
k+1
x
k+1
_
_
N
n
_
untuk semua 0 ≤ x
i
≤ M
i
, dengan M
k+1
= N −

k
i=1
M
i
dan x
k+1
= n −

k
i=1
x
i
. Notasi
khusus untuk distribusi ini adalah
X ∼ HYP(n, M
1
, M
2
, . . . , M
k
, N).
Apabila pengambilan sampel dilakukan dengan pengembalian, maka vektor X akan berdis-
tribusi multinomial.
3.1.3 Distribusi Multinomial
Misal terdapat k+1 kejadian saling lepas (mutually exclusive) dan exhaustive, yakni, E
1
, E
2
, . . . , E
k
, E
k+1
,
yang dapat terjadi pada setiap percobaan, dan misal p
i
= P(E
i
) untuk i = 1, 2, . . . , k + 1.
Pada setiap n kali percobaan bebas, misalkan X
i
adalah banyaknya kejadian E
i
. Vektor
X = (X
1
, . . . , X
k
) dikatakan memiliki distribusi multinomial, dengan fungsi densitas bersama
dalam bentuk
f
X
1
,...,X
k
(x
1
, . . . , x
k
) =
n!
x
1
!x
2
! · · · x
k+1
!
p
x
1
1
p
x
2
2
· · · p
x
k+1
k+1
(3.1)
untuk semua 0 ≤ x
i
≤ n, dimana x
k+1
= n −

k
i=1
x
i
dan p
k+1
= 1 −

k
i=1
p
i
. Notasi untuk
distribusi ini adalah
X ∼ MULT(n, p
1
, p
2
, . . . , p
k
).
Persamaan (3.1) mirip dengan distribusi binomial. Untuk terjadinya E
i
sebanyak x
i
kali, diper-
lukan permutasi E
1
sebanyak x
1
, E
2
sebanyak x
2
, dan seterusnya. Banyaknya permutasi untuk
kejadian-kejadian tersebut adalah
n!
(x
1
!)(x
2
!) · · · (x
k+1
!)
,
dan masing-masing permutasi terjadi dengan peluang p
x
1
1
p
x
2
2
· · · p
x
k+1
k+1
.
Contoh 3.2. Sebuah dadu bermata empat dilemparkan sebanyak 20 kali, dan munculnya
masing-masing sisi dicatat. Peluang mendapatkan empat mata 1, enam mata 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 BERGANDA 25
Teorema 3.1. Suatu fungsi f
X
1
,...,X
k
(x
1
, . . . , x
k
) adalah fungsi densitas peluang bersama untuk
beberapa peubah acak bernilai vektor X = (X
1
, . . . , X
k
) jika dan hanya jika sifat-sifat berikut
dipenuhi:
f
X
1
,...,X
k
(x
1
, . . . , x
k
) ≥ 0 untuk semua nilai yang mungkin (x
1
, . . . , x
k
)
dan

x
1
· · ·

x
k
f(x
1
, . . . , x
k
) = 1.
Dalam kasus dua dimensi, akan lebih mudah menyajikan fungsi densitas bersama dalam ben-
tuk tabel, lebih khusus lagi, jika bentuk fungsional untuk fungsi densitas bersama f
X
1
,X
2
(x
1
, x
2
)
tidak diketahui. Misal (X
1
, X
2
) ∼ MULT(3; 0,4, 0,4). Bentuk tabel untuk nilai fungsi densitas-
nya adalah sebagai berikut:
x
2
0 1 2 3
0 0,008 0,048 0,096 0,064 0,216
x
1
1 0,048 0,192 0,192 0,000 0,432
2 0,096 0,192 0,000 0,000 0,288
3 0,064 0,000 0,000 0,000 0,064
0,216 0,432 0,288 0,064 1
Dengan melihat tabel diatas, kita tertarik untuk menghitung peluang "marjinal", yakni
P(X
1
= 1), tanpa memperhatikan nilai X
2
. Relatif terhadap ruang sampel bersama, X
2
mem-
punyai pengaruh pada partisi kejadian, katakanlah A, bahwa X
1
= 1; penghitungan peluang
marjinal P(A) = P(X
1
= 1) menjadi
P(A) =
3

j=0
P(X
1
= 1, X
2
= j)
=
3

j=0
f
X
1
,X
2
(1, j)
=

x
2
f(1, x
2
)
= 0,432.
Definisi 3.2 (Fungsi densitas marjinal). Jika pasangan peubah acak diskrit (X
1
, X
2
) memiliki
fungsi densitas bersama f
X
1
,X
2
(x
1
, x
2
), maka fungsi densitas 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 26
Contoh 3.3. Misal (X
1
, X
2
) ∼ MULT(n, p
1
, p
2
), maka fungsi densitas marjinal X
1
adalah
f
X
1
(x
1
) =

x
2
f
X
1
,X
2
(x
1
, x
2
)
=
n−x
1

x
2
=0
f
X
1
,X
2
(x
1
, x
2
)
=
n!
x
1
!(n −x
1
)!
p
x
1
1
n−x
1

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

x
2
=0
_
n −x
1
x
2
_
p
x
2
2
[(1 −p
1
) −p
2
]
(n−x
1
)−x
2
=
_
n
x
1
_
p
x
1
1
[p
2
+ (1 −p
1
) −p
2
]
n−x
1
=
_
n
x
1
_
p
x
1
1
(1 −p
x
1
)
n−x
1
. (3.2)
Persamaan (3.2) merupakan bentuk distribusi dari binomial(n, p
1
), dengan kata lain X
1

binomial(n, p
1
).
Definisi 3.3 (Fungsi distribusi kumulatif bersama). Fungsi distribusi kumulatif bersama k
peubah acak X
1
, . . . , X
k
adalah fungsi yang didefinisikan oleh
F
X
1
,...,X
k
(x
1
, . . . , x
k
) = P(X
1
≤ x
1
, X
2
≤ x
2
, . . . , X
k
≤ x
k
).
Teorema 3.2 (Fungsi distribusi kumulatif bivariat). Suatu fungsi F
X
1
,X
2
(x
1
, x
2
) adalah fungsi
distribusi 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 semua x
2
;
(ii) lim
x
2
→−∞
F
X
1
,X
2
(x
1
, x
2
) = F
X
1
,X
2
(x
1
, −∞) = 0 untuk semua x
1
;
(iii) limx
1
→∞
x
2
→∞
F
X
1
,X
2
(x
1
, x
2
) = F
X
1
,X
2
(∞, ∞) = 1;
(iv) Untuk semua a < b dan c < d berlaku: F(b, d) −F(b, c) −F(a, d) +F(a, c) ≥ 0;
(v) lim
h→0
+ F
X
1
,X
2
(x
1
+ h, x
2
) = lim
h→0
+ F
X
1
,X
2
(x
1
, x
2
+ h) = F
X
1
,X
2
(x
1
, x
2
) untuk semua
x
1
dan x
2
.
Contoh 3.4. Misal suatu fungsi didefinisikan sebagai 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 sifat (iv) dalam Teorema 3.2 tidak dipenuhi.
BAB 3. PEUBAH ACAK BERGANDA 27
3.1.4 Distribusi Kontinu Bersama
Definisi 3.4 (Fungsi peluang bersama kontinu). Suatu vektor peubah acak berdimensi k, X =
(X
1
, . . . , X
k
) dikatakan kontinu jika terdapat suatu fungsi f
X
1
,...,X
k
(x
1
, . . . , x
k
) disebut fungsi
densitas bersama dari X, sedemikian hingga fungsi distribusi kumulatif bersama dapat ditulis
sebagai
F
X
1
,...,X
k
(x
1
, . . . , x
k
) =
_
x
k
−∞
· · ·
_
x
1
−∞
f
T
1
,T
2
,...,T
k
(t
1
, . . . , t
k
) dt
1
· · · dt
k
(3.3)
untuk semua x = (x
1
, . . . , x
k
).
Seperti halnya dalam kasus satu dimensi, fungsi densitas bersama dapat diperoleh dari fungsi
distribusi kumulatif bersama dengan menurunkan F
X
1
,...,X
k
(x
1
, . . . , x
k
) pada Persamaan (3.3),
yakni
f
X
1
,...,X
k
(x
1
, . . . , x
k
) =

k
∂x
1
· · · ∂x
k
F
X
1
,...,X
k
(x
1
, . . . , x
k
).
bilamana turunan parsialnya ada.
Teorema 3.3 (Syarat fungsi densitas bersama). Sembarang fungsi f
X
1
,...,X
k
(x
1
, . . . , x
k
) adalah
fungsi densitas bersama dari peubah acak berdimensi k jika dan hanya jika
f
X
1
,...,X
k
(x
1
, . . . , x
k
≥ 0) untuk semua x
1
, . . . , x
k
dan
_

−∞
· · ·
_

−∞
f
X
1
,...,X
k
(x
1
, . . . , x
k
) dx
1
· · · dx
k
= 1.
Contoh 3.5. Misal X
1
menyatakan konsentrasi substansi dalam suatu percobaan pertama
dan X
2
menyatakan konsentrasi substansi dalam percobaan kedua. Dianggap fungsi densitas
bersama diberikan oleh
f
X
1
,X
2
(x
1
, x
2
) =
_
5x
1
x
2
untuk 0 < x
1
< 1, 0 < x
2
< 1;
0 untuk x yang lain.
Fungsi distribusi kumulatif bersama diberikan 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
untuk 0 < x
1
< 1, 0 < x
2
< 1.
Menghitung peluang bersama dengan mengintegralkan fungsi densitas bersama peluang pada
daerah yang bersesuaian juga dimungkinkan. Misalnya, kita akan menghitung peluang untuk
kedua percobaan, bahwa "rata-rata konsentrasi kurang dari 0,5". Kejadian ini dapat dinyatakan
BAB 3. PEUBAH ACAK BERGANDA 28
oleh [(X
1
+X
2
)/2 < 0,5], atau apabila himpunan A = {(x
1
, x
2
) : (x
1
+x
2
)/2 < 0,5} maka dapat
dinyatakan sebagai [(X
1
+X
2
) ∈ A]. Denga demikian,
P[(X
1
+X
2
)/2 < 0,5] = P[(X
1
, X
2
) ∈ A]
=
_ _
A
f
X
1
,X
2
(x
1
, x
2
) dx
1
dx
2
=
_
1
0
_
1−x
2
0
5x
1
x
2
dx
1
dx
2
=
_
1
0
x
2
_
5
2
x
2
1
¸
¸
¸
¸
1−x
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 untuk peubah acak kontinu X = (X
1
, . . . , X
k
) dimensi k dan kejadian A dimensi
k kita punya
P(X ∈ A) =
_
· · ·
_
A
f
X
1
,...,X
k
(x
1
, . . . , x
k
) dx
1
· · · dx
k
.
Definisi 3.5 (Fungsi densitas marjinal). Jika pasangan peubah acak kontinu (X
1
, X
2
) memiliki
fungsi densitas peluang bersama f
X
1
,X
2
(x
1
, x
2
), maka 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
.
Jika kita tinjau lagi Contoh 3.5, maka 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
,
untuk setiap 0 < x
1
< 1 dan nol untuk yang lain.
BAB 3. PEUBAH ACAK BERGANDA 29
Definisi 3.6 (Fungsi distribusi kumulatif marjinal). Jika X = (X
1
, . . . , X
k
) adalah peubah
acak dimensi k dengan fungsi distribusi bersama F
X
1
,...,X
k
(x
1
, . . . , x
k
), maka fungsi distribusi
kumulatif marjinal X
j
adalah
F
X
j
(x
j
) = lim
x
j
→∞
semua i=j
F
X
1
,...,X
k
(x
1
, . . . , x
j
, . . . , x
k
).
Lebih lanjut, jika peubah acak X diskrit, maka fungsi densitas peluang marjinalnya adalah
f
X
j
(x
j
) =

· · ·

semua i=j
f
X
1
,...,X
k
f(x
1
, . . . , x
j
, . . . , x
k
)
dan jika X kontinu maka
f
X
j
(x
j
) =
_
· · ·
_
semua i=j
f
X
1
,...,X
k
f(x
1
, . . . , x
j
, . . . , x
k
) dx
1
· · · dx
k
.
Contoh 3.6. Misal X
1
,X
2
, dan X
3
adalah peubah-peubah acak kontinu dengan fungsi densitas
bersama dalam bentuk
f
X
1
,X
2
,X
3
(x
1
, x
2
, x
3
) =
_
c, untuk 0 < x
1
< x
2
< x
3
< 1,
0, untuk x yang lain,
(3.4)
Nilai konstanta c dapat dihitung berdasarkan Teorema 3.3, yakni c = 6. Dengan demikian
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
,
jika 0 < x
3
< 1 dan nol untuk yang lain.
3.2 Peubah Acak Bebas
Definisi 3.7 (Peubah acak bebas). Peubah-peubah acak X
1
, . . . , X
k
dikatakan bebas jika untuk
setiap a
i
< b
i
P(a
1
≤ X
1
≤ b
1
, . . . , a
k
≤ X
k
≤ b
k
) =
k

i=1
P(a
i
≤ X
i
≤ b
i
). (3.5)
Pernyataan pada sisi kanan Persamaan (3.5) merupakan perkalian peluang marjinal P(a
1

X
1
≤ b
1
), . . . , P(a
k
≤ X
k
≤ b
k
). Dalam konteks ini disebut pula bebas secara stokastik (stochas-
tically independent). Jika syarat pada Persamaan (3.5) tidak dipenuhi untuk semua a
i
< b
i
,
maka peubah acak tersebut disebut tidak bebas (dependent).
Contoh 3.7. Misal X
1
dan X
2
adalah peubah acak diskrit dengan peluang bersama diberikan
tabel berikut:
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 demikian peubah acak X
1
dan X
2
tidak bebas.
BAB 3. PEUBAH ACAK BERGANDA 30
Tabel 3.1: Nilai fungsi densitas bersma dua peubah acak
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 acak X
1
, . . . , X
k
adalah bebas jika dan hanya jika salah satu dari sifat
berikut dipenuhi:
(i) F
X
1
,...,X
k
(x
1
, . . . , x
k
) = F
X
1
(x
1
) · · · F
X
k
(x
k
), atau
(ii) f
X
1
,...,X
k
(x
1
, . . . , x
k
) = f
X
1
(x
1
) · · · f
X
k
(x
k
),
dimana F
X
i
(x
i
) dan f
X
i
(x
i
) adalah fungsi distribusi kumulatif marjinal dan fungsi densitas dari
X
i
.
Teorema 3.5. Dua peubah acak X
1
dan X
2
dengan fungsi densitas bersama f
X
1
,X
2
(x
1
, x
2
)
dikatakan bebas jika dan hanya jika:
(i) himpunan pendukung, {(x
1
, x
2
) : f
X
1
,X
2
(x
1
, x
2
) > 0} , adalah produk Cartesius, A × B,
dan
(ii) fungsi densitas bersama dapat difaktorkan menjadi produk dari fungsi-fungsi 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 acak X
1
dan X
2
dinyatakan oleh
f
X
1
,X
2
(x
1
, x
2
) =
_
8x
1
x
2
untuk 0 < x
1
< x
2
< 1;
0 untuk x lainnya.
Dalam kasus ini himpunan pendukungnya adalah {(x
1
, x
2
)|0 < x
1
< 1 dan 0 < x
2
< 1} dapat
dinyatakan sebagai A×B, dimana A dan B keduanya selang terbuka (0, 1). Bagian kedua pada
Teorema 3.5 dipenuhi karena x
1
x
2
bisa difaktorkan sebagai g
X
1
(x
1
)h
X
2
(x
2
). Dengan demikian,
X
1
dan X
2
bebas.
Contoh 3.9. Fungsi densitas bersama dari pasangan peubah acak X
1
dan X
2
dinyatakan oleh
f
X
1
,X
2
(x
1
, x
2
) =
_
x
1
+x
2
untuk 0 < x
1
< 1, 0 < x
2
< 1;
0 untuk x lainnya.
Dalam kasus ini himpunan pendukungnya adalah {(x
1
, x
2
)|0 < x
1
< 1 dan 0 < x
2
< 1} dapat
dinyatakan sebagai A×B, dimana Adan B keduanya selang terbuka (0, 1). Namun, bagian kedua
pada Teorema 3.5 tidak dipenuhi karena x
1
+x
2
tidak bisa difaktorkan sebagai g
X
1
(x
1
)h
X
2
(x
2
).
Dengan demikian, X
1
dan X
2
tidak bebas.
3.3 Distribusi Bersyarat
3.3.1 Distribusi Bersyarat
Konsep kebebasan juga berhubungan dengan peluang bersyarat dan hal ini menyarankan bahwa
definisi peluang bersyarat dari kejadian dapat diperluas untuk konsep peubah acak bersyarat.
BAB 3. PEUBAH ACAK BERGANDA 31
Definisi 3.8 (Fungsi densitas peluang bersyarat). Jika X
1
dan X
2
adalah peubah acak diskrit
atau kontinu dengan fungsi densitas peluang bersama f
X
1
,X
2
(x
1
, x
2
) maka fungsi densitas pelu-
ang bersyarat dari X
2
diketahui X
1
= x
1
didefinisikan sebagai
f
X
2
|X
1
=x
1
(x
2
|x
1
) =
f
X
1
,X
2
(x
1
, x
2
)
f
X
1
(x
1
)
untuk nilai x
1
sedemikian hingga f
X
1
(x
1
) > 0 dan nol untuk yang lain.
Dengan cara yang sama, fungsi densitas peluang bersyarat X
1
diberikan 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
)
untuk nilai x
2
sedemikian hingga f
X
2
(x
2
) > 0 dan nol untuk yang lain.
Untuk kasus diskrit fungsi densitas peluang bersyarat sebenarnya adalah peluang bersyarat.
Sebagai misal, jika X
1
dan X
2
adalah diskrit, maka f
X
1
,X
2
(x
1
, x
2
) adalah peluang bersyarat ke-
jadian (X
2
= x
2
) diberikan kejadian (X
1
= x
1
). Namun, dalam kasus kontinu interpretasi pada
fungsi densitas peluang bersyarat tidak jelas karena P(X
1
= x
1
) = 0. Meskipun f
X
1
,X
2
(x
1
, x
2
)
tidak dapat diinterpretasikan sebagai peluang bersyarat dalam hal ini, namun dapat dianggap
sebagai penugasan "densitas peluang" bersyarat untuk selang kecil sembarang [x
2
, x
2
+ ∆x
2
],
seperti halnya fungsi densitas peluang marjinal f
X
2
(x
2
) menugaskan densitas peluang marjinal.
Dengan demikian untuk kasus kontinu, peluang bersyarat kejadian dengan bentuk a ≤ X
2
≤ b
diberikan X
1
= x
1
dinyatakan 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 acak kontinu dengan fungsi densitas
bersama berbentuk
f
X
1
,X
2
,X
3
(x
1
, x
2
, x
3
) =
_
6, untuk 0 < x
1
< x
2
< x
3
< 1,
0, untuk x yang lain.
Maka peluang bersyarat X
3
diketahui (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
untuk 0 < x
1
< x
2
< x
3
< 1
dan nol untuk x lainnya.
Teorema 3.6. Jika X
1
dan X
2
adalah peubah-peubah acak dengan fungsi densitas bersama
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
), maka
f
X
1
,X
2
(x
1
, x
2
) = f
X
1
(x
1
)f
X
2
|X
1
=x
1
(x
2
|x
1
) = f
X
2
(x
2
)f
X
1
|X
2
=x
2
(x
1
|x
2
)
dan jika X
1
dan X
2
saling bebas, maka
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 BERGANDA 32
3.4 Latihan Soal
3-1 Misal X
1
dan X
2
adalah peubah acak diskrit dengan fungsi peluang densitas (massa) pelu-
ang bersama dengan bentuk
f
X
1
,X
2
(x
1
, x
2
) = c(x
1
+x
2
) untuk x
1
= 0, 1, 2; x
2
= 0, 1, 2;
dan nol untuk x
1
dan x
2
lainnya. Hitunglah konstanta c.
3-2 Misal X
1
dan X
2
adalah peubah acak diskrit dengan fungsi densitas peluang bersama
f
X
1
,X
2
(x
1
, x
2
) diberikan oleh tabel berikut:
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) Apakah X
1
dan X
2
saling bebas? Jelaskan!
c) Hitung P(X
1
≤ 2).
d) Hitung P(X
1
≤ X
2
).
e) Tabulasikan 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 acak kontinu dengan fungsi densitas peluang bersama
dengan bentuk
f
X
1
,X
2
(x
1
, x
2
) =
_
2e
−(x
1
+x
2
)
jika 0 < x
1
< x
2
dan x
2
> 0;
0 untuk 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) Apakah X
1
dan X
2
bebas?
3-4 Misal X dan Y memiliki fungsi densitas bersama
f
X,Y
(x, y) =
_
(2/3)(x + 1) untuk 0 < x < 1, 0 < y < 1;
0 untuk x dan y lainnya.
a) Hitung fungsi distribusi kumulatif 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
Menghasilkan transformasi peubah acak.
Indikator Pencapaian
Membuat transformasi peubah acak dengan menggunakan teknik fungsi distribusi, metode
transformasi, formula konvolusi, dan fungsi pembangkit momen.
Materi Pokok
4.1 Sifat-sifat Nilai Harapan
4.2 Kovarians dan Korelasi
4.3 Harapan Bersyarat
4.4 Fungsi Pembangkit Momen Bersama
4.5 Latihan Soal
4.6 Latihan Soal Teoretis
Penggunaan peubah acak dan distribusi peluangnya telah dibicarakan sebagai suatu cara un-
tuk mengekspresikan suatu model matematika untuk suatu fenomena fisikal nondeterministik.
Peubah acak mungkin berasosiasi dengan beberapa karakteristik numerik dari populasi sebe-
narnya atau konsep dari item-item dan fungsi densitas peluang mewakili distribusi populasi
terhadap semua nilai yang mungkin dari karakteristiknya. Seringkali densitas populasi yang
sesungguhnya tidak diketahui. Salah satu kemungkinan adalah mempertimbangkan suatu kelu-
arga fungsi densitas peluang yang diindeks oleh suatu parameter yang tidak diketahui sebagai
suatu model yang mungkin dan berkonsentrasi pada memiliki suatu nilai untuk parameter terse-
but.
Penekanan utama dalam statistika adalah mengembangkan pendugaan (estimates) param-
eter yang tidak diketahui berdasarkan data sampel. Pada beberapa kasus suatu parameter
mungkin mewakili suatu kuantitas yang berarti secara fisika, misalnya rata-rata atau nilai tengah
dari populasi. Dengan demikian, sangatlah bermanfaat untuk mendefinisikan dan mempelajari
beragam sifat peubah acak yang mungkin berguna dalam mewakilkan dan menginterpretasikan
populasi sesungguhnya (original population), begitu pula berguna dalam pendugaan atau pemil-
ihan model yang sesuai.
Pada beberapa kasus, sifat-sifat khusus dari suatu model (misalnya sifat no memory dis-
tribusi eksponensial) mungkin cukup membantu dalam mengindikasikan jenis asumsi fisika yang
33
BAB 4. SIFAT-SIFAT PEUBAH ACAK 34
konsisten dengan model, meskipun implikasi dari model biasanya kurang jelas. Pada kasus
seperti ini kebergantungan lebih banyak didasarkan pada ukuran-ukuran deskriptif seperti var-
ians dari suatu distribusi. Pada bab ini, ukuran-ukuran deskriptif tambahan dan sifat-sifat
peubah acak akan dikembangkan.
4.1 Sifat-sifat Nilai Harapan
Saat membicarakan nilai harapan kita sering tertarik dengan fungsi dari satu atau lebih peubah
acak. Sebagai contoh, suatu studi melibatkan suatu vektor dari k peubah acak, X = (X
1
, . . . , X
k
)
dan kita ingin menghitung nilai harapan dari beberapa fungsi dari X, katakanlah Y = u(X).
Notasi yang digunakan dapat berupa E(Y ), E[u(X)], atau E
X
[u(X)].
Teorema 4.1 ( Bain and Engelhardt (1992)). Jika X = (X
1
, . . . , X
k
) memiliki suatu fungsi
densitas peluang bersama f
X
(x
1
, . . . , x
k
) dan jika Y = u(X
1
, . . . , X
k
) adalah fungsi dari X,
maka E(Y ) = E
X
[u(X
1
, . . . , X
k
)], dengan
E
X
[u(X
1
, . . . , X
k
)] =
_

x
1
· · ·

x
k
u(x
1
, . . . , x
k
)f
X
(x
1
, . . . , x
k
), jika X diskrit;
_

−∞
· · ·
_

−∞
u(x
1
, . . . , x
k
)f
X
(x
1
, . . . , x
k
) dx
1
· · · dx
k
, jika X kontinu.
(4.1)
Teorema 4.2. Jika X
1
dan X
2
adalah peubah-peubah acak dengan fungsi densitas peluang
bersama f
X
1
,X
2
(x
1
, x
2
) maka
E(X
1
+X
2
) = E(X
1
) + E(X
2
). (4.2)
Bukti: Catatan: nilai harapan pada sisi kiri dari persamaan (4.2) adalah relatif terhadap fungsi
densitas peluang bersama X = (X
1
, X
2
) sementara suku-suku pada sisi kanan relatif terhadap
fungsi densitas bersama atau marjinal. Dengan kata lain, persamaan yang lebih tepat untuk (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
).
Akan dibuktikan untuk kasus kontinu:
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 untuk kasus diskrit adalah sebagai berikut:
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 kasus dapat diperluas sampai k peubah. Jika a
1
, . . . , a
k
adalah konstanta-
konsta dan jika X
1
, . . . , X
k
adalah peubah-peubah acak yang berdistribusi secara bersama-sama,
maka
E
_
k

i=1
a
i
X
i
_
=
k

i=1
E(X
i
). (4.3)
Teorema 4.3. Jika X dan Y adalah peubah-peubah acak saling bebas dan g(x) dan h(y) adalah
fungsi-fungsi maka
E[g(X)h(Y )] = E[g(X)] E[h(Y )]. (4.4)
Bukti: Akan dibuktikan untuk kasus kontinu:
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 untuk kasus diskrit:
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 dimungkinkan untuk mengembangkan lebih dair dua peubah. Jika
X
1
, . . . , X
n
adalah peubah acak bebas dan u
1
(x
1
), . . . , u
k
(x
k
) adalah fungsi maka
E[u
1
(X
1
) · · · u
k
(X
K
)] = E[u
1
(X
1
)] · · · E[u
k
(X
k
)]. (4.5)
4.2 Kovarians dan Korelasi
Sifat-sifat tertentu nilai harapan memberikan hubungan antara dua peubah acak.
Definisi 4.1 (Bain and Engelhardt (1992)). Kovarians dari pasangan peubah-peubah acak X
dan Y didefinisikan oleh
cov(X, Y ) = E{[X −E(X)][Y −E(Y )]}. (4.6)
Notasi lain untuk cov(X, Y ) adalah σ
XY
; demikian pula, E(X) dan E(Y ) dinotasikan berturut-
turut µ
X
dan µ
Y
.
Teorema berikut memberikan sifat-sifat yang berhubungan dengan kovarians.
Teorema 4.4. Jika X dan Y adalah peubah acak dan a serta b adalah konstanta- konstanta,
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 definisi
cov(aX, bY ) = E{[aX −E(aX)][bY −E(bY )]}
= E{[aX −a E(X)][bY −b E(Y )]}
= E{a[X −E(X)]b[Y −E(Y )]}
= E{ab[X −E(X)][Y −E(Y )]}
= ab E{[X −E(X)][Y −E(Y )]}
= ab cov(X, Y ).
Kemudian akan ditunjukkan cov(X +a, Y +b) = cov(X, Y ).
cov(X +a, Y +b) = E{[X +a −E(X +a)][Y +b −E(Y +b)]}
= E{[X +a −E(X) −a][Y +b −E(Y ) −b]}
= E{[X −E(X)][Y −E(Y )]}
= cov(X, Y ).
Selanjutnya akan ditunjukkan cov(X, aX +b) = a var(X).
cov(X, aX +b) = E{[X −E(X)][aX +b −E(aX +b)]}
= E{[X −E(X)][aX +b −a E(X) −b]}
= E{[X −E(X)][aX −a E(X)]}
= E{[X −E(X)]a[X −E(X)]}
= E{a[X −E(X)]
2
}
= a E{[X −E(X)]
2
}
= a var(X).
BAB 4. SIFAT-SIFAT PEUBAH ACAK 37
Teorema berikut memberikan cara lain untuk menghitung kovarians dan sifat-sifatnya bila
kedua peubah acak saling bebas.
Teorema 4.5 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah acak maka
cov(X, Y ) = E(XY ) −E(X) E(Y ) (4.10)
dan cov(X, Y ) = 0 bilamana X dan Y saling bebas.
Bukti: Akan ditunjukkan cov(X, Y ) = E(XY ) −E(X) E(y). Menurut definisi
cov(X, Y ) = E{[X −E(X)][Y −E(Y )]}
= E{[XY −X E(Y ) −E(X)Y + E(X) E(Y )]}
= E(XY ) −E(X) E(Y ) −E(X) E(Y ) + E(X) E(Y )
= E(XY ) −E(X) E(Y ).
Bilamana X dan Y saling bebas maka
cov(X, Y ) = E(XY ) −E(X) E(Y )
= E(X) E(Y ) −E(X) E(Y )
= 0.
Teorema 4.6 (Bain and Engelhardt (1992)). Jika X
1
dan X
2
adalah peubah acak dengan fungsi
densitas peluang bersama f
X
1
,X
2
(x
1
, x
2
) maka
var(X
1
+X
2
) = var(X
1
) + var(X
2
) + 2 cov(X
1
, X
2
) (4.11)
dan
var(X
1
+X
2
) = var(X
1
) + var(X
2
) (4.12)
bilamana X
1
dan X
2
saling bebas.
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
saling bebas, maka
var(X
1
+X
2
) = var(X
1
) + var(X
2
) + 0
= var(X
1
) + var(X
2
).
Dengan cara yang sama kasus ini pun dapat diperluas untuk k peubah acak. Bila X
1
, . . . , X
k
adalah peubah acak dan a
1
, . . . , a
k
adalah konstanta-konstanta, 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 38
dan jika X
1
, . . . , X
k
saling bebas maka
var
_
k

i=1
a
i
X
i
_
=
k

i=1
var(X
i
).
Pada bagian sebelumnya konvarians digunakan sebagai ukuran untuk mengukur ketergan-
tungan antara dua peubah acak. Telah ditunjukkan bahwa cov(X, Y ) = 0 bilamana X dan Y
saling bebas. Namun, sebaliknya tidaklah benar.
Contoh 4.1. Misal suatu pasangan peubah acak diskrit X dan Y dengan fungsi densitas peluang
bersama
f
X,Y
(x, y) =
_
_
_
1
4
, jika (0, 1), (1, 0), (0, −1), (−1, 0);
0, jika x dan y lainnya.
(4.14)
Fungsi densitas peluang marjinal X adalah f
X
(±1) = 1/4, f
X
(0) = 1/2, dan f
X
(x) = 0 untuk
x lainnya. Demikian pula fungsi densitas 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 cov(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 saling be-
bas. Jadi secara umum dapat disimpulkan bahwa X dan Y terikat jika cov(X, Y ) = 0, tetapi
cov(X, Y ) = 0 tidaklah perlu mengimplikasikan bahwa X dan Y adalah bebas.
Definisi 4.2 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak dengan
varians var(X) dan var(Y ) dan kovarians cov(X, Y ), maka koefisien korelasi dari X dan Y
adalah
corr(X, Y ) =
cov(X, Y )
_
var(X)
_
var(Y )
. (4.17)
Catatan: Biasanya korelasi X dan Y dinotasikan sebagai ρ
XY
atau ρ dan varians X dan Y
sebagai σ
2
X
dan σ
2
Y
. Sehingga, Persamaan (4.17) dapat ditulis sebagai
ρ
XY
=
σ
XY
σ
X
σ
Y
. (4.18)
Peubah-peubah acak X dan Y dikatakan tidak berkorelasi jika ρ
XY
= 0; selain itu dikatakan
berkorelasi.
Teorema 4.7 (Bain and Engelhardt (1992)). Jika ρ
XY
adalah koefisien korelasi dari X dan Y ,
maka
−1 ≤ ρ
XY
≤ 1 (4.19)
dan ρ
XY
= ±1 jika dan hanya jika Y = aX +b dengan peluang 1 untuk beberapa a = 0 dan b.
Bukti: Untuk membuktikan Persamaan (4.19), misalkan
W =
Y
σ
Y
−ρ
XY
X
σ
X
,
sehingga
var(W) =
_
1
σ
Y
_
2
σ
2
Y
+
_
ρ
XY
σ
X
_
2
σ
2
X
−2ρ
XY
σ
XY
σ
X
σ
Y
= 1 +ρ
2
XY
−2ρ
2
XY
= 1 −ρ
2
XY
≥ 0,
karena var(W) ≥ 0.
BAB 4. SIFAT-SIFAT PEUBAH ACAK 39
4.3 Harapan Bersyarat
Definisi 4.3. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersama,
maka harapan bersyarat (conditional expectation) Y diketahui X = x didefinisikan sebagai
E(Y |x) =
_

y
yf
Y |X
(y|x), jika X dan Y diskrit;
_

−∞
yf
Y |X
(y|x) dy, jika X dan Y kontinu.
(4.20)
Catatan: notasi lain untuk harapan bersyarat adalah E
Y |x
(Y ) dan E(Y |X = x). Pada
bagian ini kita akan menggunakan simbol E(Y |x) untuk menyederhanakan notasi.
Contoh 4.2. Suatu fungsi densitas peluang bersyarat Y diketahui X = x adalah
f
Y,X
(y|x) =
2
x
, 0 < y <
x
2
. (4.21)
Harapan bersyaratnya 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 harapan bersyarat Y diketahui X = x adalah fungsi dari x, katakanlah u(x) =
E(Y |x). Teorema berikut mengatakan bahwa secara umum, peubah acak u(X) = E(Y |X)
memiliki harapan marjinal Y , yakni E(Y ).
Teorema 4.8. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersama-
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 40
Selanjutnya untuk kasus diskrit:
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)
=

y
y

x
f
X,Y
(x, y)
=

y
f
Y
(y)
= E(Y ).
Teorema berikut memberikan gambaran jika X dan Y saling bebas.
Teorema 4.9 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak saling
bebas, maka E(Y |x) = E(Y ) dan E(X|y) = E(X).
Bukti: Peubah acak X dan Y saling bebas sehingga f
Y |X
(y|x) = f
Y
(y) dan f
X|Y
(x|y) = f
X
(x).
Akan dibuktikan untuk kasus kontinu:
E(Y |x) =
_

−∞
yf
Y |X
dy
=
_

−∞
yf
Y
(y) dy
= E(Y )
dan
E(X|y) =
_

−∞
xf
X|Y
(x|y) dx
=
_

−∞
xf
X
(x) dx
= E(X).
Selanjutnya akan ditunjukkan untuk kasus diskrit:
E(Y |x) =

y
yf
Y |X
(y|x)
=

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

x
xf(x|y)
=

x
f
X
(x)
= E(X).
BAB 4. SIFAT-SIFAT PEUBAH ACAK 41
Definisi 4.4 (Bain and Engelhardt (1992)). Varians bersyarat Y diketahui X = x diberikan
oleh
var(Y |x) = E{[Y −E(Y |x)]
2
|x}. (4.24)
Bentuk (4.24) dapat pula dituliskan sebagai
var(Y |x) = E(Y
2
|x) −[E(Y |x)]
2
. (4.25)
Teorema 4.10. Jika X dan Y adalah peubah-peubah acak yang berdistribusi secara bersama-
sama, maka
var(Y ) = E
X
[var(Y |X)] −var
X
[E(Y |X)]. (4.26)
Bukti:
E
X
[var(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
}
= var(Y ) −var
X
[E(Y |X)].
Teorema ini menegaskan bahwa varians bersyarat lebih kecil dair varians tidak bersyarat.
Namun, apabila X dan Y saling bebas, varians akan sama. Sebagai ilustrasi, jika kita tertarik
untuk menduga rata-rata tinggi individual E(Y ), maka teorema ini menegaskan bahwa lebih
mudah untuk menduga tinggi (bersyarat) orang jika kita tahu berat badan orang tersebut karena
populasi tidak bersyarat tinggi tidak akan pernah lebih besar daripada varians yang direduksi
dari populasi individu berat badan tertentu x.
Teorema 4.11 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak yang
berdistribusi secara bersama-sama dan h(x, y) adalah suatu fungsi, maka
E[h(X, Y )] = E
X
{E[h(X, Y )]|X}. (4.27)
Teorema 4.12 (Bain and Engelhardt (1992)). Jika X dan Y adalah peubah-peubah acak yang
berdistribusi bersama dan g(x) adalah fungsi, maka
E[g(X)Y |x] = g(x) E(Y |x). (4.28)
4.3.1 Distribusi Normal Bivariat
Suatu pasangan peubah acak kontinu X dan Y dikatakan berdistribusi normal bivariat jika
memiliki fungsi densitas peluang bersama dengan bentuk
f
X,Y
(x, y) =
1
2πσ
X
σ
Y
_
1 −ρ
2
XY
exp
_

1
2(1 −ρ
2
XY
)
__
x −µ
X
σ
X
_
2
−2ρ
_
x −µ
X
σ
X
__
y −µ
Y
σ
Y
_
+
_
y −µ
Y
σ
Y
_
2
__
−∞< x < ∞, ∞< y < ∞.
(4.29)
Notasi khusus untuk distribusi persamaan (4.29) adalah
(X, Y ) ∼ BVN(µ
X
, µ
Y
, σ
2
X
, σ
2
Y
, ρ
XY
) (4.30)
yang bergantung pada lima parameter −∞ < µ
X
< ∞, −∞ < µ
Y
< ∞, σ
X
> 0, σ
Y
> 0, dan
−1 < ρ
XY
< 1.
BAB 4. SIFAT-SIFAT PEUBAH ACAK 42
4.4 Fungsi Pembangkit Momen Bersama
Konsep fungsi pembangkit momen dapat diperluas untuk peubah acak berdimensi k.
Definisi 4.5 (Bain and Engelhardt (1992)). Fungsi pembangkit momen bersama dari X =
(X
1
, . . . , X
k
), jika ada, didefinisikan 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 beberapa h > 0.
Sifat-sifat fungsi pembangkit momen bersama analog dengan sifat fungsi pembangkit mo-
men univariat. Momen campuran seperti E(X
r
i
, X
s
j
) dapat dihitung dengan menurunkan fungsi
pembangkit momen bersama r kali bersesuaian dengan t
i
dan s kali bersuaian dengan t
j
dan
membuat semua t
i
= 0. Fungsi pembangkit momen bersama juga secara unik menentukan
distribusi bersama dari peubah-peubah X
1
, . . . , X
k
. Fungsi pembangkit momen dari distribusi
marjinal dari fungsi pembangkit momen bersama 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 distribusi mar-
jinalnya adalah binomial, yakni X
i
∼ BIN(n, p
i
). Fungsi pembangkit momen bersama distribusi
multinomial dapat dihitung menggunakan distribusi binomial
M
X
(t) = E
_
exp
_
k

i=1
t
i
X
i
__
=

· · ·

n
x
1
! · · · x
k+1
!
(p
1
e
t
1
)
x
1
· · · (p
k
e
t
k
)
x
k
p
x
k
+1
k+1
= (p
1
e
t
1
+· · · +p
k
e
t
k
+p
k+1
)
n
(4.34)
dengan p
k+1
= 1 −p
1
−· · · −p
k
.
4.5 Latihan Soal
4-1 Misal peubah acak kontinu X dan Y dengan fungsi densitas peluang bersama
f
X,Y
(x, y) =
_
24xy, jika 0 < x, 0 < y, dan x +y < 1;
0, jika x dan y lainnya.
Hitunglah:
a) E(XY );
b) kovarians antara X dan Y ;
c) koefisien korelasi 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 acak diskrit dengan fungsi densitas peluang bersama
f
X,Y
(x, y) =
_
_
_
4
5xy
, jika x = 1, 2, dan y = 2, 3;
0, jika 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 basket adalah suatu peubah acak dengan rata-rata
5 dan simpangan baku 2/5. Sebuah kotak berisi 144 bola basket. Dianggap berat masing-
masing bola basket adalah saling bebas dan T menyatakan berat total semua bola basket
dalam kotak. Hitunglah:
a) nilai harapan total berat, yakni E(T);
b) varians total berat, yakni var(T).
4-4 Untuk Soal No. 1 dan 2, hitunglah:
a) E(Y |x);
b) var(Y |x).
4-5 Misal distribusi bersyarat Y diberikan X = x adalah Poisson dengan rata-rata E(Y |x) = x,
Y |x ∼ POI(x), dan E(X) ∼ EXP(1). Hitunglah:
a) E(Y );
b) var(Y ).
4-6 Misal X dan Y memiliki fungsi densitas peluang bersama
f
X,Y
(x, y) =
_
e
−y
, jika 0 < x < y < ∞;
0, jika x dan y lainnya.
Hitunglah E(X|y).
4-7 Misal Y
1
dan Y
2
adalah peubah-peubah acak kontinu dengan fungsi densitas peluang bersama
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 fungsi pembangkit momen (MGF) bersama Y
1
dan Y
2
.
BAB 4. SIFAT-SIFAT PEUBAH ACAK 44
4.6 Latihan Soal Teoretis
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 berdistribusi bersama, dan jika
a
1
, . . . , a
k
dan b
1
, . . . , b
m
adalah konstanta-konstanta, 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* Misal X
1
dan X
2
adalah peubah acak normal bebas, X
i
∼ N(µ
i
, σ
2
i
), dan Y
1
= X
1
serta
Y
2
= X
1
+X
2
.
a) Tunjukkan bahwa Y
1
dan Y
2
adalah normal bivariat.
b) Berapakah rata-rata, varians, dan koefisien korelasi Y
1
dan Y
2
?
c) Carilah distribusi bersyarat Y
2
diketahui Y
1
= y
1
.
BAB 5
FUNGSI-FUNGSI PEUBAH ACAK
Kompetensi Dasar
Menggunakan konsep-konsep ilmu peluang.
Indikator Pencapaian
Menggunakan konsep-konsep ilmu peluang.
Materi Pokok
5.1 Teknik Fungsi Distribusi Kumulatif
5.2 Metode Transformasi
5.3 Jumlah Peubah Acak
5.4 Statistik Terurut
5.5 Latihan Soal
Pada BAB I, peluang didefinisikan dalam konsep teori himpunan. Konsep peubah acak diperke-
nalkan sedemikian hingga kejadian-kejadian dapat diasosiasikan dengan himpunan bilangan real
dalam ruang rentang (range space) dari peubah acak. Hal ini memungkinkan kita untuk mengek-
spresikan secara matematis model peluang untuk populasi atau karakteristik yang ingin diteliti
dalma bentuk suatu fungsi densitas peluang atau suatu fungsi distribusi kumulatif untuk peubah
acak yang bersesuaian, katakanlah X. Dalam kasus ini, X menyatakan karakteristik awal yang
menjadi daya tarik dari fungsi densitas peluang f
X
(x), disebut fungsi densitas peluang populasi.
Seringkali dalam banyak kasus beberapa fungsi peubah acak ini menjadi daya tarik. Misal
jika X menyatakan umur anak ayam dalam minggu, peneliti lain mungkin menyatakan umur
dalam hari, yakni Y = 7X. Dengan cara yang sama, W = X
2
atau Z = ln X atau beberapa
fungsi lain mungkin menjadi daya tarik peneliti.
Setiap fungsi dari peubah acak X adalah suatu peubah acak, dan fungsi distribusidari suatu
fungsi X ditentukan oleh distribusi peluang X. Misal, untuk peubah acak Y diatas P(21 ≤ X ≤
28) = P(3 ≤ Y ≤ 4) dan sebagainya. Akan lebih berguna jika kita dapat menyatakan fungsi
densitas peluang atau fungsi distribusi kumulatif suatu fungsi dari peubah acak dalam fungsi
densitas peluang atau fungsi distribusi kumulatif peubah acak asli. Fungsi denstias peluang
seperti ini disebut distribusi-distribusi turunan (derived distributions). Suatu fungsi densitas
peluang tertentu mungkin menyatakan fungsi densitas peluang populasi dalam suatu aplikasi,
tetapi menjadi distribusi turunan dalam aplikasi lain. Dalam bab ini kita akan mempelajari
beberapa teknik untuk memperoleh fungsi distribusi turunan dari suatu fungsi peubah acak
antara lain: teknik fungsi distribusi kumulatif, metode transformasi, formula konvolusi, dan
45
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 46
metode fungsi pembangkit momen. Pada akhir bab, kita akan membahas tentang statistik
terurut (order statistics).
5.1 Teknik Fungsi Distribusi Kumulatif
Teknik fungsi distribusi kumulatif (cumulative distribution function, disingkat CDF) meru-
pakan metode umum yang mengekspresikan peubah acak ”baru” dengan istilah peubah acak
”lama”. Misal peubah acak X memiliki fungsi distribusi kumulatif F
X
(x) dan beberapa fungsi
Y yang menjadi daya tarik, katakanlah Y = u(X). Ide dari teknik fungsi distribusi kumulatif
adalah mengekspresikan fungsi distribusi kumulatif dari Y dalam bentuk (terms) distribusi X.
Lebih khusus lagi, untuk setiap bilangan real y, kita dapat mendefinisikan sebuah himpunan
A
y
= x : u(x) ≤ y. Dengan demikian Y ≤ y dan X ∈ A
y
adalah kejadian-kejadian yang sama,
sehingga
F
Y
(y) = P(u(X) ≤ y). (5.1)
Bentuk persamaan (5.1) dapat pula dinyatakan sebagai P(X ∈ A
y
). Peluang ini dapat pula
dinyatakan sebagai integral dari fungsi densitas peluang f
X
(x) sepanjang himpunan A
y
jika X
kontinu, atau penjumlahan f
X
(x) sepanjang x di A
y
jika X diskret.
Sebagai contoh, sering kita menyatakan u(x) ≤ y dalam bentuk kejadian yang sama x
1

X ≤ x
2
dimana satu atau lebih batas-batas x
1
dan x
2
bergantung pada Y . Dalam kasus 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)
Fungsi densitas peluang (5.2) adalah
f
Y
(y) =
d
dy
F
Y
(y). (5.3)
Berikut ini diberikan beberapa contoh untuk mengilustrasikan teknik fungsi distribusi kumulatif.
Contoh 5.1. Misal fungsi distribusi kumulatif peubah acak X, yakni F
X
(x) = 1 − e
−2x
, 0 <
x < ∞ dan kita tertarik untuk mengetahui fungsi distribusi dari peubah acak Y = e
X
.
Fungsi distribusi Y dapat dinyatakan sebagai
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 batas-batas untuk peubah acak Y . Mengingat 0 < x < ∞, maka batas
peubah acak Y akan terletak diantara e
0
dan e

, jadi 1 < y < ∞. Tentu saja untuk x lainnya
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 47
maka y akan bernilai 0. Dengan demikian F
Y
(y) = 1−y
−2
, 1 < y < ∞. Fungsi densitas peluang
Y adalah
f
Y
(y) =
d
dy
F
Y
(y)
=
d
dy
(1 −y
−2
)
= 2y
−3
, 1 < y < ∞. (5.5)
Contoh 5.2. Misal X adalah peubah acak kontinu dan Y = X
2
. Fungsi distribusi Y dapat
dinyatakan sebagai
F
Y
(y) = P(Y ≤ y)
= P(X
2
≤ y)
= P(−

y ≤ X ≤

y)
= F
X
(

y) −F
X
(−

y). (5.6)
Berdasarkan fungsi distribusi persamaan (5.6), kita dapat menghitung fungsi densitas peluang
Y sebagai
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. Misal X adalah peubah acak dengan fungsi densitas peluang
f
X
(x) =
_
4x
3
, jika 0 < x < 1;
0, jika x lainnya.
(5.8)
Misal kita tertarik dengan peubah acak Z = ln X. Terlebih dahulu kita hitung fungsi distribusi
X. Kita peroleh fungsi distribusi untuk fungsi densitas 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 fungsi distribusi persamaan (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)
Batas-batas 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 fungsi distribusi kumulatif juga dapat diterapkan untuk fungsi beberapa peubah,
meskipun analisis pada umumnya lebih kompleks.
Teorema 5.1. Misal X = (X
1
, . . . , X
k
) adalah vektor peubah acak kontinu berdimensi k dengan
fungsi densitas peluang bersama f
X
(x
1
, . . . , x
k
). Jika Y = u(X) adalah suatu fungsi dari X,
maka
F
Y
(y) = P(u(X) ≤ y)
=
_
· · ·
_
A
y
f
X
(x
1
, . . . , x
k
) dx
1
· · · dx
k
, (5.11)
dimana A
y
= x : u(x) ≤ y.
Contoh 5.4. Misal peubah acak X berdistribusi eksponensial, yakni X ∼ EXP(1). Fungsi
densitas peluang X dapat dinyatakan sebagai
f
X
(x) =
_
e
−x
, untuk 0 < x < ∞;
0, untuk x lainnya.
(5.12)
Misal Anda tertarik dengan jumlah dari dua peubah acak bebas, katakanlah Y = X
1
+ X
2
,
dimana X
i
∼ EXP(1), i = 1, 2. Himpunan A
y
seperti didefinisikan pada Teorema 5.1, dapat
ditentukan sebagai
A
y
= {(x
1
, x
2
) : 0 ≤ x
1
≤ y −x
2
, 0 ≤ x
2
≤ y}. (5.13)
Dengan demikian fungsi distribusi Y adalah
F
Y
(y) = P(X
1
+X
2
≤ y)
=
_
y
0
_
y−x
2
0
e
−(x
1
+x
2
)
dx
1
dx
2
=
_
y
0
_
−e
−(x
1
+x
2
)
¸
¸
¸
¸
x
1
=y−x
2
x
1
=0
_
dx
2
=
_
y
0
_
−e
−((y−x
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 Transformasi
Pada bagian ini, kita akan membahas transformasi untuk peubah dalam dimensi satu. Misal
u(x) adalah suatu fungsi bernilai real dari peubah real x. Jika persamaan y = u(x) dapat
diselesaikan secara tunggal, katakanlah x = w(y), maka transformasi ini dikatakan satu-satu
(one-to-one). Berikut ini akan kita bahas metode transformasi satu-satu untuk kasus diskrit
dan kontinu.
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 49
5.2.1 Transformasi Satu-satu
Teorema 5.2 (Kasus Diskrit). Misal X adalah peubah acak diskrit dengan fungsi densitas
(massa) peluang f
X
(x) dan Y = u(X) adalah transformasi satu-satu. Dengan kata lain, per-
samaan y = u(x) dapat diselesaikan secara tunggal, katakanlah x = w(y). Maka fungsi densitas
(massa) peluang Y adalah
f
Y
(y) = f
X
(w(y)), y ∈ B; (5.15)
dimana B = {y : f
Y
(y) > 0}.
Bukti: Fungsi densitas
F
Y
(y) = P(Y = y)
= P(u(X) = y)
= P(X = w(y))
= f
X
(w(y)). (5.16)
Contoh 5.5. Misal peubah acak diskrit X ∼ GEO(p), dengan fungsi densitas peluang
f
X
(x) = pq
x−1
, x = 1, 2, 3, . . . . (5.17)
Misal kita tertarik dengan peubah acak Y = X −1. Dalam hal ini y = u(x) = x −1, sementara
itu diperoleh solusi 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. Misal peubah acak diskrit X ∼ BIN(r, p). Anda tertarik dengan peubah acak
Y = X −r. Fungsi densitas peluang X dinyatakan sebagai berikut
f
X
(x) =
_
x −1
r −1
_
p
r
q
r−1
, x = r, r + 1, . . . . (5.19)
Dalam hal ini y = u(x) = x −r sehinga 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 (Kasus Kontinu). Misal X adalah peubah acak kontinu dengan fungsi densi-
tas peluang f
X
(x) dan anggap Y = u(X) mendefinisikan suatu transformasi satu-satu dari
A = x : f
X
(x) > 0 ke B = x : f
Y
(y) > 0 dengan transformasi invers x = w(y). Jika turunan
(d/dy)w(y) adalah kontinu dan tak nol pada B, maka fungsi densitas 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 satu-satu, maka y naik monoton atau turun monoton. Pertama,
kita asumsikan 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)),
sehingga fungsi densitasnya 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. Sekarang, dalam kasus 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)),
sehingga fungsi densitasnya 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 konteks kasus kontinu, turunan w(y) disebut Jacobian dari transformasi dan dino-
tasikan
J =
d
dy
w(y). (5.24)
Contoh 5.7. Misal peubah acak kontinu X memiliki fungsi densitas peluang
f
X
(x) = 2 e
−2x
, 0 < x < ∞. (5.25)
Kita tertarik untuk mencari fungsi densitas peluang Y = e
X
. Dengan transformasi inverse
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 fungsi densitas 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 masalah transformasi, sangatlah penting untuk mengidentifikasi himpunan B dimana
f
Y
(y) > 0, dalam contoh ini B = (1, ∞) karena e
x
> 1 saat x > 0.
Contoh 5.8. Misal peubah acakk kontinu X ∼ N(µ, σ
2
) dan kita tertarik dengan peubah acak
Y = e
X
. Fungsi densitas peluang X dapat dinyatakan sebagai
f
X
(x) =
1

2πσ
e

1
2
(x −µ)
2
σ
2
, −∞< x < ∞, −∞< µ < ∞, 0 < σ < ∞. (5.26)
Dengan transformasi invers diperoleh x = w(y) = ln y dan Jacobian J = (d/dy)w(y) = 1/y.
Dengan demikian fungsi densitas peluang Y adalah
f
Y
= f
X
(ln y)
¸
¸
¸
¸
1
y
¸
¸
¸
¸
=
1

2πσ
exp
_

1
2
(ln y −µ)
2
σ
2
_
, 0 < y < ∞
=
1

2πσy
exp
_

1
2
(ln y −µ)
2
σ
2
_
, y ∈ B = (0, ∞). (5.27)
Fungsi densitas peluang persamaan (5.27) adalah bentuk dari distribusi lognormal dengan rata-
rata µ dan variansi σ
2
, ditulis LOGN(µ, σ
2
).
Contoh 5.9. Misal peubah acak kontinu X ∼ EXP(θ). Kita tertarik dengan distribusi dari
peubah acak Y = exp(−X/θ). Fungsi densitas peluang X dapat dinyatakan sebagai
f
X
(x) =
1
θ
e

x
θ
, 0 < x < ∞. (5.28)
Dengan transformasi invers diperoleh x = w(y) = −θ ln y sehingga Jacobian (d/dy)(−θ ln y) =
−θ/y. Kita peroleh fungsi densitas peluang Y
f
Y
(y) = f
X
(−θ ln y)
¸
¸
¸
¸
−θ
y
¸
¸
¸
¸
=
1
θ
exp
_
−θ ln y
θ
_
θ
y
=
1
θ
y
θ
y
, 0 < y < 1
= 1, y ∈ B = (0, 1). (5.29)
Bentuk persamaan (5.29) adalah fungsi densitas peluang dari distribusi seragam pada selang
(0, 1), yakni Y ∼ UNIF(0, 1).
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 52
Teorema 5.4 (Peluang Transformasi Integral). Jika X adalah peubah acak kontinu dengan
fungsi distribusi kumulatif F
X
(x), maka U = F
X
(X) ∼ UNIF(0, 1). Sebaliknya, jika U berdis-
tribusi secara seragam sepanjang interval (0, 1), maka X = F
−1
X
(U) memiliki fungsi distribusi
kumulatif F
X
(·).
Bukti: Akan dibuktikan untuk kasus 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, kita peroleh
F
U
(u) =
_
0, jika u ≤ 0;
0, jika u ≥ 1.
Sebaliknya,
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 kumulatif dan G
U
(u) adalah fungsi
yang didefinisikan oleh
G(u) = min{x : u ≤ F
X
(x)}, 0 ≤ u ≤ 1. (5.30)
Jika U ∼ UNIF(0, 1), maka X = G
U
(U) ∼ F
X
(x).
Teorema (5.5) berguna untuk membangkitan bilangan acak dari distribusi dengan fungsi
distribusi kumulatif F
X
(x).
5.2.2 Transformasi yang Tidak Satu-satu
Misal fungsi u(x) tidaklah satu-satu sepanjang himpunan A = {x : f
X
(x)}. Meskipun hal ini
berarti tidak terdapat penyelesaian tunggal pada persamaan y = u(x), namun biasanya mungkin
untuk mempartisi himpunan A menjadi himpunan bagian tak bersama (disjoint) A
1
, A
2
, . . .
sedemikian hingga u(x) adalah satu-statu sepanjang A
j
. Untuk setiap y di dalam range u(x),
persamaan y = u(x) memiliki penyelesaian tunggal x
j
= w
j
(y) sepanjang himpunan A
j
. Untuk
kasus diskrit, Teorema (5.2) dapat diperluas untuk suatu fungsi yang tidak satu-satu dengan
mengganti persamaan yang tidak satu-satu pada persamaan (5.15) dengan
f
Y
(y) =

j
f
X
(w
j
(y)). (5.31)
Dalam hal ini f
Y
(y) =

j
f
X
(x
j
) dimana jumlah keseluruhan sepanjang x
j
sedemikian hingga
u(x
j
) = y. Sementara, dalam kasus kontinu, untuk fungsi yang tidak satu-satu diperoleh dengan
memperluas persamaan (5.23) menjadi
f
Y
(y) =

j
f
X
(w
j
(y))
¸
¸
¸
¸
d
dy
w
j
(y)
¸
¸
¸
¸
. (5.32)
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 53
Untuk transformasi Y = u(X), penjumlahan sepanjang nilai j yang mana u(x
j
) = y, meskipun
Jacobiannya masuk ke persamaan untuk kasus kontinu.
Contoh 5.10. Suatu peubah acak diskrit X memiliki fungsi densitas peluang
f
X
(x) =
4
31
_
1
2
_
x
; x = −2, −1, 0, 1, 2. (5.33)
Misal kita tertarik dengan peubah acak Y = |X|. Dalam hal ini himpunan B = {0, 1, 2} serta
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 fungsi densitas 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 fungsi distribusi kumulatif, jika X adalah
peubah acak kontinu serta 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. Misal peubah acak X ∼ UNIF(−1, 1) dan misalkan pula Y = X
2
. Fungsi
densitas peluang X dapat dinyatakan sebagai berikut
f
X
(x) =
1
1 −(−1)
=
1
2
, −1 < x < 1. (5.40)
Jika kita partisi himpunan A = (−1, 1) menjadi A
1
= (−1, 0) dan A
2
= (0, 1) maka y = x
2
memiliki penyelesaian tunggal, yakni x
1
= w
1
(y) = −

y dan x
2
= w
2
(y) =

y sepanjang selang
ini. Kita dapat mengabaikan titik x = 0 dalam partisi ini karena x kontinu. Dengan demikian
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 54
fungsi densitas peluang Y adalah
f
Y
(y) =
2

j=1
f
X
(w
j
(y))
¸
¸
¸
¸
d
dy
w
j
(y)
¸
¸
¸
¸
= f
X
(w
1
(y))
¸
¸
¸
¸
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

y
¸
¸
¸
¸
+f
X
(

y)
¸
¸
¸
¸
1
2

y
¸
¸
¸
¸
=
1
2
¸
¸
¸
¸
1
2

y
¸
¸
¸
¸
+
1
2
¸
¸
¸
¸
1
2

y
¸
¸
¸
¸
=
2
2
¸
¸
¸
¸
1
2

y
¸
¸
¸
¸
=
¸
¸
¸
¸
1
2

y
¸
¸
¸
¸
=
1
2

y
, y ∈ B = (0, 1).
Contoh 5.12. Suatu peubah acak kontinu X memiliki fungsi densitas peluang
f
X
(x) =
_
_
_
x
2
3
, jika −1 < x < 2;
0, jika x lainnya.
(5.41)
Misal kita tertarik dengan peubah acak Y = X
2
. Kita peroleh transformasi inverse x
1
= w
1
(y) =


y untuk x < 0 dan x
2
= w
2
(y) =

y untuk x > 0. Namun, untuk 0 < y < 1 terdapat dua
titik dengan fungsi densitas peluang tidak nol, yakni x
1
= −

y dan x
2
=

y yang terpetakan
ke y. Sementara untuk 1 < y < 4 hanya terdapat satu titik dengan fungsi densitas peluang tidak
nol, x
2
=

y yang dipetakan ke y. (Ingat bahwa batas untuk y adalah 0 < y < 4). Dengan
demikian, fungsi densitas 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: persamaan
f
Y
(y) =

j
f
X
(w
j
(y))
dan
f
Y
(y) =

j
f
X
(w
j
(y))
¸
¸
¸
¸
d
dy
w
j
(y)
¸
¸
¸
¸
dapat disederhanakan menjadi
f
Y
(y) =

j
f
X
(x
j
)
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 55
dan
f
Y
(y) =

j
f
X
(x
j
)
¸
¸
¸
¸
dx
j
dy
¸
¸
¸
¸
,
dengan
x
j
= w
j
(y)
adalah fungsi dari y.
5.2.3 Transformasi Bersama
Misal X adalah suatu vektor peubah acak berdimensi k, yakni X = (X
1
, . . . , X
k
), dan misalkan
u
1
(x), . . . , u
k
(x) adalah fungsi dari x sebanyak k, sedemikian hingga Y
i
= u
i
(X) untuk i =
1, . . . , k mendefinisikan suatu peubah acak lain yakni Y = (Y
1
, . . . , Y
k
) = u(X).
Teorema 5.6 (Kasus Diskrit). Jika X adalah suatu vektor peubah acak diskrit dengan fungsi
densitas peluang bersama f
X
(x) dan Y = u(X) mendefinisikan suatu transformasi satu-satu,
maka fungsi densitas peluang bersama Y adalah
f
Y
(y
1
, . . . , y
k
) = f
X
(x
1
, . . . , x
k
) (5.43)
dimana x
1
, . . . , x
k
adalah penyelesaian dari y = u(x) dan bergantung pada y
1
, . . . , y
k
. Jika
transformasinya tidak satu-satu dan jika partisi ada katakanlah A
1
, A
2
, . . . , sedemikian hingga
y = u(x) memiliki penyelesaian tunggal x = x
j
atau
x
j
= (x
1j
, . . . , x
kj
) (5.44)
sepanjang A
j
, maka fungsi densitas peluang Y adalah
f
Y
(y
1
, . . . , y
k
) =

j
f
X
(x
1j
, . . . , x
kj
). (5.45)
Untuk kasus kontinu, transformasi peubah acak kontinu juga dapat diperoleh dengan mem-
perluas notasi Jacobian. Suatu transformasi dengan k peubah y = u(x) dengan suatu penye-
lesaian tunggal x = (x
1
, . . . , x
k
) memiliki Jacobian yang merupakan matriks turunan parsial
k ×k
J =
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
∂x
1
∂y
1
∂x
1
∂y
2
· · ·
∂x
1
∂y
k
∂x
2
∂y
1
∂x
2
∂y
2
· · ·
∂x
2
∂y
k
.
.
.
.
.
.
.
.
.
.
.
.
∂x
k
∂y
1
∂x
k
∂y
2
· · ·
∂x
k
∂y
k
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(5.46)
Teorema 5.7. Misal suatu vektor peubah acak kontinu X = (X
1
, . . . , X
k
) dengan fungsi densi-
tas peluang bersama f
X
(x
1
, . . . , x
k
) > 0 pada himpunan A, dan Y = (Y
1
, . . . , Y
k
) didefinisikan
oleh transformasi satu-satu
Y
i
= u
i
(X
1
, . . . , X
k
), i = 1, . . . , k. (5.47)
Jika Jacobiannya kontinu dan tak nol sepanjang rentang (range) dari transformasi, maka fungsi
densitas peluang bersama Y adalah
f
Y
(y
1
, . . . , y
k
) = f
X
(x
1
, . . . , x
k
)|J| (5.48)
dimana x = (x
1
, . . . , x
k
) adalah penyelesaian dari y = u(x).
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 56
Contoh 5.13. Misal X
1
dan X
2
adalah peubah-peubah acak kontinu bebas dan berdistribusi
eksponensial, yakni X
i
∼ EXP(1). Fungsi densitas peluang bersamanya 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
}. Misal peubah acak Y
1
= X
1
dan Y
2
= X
1
+ X
2
. Hal
ini bersesuaian dengan transformasi y
1
= x
1
dan y
2
= x
1
+ x
2
, yang memiliki solusi tunggal
x
1
= y
1
dan x
2
= y
2
−y
1
. Jacobian transformasi 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 demikian 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 untuk y lainnya.
Himpunan B diperoleh dengan mentransformasikan himpunan A yang bersesuaian dengan
y
1
= x
1
> 0 dan y
2
−y
1
= x
2
> 0. Dengan demikian 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), misal kita tertarik dengan peubah acak
Y
1
= X
1
−X
2
dan Y
2
= X
1
+X
2
. Hal ini bersesuaian dengan transformasi 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
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 B = {(y
1
, y
2
) : −y
2
< y
1
< 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 berikut. Pertama, untuk 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. FUNGSI-FUNGSI PEUBAH ACAK 58
Kedua, untuk 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
. (5.53)
Bentuk persamaan (5.52) dan (5.53) dapat disederhanakan 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 transformasi yang tidak satu-satu Teorema (5.7) juga dapat dipeluas. Jika persamaan
y = u(x) dapat diselesaikan secara tunggal sepanjang setiap himpunan pada partisi A
1
, A
2
, . . . ,
dan menghasilkan penyelesaian, dan jika penyelesaian ini memiliki Jacobian 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 penyelesian sepanjang himpunan A
i
.
5.3 Jumlah Peubah Acak
5.3.1 Formula Konvolusi
Misal X
1
dan X
2
adalah peubah acak kontinu dengan fungsi densitas peluang bersama f
X
1
,X
2
(x
1
, x
2
)
dan jika kita hanya tertarik pada fungsi densitas peluang dari suatu jumlah S = X
1
+X
2
maka
kita dapat menggunakan
f
S
(s) =
_

−∞
f(t, s −t) dt. (5.57)
Jika X
1
dan X
2
saling bebas, maka kita akan memperoleh formula konvolusi
f
S
(s) =
_

−∞
f
X
1
(t)f
X
2
(s −t) dt. (5.58)
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 59
Contoh 5.15. Misal X
1
dan X
2
adalah peubah acak bebas dan berdistribusi seragam, yakni
X
i
∼ UNIF(0, 1), i = 1, 2. Misal pula S = X
1
+X
2
. Fungsi distribusi peluang bersama X
1
dan
X
2
dapat dinyatakan sebagai
f
X
1
,X
2
(x
1
, x
2
) = 1, 0 < x
1
< 1; 0 < x
2
< 1. (5.59)
Daerah B bersesuaian dengan transformasi t = x
1
dan s = x
1
+x
2
adalah B = {(s, t) : 0 < t <
s < t + 1 < 2}. Dengan demikian diperoleh
f
S
(s) =
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
_
s
0
dt = s, untuk 0 < s < 1;
_
1
s−1
dt = 2 −s, untuk 1 ≤ s < 2;
1 −|s −1|, untuk 0 < s < 2;
0, untuk s lainnya.
(5.60)
Contoh 5.16. Misal X
1
dan X
2
adalah peubah acak gamma bebas, yakni X
1
∼ GAM(1, α)
dan X
2
∼ GAM(1, β). Misal peubah acak Y
1
= X
1
+ X
2
dan Y
2
= X
1
/(X
1
+ X
2
). Fungsi
densitas peluang bersama X
1
dan X
2
adalah
f
X
1
,X
2
(x
1
, x
2
) =
1
Γ(α)Γ(β)
x
α−1
1
x
β−1
2
exp(−x
1
−x
2
), 0 < x
i
< ∞, 0 < α, 0 < β. (5.61)
Dengan transformasi invers diperoleh x
1
= y
1
y
2
dan x
2
= y
1
− y
1
y
2
= y
1
(1 − y
2
). Jacobian
transformasi ini adalah
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
.
Dengan demikian fungsi densitas peluang bersama X
1
dan X
2
adalah
f
Y
1
,Y
2
(y
1
, y
2
) =
(y
1
y
2
)
α−1
Γ(α)Γ(β)
(y
1
(1 −y
2
))
β−1
exp(−y
1
y
2
−(y
1
−y
1
y
2
))| −y
1
|
=
y
α−1
1
y
α−1
2
y
β−1
1
(1 −y
2
)
β−1
Γ(α)Γ(β)
e
−y
1
y
1
=
y
α−1
2
(1 −y
2
)
β−1
Γ(α)Γ(β)
y
α+β−1
1
e
−y
1
;
jika (y
1
, y
2
) ∈ B = {(y
1
, y
2
) : 0 < y
1
< ∞, 0 < y
2
< 1} dan nol untuk y lainnya.
5.3.2 Metode Fungsi Pembangkit Momen
Fungsi pembangkit momen (moment generating function) dari suatu peubah acak secara unik
menentukan distribusinya. Pendekatan fungsi pembangkit momen berguna dalam menentukan
distribusi jumlah peubah acak bebas dan bahkan lebih nyaman dibandingkan melakukan trans-
formasi bersama. Jika fungsi pembangkit momen suatu peubah acak diperoleh, maka langkah
selanjutnya adalah menentukan atau mengenali distribusi yang memiliki fungsi pembangkit mo-
men tersebut.
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 60
Teorema 5.8. Jika X
1
, . . . , X
n
adalah peubah acak bebas dengan fungsi pembangkit momen
M
X
i
(t), maka fungsi pembangkit momen Y =

n
i=1
X
i
adalah
M
Y
(t) = M
X
1
(t) · · · M
X
n
(t). (5.62)
Bukti:
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
merupakan sampel acak dari suatu populasi dengan fungsi densitas
peluang f
X
(x) dan fungsi pembangkit momen M
X
(t) maka
M
Y
(t) = M
X
(t) · · · M
X
(t) = [M
X
(t)]
n
. (5.63)
Contoh 5.17. Misal X
1
, . . . , X
n
adalah peubah-peubah acak berdistribusi Poisson yang saling
bebas, yakni X
i
∼ POI(µ
i
) dan misal pula Y =

n
i=1
X
i
. Fungsi pembangkit momen X
i
adalah
M
X
i
(t) = exp[µ
i
(e
t
−1)]. Dengan demikian fungsi pembangkit momen Y adalah
M
Y
(t) = M
X
1
(t) · · · M
X
n
(t)
= exp[µ
1
(e
t
−1)] · · · exp[µ
n
(e
t
−1)]
= exp[(µ
1
+· · · +µ
n
)(e
t
−1)]. (5.64)
Bentuk (5.64) adalah fungsi pembangkit momen dari POI(µ
1
+· · · +µ
n
). Jadi Y =

n
i=1
X
i

POI(

n
i=1
µ
i
).
Contoh 5.18. Misal X
1
, . . . , X
n
adalah peubah-peubah acak yang berdistribusi normal dan
saling bebas, X
i
∼ N(µ
i
, σ
2
i
); i = 1, . . . , n. Misal Y =

n
i=1
X
i
. Fungsi pembangkit momen X
i
adalah
M
Y
(t) = M
X
1
(t) · · · M
X
n
(t)
= exp(µ
1
t +σ
2
1
t
2
/2) · · · exp(µ
n
t +σ
2
n
t
2
/2)
= exp(µ
1
t +· · · +µ
n
t +σ
2
1
t
2
/2 +· · · +σ
2
n
t
2
/2)
= exp[(µ
1
+· · · +µ
n
)t + (σ
2
1
+· · · +σ
2
n
)t
2
/2]. (5.65)
Bentuk (5.65) adalah fungsi pembangkit momen dari Y ∼ N(

n
i=1
µ
i
,

n
i=1
σ
2
i
).
5.4 Statistik Terurut
5.4.1 Penarikan Sampel Tersensor
Konsep tentang suatu sampel acak berukuran n telah dibicarakan pada bab sebelumnya, dan
fungsi denstias peluang bersama dari n peubah acak saling bebas 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 acak enam bola lampu diuji dengan waktu kegagalan yang teramati
(dalam bulan) katakanlah (x
1
, x
2
, x
3
, x
4
, x
5
, x
6
) = (6, 8, 11, 100, 5, 15). Nah, amatan sesungguh-
nya akan mengambil posisi x
5
= 5, x
1
= 6, x
2
= 8, x
3
= 11, x
6
= 15, dan x
4
= 100. Akan
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 61
lebih bermanfaat apabila kita mengganggap sampel acak ”terurut” (ordered random sample)
berukuran n, dinotasikan 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 kita tidak perduli
bola lampu mana yang diberi label nomor 1, nomor 2, nomor 3, dan seterusnya, kita dapat saja
dengan cara yang sama mencatat data terurut sebagaimana bahwa dia diambil tanpa mencatat
pelabelan awal. Dalam beberapa kasus kita ingin berhenti setelah r amatan terurut terkecil dari
n telah teramati, karena hal ini berarti kita bisa menghemat waktu. Dalam ilustrasi di atas
diperlukan 100 bulan agar keenam bola lampu gagal, tetapi lima bola lampu gagal dalam tempo
15 bulan.
Fungsi distribusi bersama dari peubah-peubah acak terurut tidaklah sama dengan fungsi
densitas bersama peubah-peubah acak tidak terurut. Sebagai contoh, ilustrasi di atas ada 6!
permutasi yang berbeda dari suatu sampel berukuran 6 bersesuaian dengan satu hasil terurut.
Misal suatu transformasi yang mengurutkan nilai-nilai x
1
, . . . , x
n
yakni
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
) menyatakan nilai terkecil ke-i dari x
1
, . . . , x
n
. Ilustrasi bola
lampu di atas memperlihatkan contoh transformasi ini. Apabila transformasi ini diterapkan pada
suatu sampel acak X
1
, . . . , X
n
, kita akan mendapatkan sampel acak terurut, disebut statistik
terurut (order statistics) dinotasikan sebagai X
1:n
, . . . , X
n:n
atau Y
1
, . . . , Y
n
.
Teorema 5.9. Jika X
1
, . . . , X
n
adalah suatu sampel acak dari suatu populasi dengan fungsi
densitas peluang kontinu f
X
(x), maka fungsi densitas peluang bersama dari statistik 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
), jika y
1
< y
2
< · · · < y
n
;
0, jika y lainnya.
(5.69)
Jika transformasi peubah acak kontinu tidak satu-satu maka perlu dilakukan partisi pada do-
main menjadi himpunan-himpunan bagian A
1
, A
2
, . . . , sedemikian hingga transformasi menjadi
satu-satu pada masing-masing himpunan bagian dan menjumlahkannya, yakni
g
Y
1
,...,Y
n
(y
1
, . . . , y
n
) =

i
f
Y
1
(y
1
) · · · f
Y
n
(y
n
)|J
i
|. (5.70)
Untuk memahami Teorema (5.9), sebagai ilustrasi kita ambil kasus n = 3. Dalam 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
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 acak terurut kita 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
= X
1
, Y
2
= X
3
, Y
3
= X
2
, dengan J
3
= −1 pada A
3
;
Y
1
= X
2
, Y
2
= X
3
, Y
3
= X
1
, dengan J
4
= −1 pada A
4
;
Y
1
= X
3
, Y
2
= X
1
, Y
3
= X
2
, dengan J
5
= −1 pada A
5
;
Y
1
= X
3
, Y
2
= X
2
, Y
3
= X
1
, dengan J
6
= −1 pada A
6
.
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 62
Catatan: masing-masing Jacobian dapat dihitung sebagai berikut, misalnya untuk 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 kasus |J
i
| = 1. Lebih lanjut, untuk setiap daerah, fungsi densitas peluang bersamanya
adalah produk dari faktor-faktor f
Y
i
(y
i
) dikalikan menurut urutan. Namun, dapat dituliskan
sebagai f
Y
1
(y
1
)f
Y
2
(y
2
)f
Y
3
(y
3
), mengabaikan urutan. Jika kita jumlahkan semuanya maka terda-
pat 3! = 6 himpunan bagian. Dengan demikian, fungsi densitas peluang bersama Y
1
, Y
2
, dan Y
3
adalah
g
Y
1
,Y
2
,Y
3
(y
1
, y
2
, y
3
) =
6

i=1
f
Y
1
(y
1
)f
Y
2
(y
2
)f
Y
3
(y
3
)
= 3!f
Y
1
(y
1
)f
Y
2
(y
2
)f
Y
3
(y
3
), y
1
< y
2
< y
3
;
dan nol untuk y lainnya.
Contoh 5.19. Misal X
1
, X
2
, dan X
3
menyatakan suatu sampel acak berukuran tiga dari suatu
populasi dengan fungsi densitas peluang
f
X
(x) =
_
2x, jika 0 < x < 1;
0, jika x lainnya.
(5.71)
Fungsi densitas peluang bersama dari statistik 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 untuk y lainnya.
Jika kita tertarik dengan fungsi densitas marjinal dari suatu statistik terurut tunggal, mis-
alnya Y
k
, maka hal ini dapat diperoleh dengan mengintegralkan sepanjang peubah lain. Misal
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 63
fungsi peluang marjinal dari statistik terurut terkecil 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
8

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.
Untuk mendapatkan formula umum dari distribusi ke-k dari statistik terurut dalam fungsi den-
sitas peluang f
X
(x) dan fungsi distribusi kumulatif F
X
(x). Jika X adalah peubah acak kontinu
dengan fungsi peubah acak f
X
(x) > 0 pada a < x < b (a mungkin −∞dan b mungkin ∞) maka
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 64
untuk 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 acak berukuran n dari fungsi densitas peluang
kontinu f
X
(x), dimana f
X
(x) > 0 untuk a < x < b. Maka fungsi densitas peluang statistik
terurut ke-k, yakni Y
k
, diberikan oleh
g
k
(y
k
) =
n!
(k −1)!(n −k)!
[F
Y
k
(y
k
)]
k−1
[1 −F
Y
k
(y
k
)]
n−k
f
Y
k
(y
k
), (5.72)
jika a < y
k
< n, dan nol untuk y
k
lainnya.
Untuk memahami Teorema (5.10) perhatikan bahwa untuk mendapatkan Y
k
= y
k
, kita harus
mempunyai k − 1 amatan kurang dari y
k
, satu amatan pada y
k
, dan n − k amatan yang lebih
besar daripada y
k
, dimana P(X ≤ y
k
) = F
X
(y
k
) , P(X ≥ y
k
) = 1−F
X
(y
k
), dan likelihood pada
amatan saat y
k
adalah f
Y
k
(y
k
). Terdapat n!/(k − 1)!1!(n − k)! pengurutan yang mungkin dari
n amatan peubah acak bebas, sehingga g
k
(y
k
) diberikan oleh persamaan
g
k
(y
k
) =
n!
(k −1)!(n −k)!
[F
Y
k
(y
k
)]
k−1
[1 −F
Y
k
(y
k
)]
n−k
f
Y
k
(y
k
).
Dengan argumentasi yang sama kita juga dapat memperoleh sembarang fungsi densitas peluang
bersama statistik terurut. Misalkan suatu pasangan statistik terurut Y
i
dan Y
j
dimana i < j.
Untuk mendapatkan Y
i
= y
i
dan Y
j
= y
j
, kita harus memiliki i − 1 amatan kurang 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 menerapkan bentuk multinomial kita akan memperoleh fungsi
densitas peluang bersama Y
i
dan Y
j
g
ij
(y
i
, y
j
) =
n!
(i −1)!1!(j −i −1)!1!(n −j)!
[F
Y
i
(y
i
)]
i−1
f
Y
i
(y
i
)[F
Y
j
(y
j
) −F
Y
i
(y
i
)]
j−i−1
×[1 −F
Y
j
(y
j
)]
n−j
f
Y
j
(y
j
), (5.73)
jika a < y
i
< y
j
< b dan nol untuk y
i
dan y
j
lainnya. Dalam statistika dasar, kita telah mengenal
median dan rentang sampel. Median sampel didefinisikan sebagai
Y
k
=
_
_
_
Y
(n+1)/2
, jika n ganjil;
Y
(n/2)
+Y
(n/2+1)
2
, jika n genap.
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 65
Sementara, rentang sampel adalah selisish antara amatan terbesar dan terkecil, yakni R =
Y
n
−Y
1
.
Fungsi densitas peluang untuk amatan minimum dan maksimum, yakni Y
1
dan Y
n
dapat
ditentukan sebagai kasus khusus dari Teorema (5.10) yakni
g
1
(y
1
) =
n!
(1 −1)!(n −1)!
[F
Y
1
(y
1
)]
i−1
[1 −F
Y
1
(y
1
)]
n−1
f
Y
1
(y
1
)
=
n!
0!(n −1)!
[F
Y
1
(y
1
)]
0
[1 −F
Y
1
(y
1
)]
n−1
f
Y
1
(y
1
)
=
n(n −1)!
1(n −1)!
1[1 −F
Y
1
(y
1
)]
n−1
f
Y
1
(y
1
)
= n[1 −F
Y
1
(y
1
)]
n−1
f
Y
1
(y
1
), a < y
1
< b;
dan
g
n
(y
n
) =
n!
(n −1)!(n −n)!
[F
Y
n
(y
n
)]
n−1
[1 −F
Y
n
(y
n
)]
n−n
f
Y
n
(y
n
)
=
n!
(n −1)!0!
[F
Y
n
(y
n
)]
n−1
[1 −F
Y
n
(y
n
)]
0
f
Y
n
(y
n
)
=
n(n −1)!
(n −1)!1
[F
Y
n
(y
n
)
n−1
]1f
Y
n
(y
n
)
= n[F
Y
n
(y
n
)]
n−1
f
Y
n
(y
n
), a < y
n
< b.
Fungsi distribusi kumulatif peubah acak diskrit dan kontinu untuk nilai sampel minimum dan
maksimum dapat dihitung dengan teknik fungsi distribusi kumulatif. Untuk nilai amatan min-
imum, fungsi distribusi kumulatifnya adalah
G
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 untuk nilai amatan maksimum
G
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 kumulatif untuk statistik terurut
ke-k.
Teorema 5.11. Untuk suatu sampel acak berukuran n dari suatu fungsi distribusi kumulatif
diskrit atau kontinu F
X
(x), maka fungsi distribusi kumulatif marjinal dari statistik terurut ke-k
diberikan oleh
G
k
(y
k
) =
n

j=k
_
n
j
_
[F
Y
k
(y
k
)]
j
[1 −F
Y
k
(y
k
)]
n−j
. (5.74)
Contoh 5.20. Misal suatu sampel acak berukuran n dari suatu distribusi dengan fungsi densitas
peluang f
X
(x) = 2x, 0 < x < 1 dan fungsi distribusi kumulatif
F
X
(x) = x
2
; 0 < x < 1. (5.75)
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 66
Fungsi densitas peluang untuk sampel minimum dan maksimum diperoleh
g
1
(y
1
) = n[1 −F
Y
1
(y
1
)]
n−1
f
Y
1
(y
1
)
= n(1 −y
2
1
)
n−1
2y
1
= 2ny
1
(1 −y
2
1
)
n−1
, 0 < y
1
< 1,
dan
g
n
(y
n
) = n(y
2
n
)
n−1
2y
n
= 2ny
n
(y
2
n
)
n−1
= 2ny
2n−1
n
, 0 < y
n
< 1.
Untuk fungsi distribusi kumulatifnya diperoleh
G
1
(y
1
) = 1 −[1 −F
Y
1
(y
1
)]
n
= 1 −[1 −y
2
1
]
n
;
sedangkan untuk fungsi distribusi maksimum diberikan oleh
G
n
(y
n
) = [F
Y
n
(y
n
))]
n
= [y
2
n
]
n
= y
2n
n
.
Contoh 5.21. Misal kita tertarik pada fungsi densitas peluang dari rentang sampel R = Y
n
−Y
1
.
Fungsi densitas peluang bersama Y
1
dan Y
n
diberikan oleh
g
1,n
(y
1
, y
n
) =
n!
(1 −1)!(n −1 −1)!(n −n)!
[F
Y
1
(y
1
)]
1−1
f
Y
1
(y
1
)[F
Y
n
(y
n
−F
Y
n
(y
1
))]
n−1−1
[1 −F
Y
n
(y
n
)]
n−n
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
)]
n−2
[1 −F
Y
n
(y
n
)]
0
f
Y
n
(y
n
)
=
n!
(n −2)!
(2y
1
)[y
2
n
−y
2
1
]
n−2
(2y
n
)
=
n!
(n −2)!
2y
1
[y
2
n
−y
2
1
]
n−2
2y
n
=
n!
(n −2)!
4y
1
y
n
(y
2
n
−y
2
1
)
n−2
, 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. FUNGSI-FUNGSI PEUBAH ACAK 67
Dengan demikian, fungsi densitas peluang bersama R dan S adalah
h
R,S
(r, s) =
n!
(n −2)!
4s(r +s)[(r +s)
2
−s
2
]
n−2
=
4n!
(n −2)!
s(r +s)[r
2
+ 2rs +s
2
−s
2
]
n−2
=
4n!
(n −2)!
s(r +s)(r
2
+ 2rs), 0 < s < 1 −r, 0 < r < 1.
Fungsi densitas peluang marjinal rentang diberikan oleh
h
R
(r) =
_
1−r
0
h(r, s) ds (5.76)
dan
h
S
(s) =
_
1
0
h(r, s) dr. (5.77)
Misal untuk n = 3 kita peroleh
h
R
(r) =
_
1−r
0
4 · 3!
(3 −2)!
s(r +s)[r + 2rs]
3−2
ds
=
_
1−r
0
4 · 3!
1!
s(r +s)[r + 2rs]
3−2
ds
=
_
1−r
0
24s(r +s)(r + 2rs) ds
= 24
_
1−r
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=1−r
s=0
= 24s
2
r
_
1
2
r +
2
3
rs +
1
3
s +
1
2
s
2

¸
¸
¸
s=1−r
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) untuk memperoleh informasi
reliabilitas benda, amtan terururut adalah hal yang terjadi secara alami. Dalam kasus seperti itu
penghematan dalam waktu dan biaya dapat dilakukan dengan menghentikan percobaan setelah
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 68
r amatan terurut terjadi, dibandingkan menunggu sampai semua n amatan gagal terjadi. Hal ini
disebut pengambilan sampel tersensor tipe II (Type II censored sampling). Pada kasus ini, fungsi
densitas marjinal dari statistik terurut diperoleh dengan mengintegralkan sepanjang peubah.
Teorema 5.12 (Pengambilan Sampel Tersensor Tipe II). Fungsi densitas bersama fungsi dari r
statistik terurur pertama dari suatu sampel acak berukuran n dari suatu fungsi densitas peluang
kontinu f
X
(x) diberikan oleh
g
Y
1
,...,Y
r
(y
1
, . . . , y
r
) =
_
_
_
n!
(n −r)!
[1 −F(y
r
)]
n−r

r
i=1
f(y
i
), jika −∞< y
1
< · · · < y
r
< ∞;
0, jika ylainnya.
(5.78)
Dalam pengambilan sampel tersensor tipe II, jumlah amatan r adalah tetap, namun lama
eksperimen, Y
r
adlaha peubah acak jika pelaku percobaan menghentikan percobaan setelah
waktu tertentu t
0
, maka prosedur ini disebut pengambilan sampel tersensor tipe I (Type I cen-
sored sampling).
Teorema 5.13 (Pengambilan Sampel Tersensor Tipe I). Jika Y
1
, . . . , Y
r
menyatakan nilai-nilai
amatan pada suatu sampel acak berukuran n dari f
X
(x), yakni tersensor tipe I pada sebelah
kanan saat t
0
, maka fungsi densitas peluang bersama Y
1
, . . . , Y
r
diberikan oleh
f
Y
1
,...,Y
r
(y
1
, . . . , y
r
) =
n!
(n −r)!
[1 −F(t
0
)]
n−r
n

i=1
f(y
i
)[1 −F(t
0
)]
n
, (5.79)
jika < y
1
< · · · < y
r
< t
0
dan r = 1, . . . , n.
5.5 Latihan Soal
5-1 Misal X adalah peubah acak dengan dengan fungsi densitas peluang
f
X
(x) =
_
4x
3
, jika 0 < x < 1;
0, jika x lainnya.
Gunakan teknik fungsi distribusi kumulatif untuk menentukan fungsi densitas peluang dari
masing-masing peubah acak berikut:
a) Y = X
4
;
b) W = e
W
;
c) Z = ln X;
d) U = (X −1/2)
2
;
5-2 Misal X adalah peubah acakyang berdistribusi secara seragam, X
i
∼ UNIF(0, 1). Gunakan
teknik fungsi distribusi kumulatif untuk menentukan fungsi densitas peluang dari masing-
masing peubah acak berikut:
a) Y = X
1/4
;
b) W = e
−X
;
c) Z = 1 −e
−X
;
d) U = X(1 −X).
BAB 5. FUNGSI-FUNGSI PEUBAH ACAK 69
5-3 Jika X berdistribusi Weibull, yakni X ∼ WEI(θ, β) , carilah fungsi distribusi kumulatif dan
fungsi densitas peluang dari peubah-peubah acak berikut:
a) Y = (X/θ)
β
;
b) W = ln X;
c) Z = (ln X)
2
.
5-4 Kerjakan kembali Soal No. 1 dan 2 menggunakan metode transformasi.
5-5 Misal X ∼ BIN(n, p). Tentukan fungsi densitas peluang Y = n −X.
5-6 Misal X ∼ NB(r, p). Tentukan fungsi densitas peluang Y = X −r.
5-7 Misal X memiliki fungsi densitas peluang
f
X
(x) =
_
_
_
x
2
24
, jika −2 < x < 4;
0, jika x lainnya.
Carilah fungsi densitas peluang dari Y = X
2
.
5-8 Misal X dan Y memiliki fungsi densitas peluang bersama
f
X,Y
(x, y) =
_
4 e
−2(x+y)
, jika 0 < x < ∞, 0 < y < ∞;
0, x dan y lainnya.
a) Carilah fungsi distribusi kumulatif W = X +Y .
b) Carilah fungsi densitas peluang bersama U = X/Y dan V = X.
c) Carilah fungsi densitas peluang marjinal U.
5-9 Jika X
1
dan X
2
menyatakan sampel acak berukuran dua dari suatu distribusi Poisson,
X
i
∼ POI(λ), carilah fungsi densitas peluang bersama Y = X
1
+X
2
.
BAB 6
LIMIT DISTRIBUSI
Kompetensi Dasar
Menilai berdasarkan sifat konvergensi distribusi.
Indikator Pencapaian
Memperbandingkan sifat-sifat konvergensi distribusi meliputi barisan peubah acak, teorema
limit pusat, distribusi normal asimtotis, sifat konvergen, dan teorema limit tambahan.
Materi Pokok
6.1 Barisan Peubah Acak
6.2 Teorema Limit Pusat
6.3 Pendekatan Distribusi Binomial
6.4 Distribusi Normal Asimtotik
6.5 Sifat-sifat Konvergensi Stokastik
6.6 Teorema-teorema Limit Tambahan
6.7 Latihan Soal
Pada Bab 5, kita telah membahas metode-metode umum untuk mendapatkan distribusi dari
suatu fungsi dari n peubah acak, katakanlah W
n
= u(X
1
, . . . , X
n
). Dalam beberapa kasus,
fungsi densitas peuang W
n
mudah diperoleh, tetapi dalam beberapa kasus penting penurunan
distribusi tidaklah terlacak (not tractable). Untuk mengatasi hal ini, sangatlah mungkin untuk
memperoleh hasil-hasil yang mendekati yang bisa diterapkan saat n besar. Hasil ini berdasarkan
konsep konvergensi dalam distribusi dan limit distribusi.
6.1 Barisan Peubah Acak
Misal suatu barisan peubah acak W
1
, W
2
, . . . dengan barisan distribusi kumulatif 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)
Definisi 6.1 (Konvergensi dalam Distribusi). Jika W
n
∼ G
n
(w) untuk setiap n = 1, 2, . . . , dan
jika untuk beberapa fungsi distribusi kumulatif G(w),
lim
n→∞
G
n
(w) = G(w) (6.2)
70
BAB 6. LIMIT DISTRIBUSI 71
untuk semua nilai w yang mana G(w) adalah kontinu, maka barisan W
1
, W
2
, . . . dikatakan
konvergen dalam distribusi (converge in distribution) ke W ∼ G(w), dinotasikan
W
n
d
−→W. (6.3)
Distribusi yang bersesuaian dengan fungsi distribusi kumulatif G(w) disebut limit distribusi
dari W
n
(limiting distribution of W
n
)
Contoh 6.1. Misal X
1
, . . . , X
n
adalah sampel acak dari suatu distribusi seragam, yakni X
i

UNIF(0, 1) dan misal W
n
= X
n:n
adalah statistik terurut terbesar. Dari Bab 5 kita tahu bahwa
fungsi distribusi kumulatif W
n
adalah
G
n
(w) =
_
¸
_
¸
_
0, jika w ≤ 0;
w
n
, jika 0 < w < 1;
1, jika w ≥ 1.
(6.4)
Pada saat 0 < w < 1, bentuk w
n
mendekati 0 sebagaimana n mendekati ∞; pada saat w ≤ 0
atau w ≥ 1 maka G
n
(w) adalah suatu barisan konstan, dengan batas-batas bersesuaian 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. Misal suatu sampel acak dari suatu sampel berukuran n dari suatu distribusi
dengan fungsi distribusi kumulatif
F
X
(x) =
_
1 −1/x, jika 1 ≤ ∞;
0, jika x lainnya.
(6.6)
Misal W
n
= X
1:n
. Dari Bab 5 kita tahu bahwa fungsi distribusi 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.
Definisi 6.2 (Distribusi Degenerasi). Fungsi G(w) adalah fungsi distribusi kumulatif dari suatu
distribusi degenerasi (degenerate distribution) pada nilai w = c jika
G(w) =
_
0, jika w < c;
1, jika w ≥ c.
(6.7)
Dengan kata lain, G(w) adalah fungsi distribusi kumulatif dari suatu distribusi diskrit yang
menugaskan peluang satu pada saat w = c dan nol untuk yang lainnya.
Contoh 6.3. Misal X
1
, . . . , X
n
adalah suatu sampel acak dari suatu distribusi eksponensial
X
i
∼ EXP(θ) dan misalkan W
n
= X
1:n
adalah statistik terurut terkecil. Dari Bab 5, kita tahu
BAB 6. LIMIT DISTRIBUSI 72
bahwa fungsi distribusi kumulatif untuk statistik terurut terkecil adalah
G
n
(w) = 1 −[1 −F(w
1
)]
n
= 1 −[1 −(1 −e
−w/θ
)]
n
= 1 −[1 −1 + e
−w/θ
]
n
= 1 −[e
−w/θ
]
n
= 1 −e
−w
n

, untuk w > 0,
dan nol untuk w lainnya. Kita peroleh lim
n→∞
G
n
(w) = 1 jika w > 0 karena e
−w/θ
< 1 dalam
hal ini. Dengan demikian limit ini nol jika w < 0 dan 1 jika w > 0, yang bersesuaian dengan
distribusi degenerasi pada nilai w = 0.
Definisi 6.3 (Konvergen Secara Stokastik). Suatu barisan peubah acak W
1
, W
2
, . . . , dikatakan
konvergen secara stokastik (converge stochastically) ke suatu konstan c apabila memiliki suatu
limit distribusi yang degenarasi pada w = c.
Berikut ini limit yang penting untuk diketahui:
lim
n→∞
_
1 +
c
n
_
nb
= e
cb
; (6.8)
lim
n→∞
_
1 +
c
n
+
d(n)
n
_
nb
= e
cb
, jika lim
n→∞
d(n) = 0. (6.9)
Contoh 6.4. Misal X
1
, . . . , X
n
adalah suatu sampel acak dari suatu distribusi Pareto, yakni
X
i
∼ PAR(1, 1), dan misal W
n
= nX
1:n
. Fungsi distribusi kumulatif X
i
diberikan oleh F
X
(x) =
1 −(1 +x)
−1
, x > 0. Dengan demikian fungsi distribusi 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
fungsi distribusi kumlulatif dari EXP(1).
Contoh 6.5. Jika kita lihat kembali Contoh 6.4 misal W
n
= X
n:n
. Fungsi distribusi kumulatif
W
n
= X
n:n
. Fungsi distribusi 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 semua w, yang tentu bukan suatu fungsi distribusi kumulatif karena tidak mendekati
satu sebagaimana w →∞.
BAB 6. LIMIT DISTRIBUSI 73
Contoh 6.6. Lihat kembali Contoh 6.5. Jika sekarang Anda tertarik dengan W
n
= (1/n)X
n:n
maka fungsi distribusi 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 fungsi distribusi kumulatif G(w) = e
−1/w
, w ≥ 0.
6.2 Teorema Limit Pusat
Dalam contoh sebelumnya, fungsi distribusi kumulatif yang pasti telah diketahui untuk setiap
n tertentu (terbatas), dan distribusi limit diperoleh secara langsung dair barisan ini. Salah
satu keuntungan limit distribusi adalah bahwa dimungkinkan untuk menentukan limit distribusi
tanpa mengetahui bentuk pasti dair fungsi distribusi kumulatif untuk n terbatas. Limit distribusi
menyediakan informasi yang berguna apabila peluang eksak tidak tersedia.
Teorema 6.1. Misal W
1
, W
2
, . . . , adalah suatu barisan peubah acak dengan fungsi distribusi
kumulatif bersesuaian G
1
(w), G
2
(w), . . . , dari fungsi pembangkit momen M
1
(t), M
2
(t), . . . . Jika
M(t) adalah fungsi pembangkit momen dari suatu fungsi distribusi kumulatif G(w) dan jika
lim
n→∞
M
n
(t) = M(t) untuk semua t dalam interval terbuka yang berisi nol, −h < t < h, maka
lim
n→∞
G
n
(w) = G(w) untuk semua titik-titik kontinu dari G(w).
Contoh 6.7. Misal X
1
, . . . , X
n
adalah suatu sampel acak dari suatu distribusi Bernoulli, yakni
X
i
∼ BIN(1, p), dan misalkan W
n
=

n
i=1
X
i
. Jika p → 0 sebagaimana n → ∞ sedemikian
hingga np = µ, maka untuk µ > 0 diperoleh
M
n
(t) = (p e
t
+q)
n
= (p e
t
+1 −p)
n
=
_
µe
t
n
+ 1 −
µ
n
_
n
=
_
1 +
µ(e
t
−1)
n
_
n
.
Dengan demikian diperoleh lim
n→∞
M
n
(t) = e
µ(e
t
−1)
yang merupakan fungsi pembangkit mo-
men dari distribusi Poisson dengan rata-rata µ. Hal ini berarti W
n
d
−→ W ∼ POI(µ). Contoh
ini menyarankan bahwa peubah acak binomial W
n
∼ BIN(n, p), jika n besar dan p kecil, maka
W
n
∼ POI(np).
Contoh 6.8. Lihat kembali Contoh 6.7. Misal kita buat p tetap (fixed) dan anggap barisan
proporsi sampel V
n
= ˆ p
n
= W
n
/n. Dengan menggunakan ekspansi deret e
u
= 1+u+u
2
/2+· · ·
BAB 6. LIMIT DISTRIBUSI 74
dengan u = t/n, kita peroleh
M
W
n
(t) = (p e
t/n
+q)
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) melibatkan suku-suku yang diabaikan dan d(n) →0 sebagaimana n →∞, sehingga
diperoleh lim
n→∞
M
W
n
(t) = e
pt
yang merupakan fungsi pembangkit momen dari distribusi
degenerasi pada w = p. Jadi ˆ p
n
konvergen secara stokastik ke p sebagaimana n mendekati tak
berhingga.
Contoh 6.9. Sekarang kita lihat apabila
Z
n
=
W
n
−np

npq
. (6.11)
Dengan menyederhanakan notasi σ
n
=

npq kita peroleh Z
n
= W
n

n
−np/σ
n
. Menggunakan
ekspansi deret sebelumnya diperoleh
M
Z
n
(t) = E(exp(tZ
n
))
= E[exp{(W
n

n
−np/σ
n
)}t]
= exp(−npt/σ
n
)E(exp(W
n

n
)t)
= exp(−npt/σ
n
)M
W
n

n
(t)
= exp(−npt/σ
n
)M
W
n
(t/σ
n
)
= exp(−npt/σ
n
)[p e
(t/σ
n
)
+q]
n
=
__
1 −
pt
σ
n
+
p
2
t
2

2
n
+· · ·
_
×
_
1 +
pt
σ
n
+
pt
2

2
n
+· · ·
__
=
__
1 +
pt
σ
n
+
pt
2

2
n
+· · · −
pt
σ
n

pt
2

2
n
+
p
2
t
2

2
n
+
p
3
t
3

2
n
__
n
=
_
1 +
t
2
2n
+
d(n)
n
_
n
dimana d(n) →0 sebagaimana n →∞. Sehingga
lim
n→∞
M
Z
n
(t) = e
t
2
/2
, (6.12)
yang merupakan fungsi pembangkit momen dari distribusi normal standar. Jadi Z
n
d
−→ Z ∼
N(0, 1). Contoh ini mengilustrasikan bahwa untuk n besar dan p tertentu (fixed) maka W
n
mendekati normal yakni W
n
∼ N(np, npq).
Teorema 6.2 (Teorema Limit Pusat). Jika X
1
, . . . , X
n
adalah suatu sampel acak dari distribusi
dengan rata-rata µ dan variansi σ
2
< ∞, maka limit distribusi (limiting distribution) dari
Z
n
=

n
i=1
X
i
−nµ
σ

n
(6.13)
adalah normal standar, yakni Z
n
d
−→Z ∼ N(0, 1) sebagaimana n →∞.
Bentuk persamaan (6.13) dapat juga dihubungkan dengan rata-rata sampel, yakni
Z
n
=
¯
X
n
−µ
σ/

n
. (6.14)
BAB 6. LIMIT DISTRIBUSI 75
6.3 Pendekatan Distribusi Binomial
Pendekatan binomial seperti pada contoh di atas akan bagus jika p dekat 0,5, karena distribusi
binomial simetris saat p = 0,5. Akurasi yang diperlukan dalam pendekatan tergantung pada
aplikasi. Salah satu panduan adalah menggunakan pendekatan normal apabila np ≥ 5 dan
nq ≥ 5. Namun, sekali lagi, ini tergantung pada akurasi yang diperlukan.
Contoh 6.10. Peluang bahwa seorang pemain basket memasukkan bola adalah p = 0,5. Jika
ia mengambil 20 kali lemparan, berapakah peluang ia memasukkan bola paling tidak sembilan
kali? Peluang eksaknya adalah
P(W
20
≥ 9) = 1 −P(W
20
≤ 8)
= 1 −
8

w=0
_
20
w
_
0,5
w
0,5
20−w
= 0,7483
Pendekatan normalnya adalah
P(W
20
≥ 9) = 1 −p(W
20
≤ 8)
≈ 1 −Φ
_
8 −10

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

npq) dengan n = 20, p = 0,5, dan q = 0,5.
Mengingat distribusi binomial adalah diskrit dan distribusi normal adalah kontinu, maka
pendekatan dapat diperbaiki dengan membuat koreksi kontinuitas (continuity correction). Se-
cara khusus masing-masing peluang binomial b(w, n, p) memiliki nilai yang sama seperti area
persegi panjang dengan tinggi b(w, n, p) dan dengan interval [w−0,5, w+0,5] sebagai dasarnya,
karena panjang unitnya satu unit. Luas persegi panjang ini dapat didekati dengan area dibawah
fungsi densita peluang W ∼ N(np, npq). Dengan menerapkan koreksi kontinuitas, kita peroleh
P(W
20
≥ 9) = 1 −P(W
20
≤ 8)
≈ 1 −Φ
_
8,5 −10

5
_
≈ 1 −Φ(−0,67)
≈ 0,7486,
yang lebih mendekati hasil eksaknya dibandingkan tanpa koreksi kontinuitas. Secara umum, jika
W
n
∼ BIN(n, p) dan a ≤ b adalah bilangan-bilangan bulat, maka
P(a ≤ W
n
≤ b) ≈ Φ
_
b + 0,5 −np

npq
_
−Φ
_
a −0,5 −np

npq
_
. (6.15)
6.4 Distribusi Normal Asimtotik
Definisi 6.4 (Distribusi Normal Asimtotik). Jika W
1
, W
2
, . . . adalah suatu barisan peubah 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 distribusi normal asimtotik (asymptotic normal
distribution) dengan rata-rata asimtotik m dan variansi asimtotik c
2
/n.
BAB 6. LIMIT DISTRIBUSI 76
6.5 Sifat-sifat Konvergensi Stokastik
Dalam contoh-contoh sebelumnya kita menemukan bahwa barisan peubah acak konvergen se-
cara stokastik ke suatu konstanta. Teorema berikut memberikan kriteria alternatif untuk me-
nunjukkan konvergensi stokastik.
Teorema 6.3 (Konvergen dalam Peluang). Barisan W
1
, W
2
, . . . konvergen secara stokastik ke
c jika dan hanya jika untuk setiap ε > 0,
lim
n→∞
P(|W
n
−c| < ε) = 1. (6.17)
Suatu barisan peubah acak yang memenuhi Teorema 6.3 disebut juga konvergen dalam pelu-
ang ke konstanta c, dinotasikan W
n
p
− →c.
Contoh 6.11. Dalam contoh Hukum Bernoulli Bilangan Besar (Bernoulli Law of Large Num-
bers), diperoleh rata-rata dan variansi dari ˆ p
n
adalah E(ˆ p
n
) = p dan var(ˆ p
n
) = pq/n sehingga
P(| ˆ p
n
−p| < ε) ≥ 1 −
pq
ε
2
n
(6.18)
untuk setiap ε > 0. Jadi lim
n→∞
P(| ˆ p
n
−p| < ε) = 1.
Teorema 6.4 (Hukum Bilangan-Bilangan Besar). Jika X
1
, . . . , X
n
adalah suatu sampel acak
dari suatu distribusi dengan rata-rata terbatas (finite) µ dan variansi σ
2
, maka barisan rata-rata
sampel konvergen dalam peluang ke µ, yakni
¯
X
n
p
− →µ. (6.19)
Teorema 6.4 ini menunjukkan bahwa rata-rata sampel memberikan suatu pendugaan yang
bagus dari rata-rata populasi, dalam hal bahwa peluang mendekati 1 sebagaimana secara per-
lahan
¯
X
n
dekat µ bila n →∞.
Teorema berikut menunjukkan bahwa suatu barisan peubah acak yang normal asimtotis
konvergen dalam peluang ke rata-rata asimtotis.
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
Definisi 6.5 (Konvergensi dalam Peluang). Barisan peubah acak W
n
dikatakan konvergen
dalam peluang ke W, ditulis W
n
p
− →W jika
lim
n→∞
P(|W
n
−W| < ε) = 1. (6.20)
Konvergensi dalam peluang memiliki sifat yang lebih kuat dibandingkan konvergensi dalam
distribusi.
Teorema 6.6. Untuk suatu barisan peubah acak, jika W
n
p
− →W maka W
n
d
−→W.
Kasus khusus untuk Teorema 6.6, jika W = c maka limit distribusi adalah distribusi degen-
erasi P(W = c) = 1.
BAB 6. LIMIT DISTRIBUSI 77
6.7 Latihan Soal
6-1 Misal suatu sampel acak berukuran n dari suatu distribusi dengan fungsi distribusi
F
X
(x) =
_
_
_
1 −
1
x
, jika 1 ≤ x ≤ ∞;
0, x lainnya.
a) Carilah fungsi distribusi dari statistik terurut minimum, X
1:n
.
b) Carilah limit distribusi X
1:n
.
c) Carilah limit distribusi X
n
1:n
.
6-2 Misal suatu sampel acak berukuran n dari suatu distribusi dengan fungsi distribusi F
X
(x) =
(1 + e
−x
)
−1
untuk semua bilangan real x.
a) Apakah statistik terurut terbesar X
n:n
memiliki limit distribusi?
b) Apakah X
n:n
−ln n memiliki limit distribusi? Jika demikian, apa limit distribusinya?
6-3 Misal suatu sampel acak berukuran n berasal dari distribusi dengan fungsi distribusi F
X
(x) =
1−x
−2
jika x > 1 dan nol untuk x lainnya. Periksalah apakah barisan-barisan berikut memi-
liki limit distribusi; jika demikian, berikan 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
, . . . saling bebas. Gunakan fungsi pembangkit momen untuk
mencari limit distribusi

n
i=1
(Z
i
+ 1/n)/

n.
6-5 Misal
¯
X
n
menyatakan rata-rata dari suatu sampel acak dari distribusi N(µ, σ
2
). Carilah
limit distribusi
¯
X
n
.
6-6 Misal X
1
, . . . , X
n
adalah sampel acak berukuran n dari distribusi N(µ, σ
2
). Tunjukkan
bahwa jumlah V
n
=

n
i=1
X
i
tidak memiliki limit distribusi.
6-7 Misal suatu sampel acak berasal dari distribusi Poisson, yakni X
i
∼ POI(µ).
a) Tunjukkan bahwa Y
n
= e

¯
X
n
konvergen secara stokastik ke P(X = 0) = e
−µ
.
b) Carilah distribusi normal asimtotis dari Y
n
.
c) Tunjukkan bahwa
¯
X
n
exp(−
¯
X
n
) konvergen secara stokastik ke P(X = 1) = µe
−µ
.
6-8 Misal S
2
n
menyatakan varians of sampel acak berukuran n dari distribusi N(µ, σ
2
). Buktikan
bahwa nS
2
n
/(n −1) konvergen dalam peluang ke σ
2
.
6-9 Misal X
n
berdistribusi gamma dengan parameter κ = n dan θ, dengan θ bukan fungsi dari
n. Misal V
n
= X
n
/n. Carilah limit distribusi V
n
.
6-10 Misal X
n
berdistribusi χ
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 Pencapaian
Membandingkan sifat-sifat sampel acak, statistik dan distribusi pengambilan sampel,
distribusi t, distribusi F, distribusi beta, pendekatan sampel besar, dan statistik terurut.
Materi Pokok
7.1 Statistik
7.2 Distribusi-distribusi Pengambilan Sampel
7.3 Pendekatan-pendekatan Sampel Besar
7.4 Latihan Soal
Konsep sampel acak telah diperkenalkan pada bab-bab sebelumnya. Kemudian konsep tentang
fungsi distribusi empiris dikenalkan untuk kemudian digunakan untuk mencari informasi tentang
rata-rata sampel dan varians sampel sebagai penduga yang intuitif untuk rata-rata dan varians
distribusi populasi.
Bab ini akan membicarakan tentang konsep statistik yang menyertakan rata-rata sampel dan
varians sampel. Sifat-sifat statistik dan distribusinya akan dibahas secara mendalam, terutama
sifat-sifat distribusi normal dan turunannya.
7.1 Statistik
Pada bagian ini akan dibahas pengertian statistik beserta contoh-contohnya.
Definisi 7.1. Suatu fungsi dari peubah acak yang teramati, T = (X
1
, . . . , X
n
), yang tidak
bergantung pada parameter yang tidak diketahui, disebut statistik.
Pada Definisi 7.1, huruf adalah fungsi yang diterapkan pada X
1
, . . . , X
n
untuk mendefin-
isikan statistik, yang dinotasikan oleh huruf kapital T.
Contoh 7.1. Misal X
1
, . . . , X
n
menyatakan suatu sampel acak dari suatu populasi dengan
fungsi densitas peluang f
X
(x). Rata-rata sampel merupakan salah satu contoh statistik yang
78
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 79
didefinisikan oleh fungsi (x
1
, . . . , x
n
) = (x
1
+ · · · + x
n
)/n. Statistik ini biasanya dinotasikan
oleh
¯
X =
n

i=1
X
i
n
. (7.1)
Apabila suatu sampel acak teramati, maka nilai
¯
X dihitung dari data yang biasanya dinotasikan
oleh ¯ x.
Sifat-sifat rata-rata sampel dan varians dapat dilihat pada teorema berikut.
Teorema 7.1. Jika X
1
, . . . , X
n
menyatakan suatu sampel acak dari f
X
(x) dengan E(X) = µ
dan var(X) = σ
2
, maka
E(
¯
X) = µ (7.2)
dan
var(
¯
X) =
σ
2
n
. (7.3)
Bukti: Untuk menunjukkan Persamaan (7.2), gunakan sifat-sifat nilai harapan sampel 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
(nµ)
= µ.
Dengan cara yang sama, untuk menunjukkan Persamaan (7.3), gunakan sifat-sifat varians untuk
sampel acak, yakni 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
σ
2
=
σ
2
n
.
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 80
Contoh 7.2. Fungsi (x
1
, . . . , x
n
) = [(x
1
−¯ x)
2
+· · · +(x
n
−¯ x)
2
]/(n−1) ketika diterapkan pada
data bersesuaian dengan varians sampel. Lebih khusus lagi hal ini dinyatakan sebagai
S
2
=

n
i=1
(X
i

¯
X)
2
(n −1)
. (7.4)
Teorema 7.2. Jika X
1
, . . . , X
n
menyatakan suatu sampel acak berukuran n dari f
X
(x) dengan
E(X) = µ dan var(X) = σ
2
, maka
E(S
2
) = σ
2
(7.5)
dan
var(S
2
) =
_
µ
4

n −3
n −1
σ
4
_
n
, n > 1. (7.6)
7.2 Distribusi-distribusi Pengambilan Sampel
Statistik juga merupakan suatu peubah acak, distribusi yang bergantung pada distribusi dari
suatu sampel acak dengan bentuk fungsi (x
1
, . . . , x
n
). Distribusi dari suatu statistik disebut
distribusi turunan (derived distribution) atau distribusi pengambilan sampel (sampling distribu-
tion).
7.2.1 Kombinasi Linear Peubah-peubah Normal
Teorema 7.3. Jika X
i
∼ N(µ
i
, σ
2
i
), i = 1, . . . , n menyatakan peubah normal bebas, maka
Y =
n

i=1
a
i
X
i
∼ N
_
n

i=1
a
i
µ
i
,
n

i=1
a
2
i
σ
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
µ
i
t +a
2
i
t
2
σ
2
i
/2)
= exp
_
t
n

i=1
a
i
µ
i
+t
2
n

i=1
a
2
i
σ
2
i
/2
_
,
yang merupakan fungsi pembangkit momen dari peubah acak normal dengan rata-rata

n
i=1
a
i
µ
i
dan varians

n
i=1
a
2
i
σ
2
i
.
Korolari 1. Jika X
1
, . . . , X
n
menyatakan suatu sampel acak dari N(µ, σ
2
), maka
¯
X ∼ N(µ, σ
2
/n).
7.2.2 Distribusi Khi Kuadrat
Misal suatu distribusi gamma khusus dengan θ = 2 dan κ = v/2. Peubah acak Y dikatakan
berdisttribusi khi kuadrat (chi-square) dengan derajat kebebasan v jika Y ∼ GAM(2, v/2),
dinotasikan sebagai
Y ∼ χ
2
(v). (7.8)
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 81
Teorema 7.4. Jika Y ∼ χ
2
(v), maka
M
Y
(t) = (1 −2t)
−v/2
, (7.9)
E(Y
r
) = 2
r
Γ(v/2 +r)
Γ(v/2)
, (7.10)
E(Y ) = v, (7.11)
dan
var(Y ) = 2v. (7.12)
Bukti: Mengingat Y ∼ GAM(2, v/2), maka sifat-sifat distribusi gamma pun berlaku. Untuk
membuktikan Persamaan (7.9), diketahui bahwa fungsi pembangkit momen distribusi gamma
adalah (1 −θt)
−κ
untuk t < 1/θ. Sehingga untuk θ = 2 dan κ = v/2
M
Y
(t) = (1 −2t)
−v/2
.
Untuk ekspektasi ke-r pada Persamaan (7.10) juga berdasarkan hasil dari distribusi gamma.
Jika X ∼ GAM(θ, κ) maka
E(X
r
) = θ
r
Γ(κ +r)
Γ(κ)
.
Untuk θ = 2 dan κ = v/2, ekspektasi ke-r menjadi
E(Y
r
) = 2
r
Γ(v/2 +r)
Γ(v/2)
.
Selanjutnya untuk menunjukkan Persamaan (7.11), diketahui bahwa jika X ∼ GAM(θ, κ) maka
E(X) = θκ. Dengan demikian,
E(Y ) = 2(v/2) = v.
Untuk menghitung varians pada Persamaan (7.12), gunakan varians dari X, yakni
var(X) = θ
2
κ.
Sehingga, untuk θ = 2 dan κ = v/2
var(Y ) = 2
2
(v/2)
= 4(v/2)
= 2v.
Persentil (percentiles), χ
2
γ
(v), adalah nilai yang didefinisikan sebagai
P(Y ≤ χ
2
γ
(v)) = γ. (7.13)
Teorema 7.5. Jika X ∼ GAM(θ, κ), maka Y = 2X/θ ∼ χ
2
(2κ).
Bukti: Akan digunakan teknik fungsi pembangkit momen untuk menentukan distribusi dari
Y = 2X/θ.
M
Y
(t) = M
2X/θ
(t)
= M
X
(2t/θ)
= (1 −2t)
−2κ/2
,
yang merupakan fungsi pembangkit momen dari distribusi khi kuadrat dengan derajatkebebasan
2κ.
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 82
Teorema 7.6. Jika Y
i
∼ χ
2
v
i
; i = 1, . . . , n adalah peubah-peubah acak khi kuadrat yang bebas,
maka
V =
n

i=1
Y
i
∼ χ
2
_
n

i=1
v
i
_
. (7.14)
Bukti: Akan digunakan teknik fungsi pembangkit momen untuk menentukan distribusi 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 merupakan fungsi pembangkit momen dari χ
2
_

n
i=1
v
i
_
.
Teorema berikut memberikan hubungan antara peubah acak normal standar dengan peubah
acak khi kuadrat.
Teorema 7.7. Jika Z ∼ N(0, 1), maka Z
2
∼ χ
2
(1).
Bukti:
M
Z
2(t) = E(e
tZ
2
)
=
_

−∞
1


e
tz
2
−z
2
/2
dz
=
1

1 −2t
_

−∞

1 −2t


e
−z
2
(1−2t)/2
dz
= (1 −2t)
−1/2
,
yang merupakan fungsi pembangkit momen dari distribusi khi kuadrat dengan derajat kebebasan
satu, yakni χ
2
(1).
Korolari 2. Jika X
1
, . . . , X
n
menyatakan suatu sampel acak dari N(µ, σ
2
), maka
n

i=1
(X
i
−µ)
2
σ
2
∼ χ
2
(n),
dan
n(
¯
X −µ)
2
σ
2
∼ χ
2
(1).
Teorema 7.8. Jika X
1
, . . . , X
n
menyatakan suatu sampel acak dari N(µ, σ
2
), maka
1. statistik
¯
X dan suku-suku X
i

¯
X; i = 1, . . . , n adalah saling bebas;
2. statistik
¯
X dan S
2
saling bebas;
3. kuantitas (n −1)S
2

2
∼ χ
2
(n −1).
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 83
7.2.3 Distribusi Student t
Kita tahu bahwa S
2
dapat digunakan untuk membuat inferensi tentang parameter σ
2
di dalam
suatu distribusi normal. Demikian pula
¯
X yang berguna untuk parameter µ. Namun, distribusi
¯
X juga bergantung pada parameter σ
2
. Hal ini berarti bahwa tidaklah mungkin menggunakan
¯
X untuk prosedur statistika tertentu tentang rata-rata apabila σ
2
tidak diketahui. Sehingga,
jika σ digantikan S pada kuantitas

n(
¯
X−µ)/σ, maka distribusinya tidak lagi normal (namun,
tetap tidak bergantung pada θ).
Teorema 7.9. Jika peubah acak Z ∼ N(0, 1) dan V ∼ χ
2
(v) saling bebas, maka distribusi dari
T =
Z
_
V/v
(7.15)
disebut distribusi Student t dengan derajat kebebasan v, dinotasikan sebagai T ∼ t(v). Fungsi
densitas peluangnya diberikan oleh
f(t, v) =
Γ((v + 1)/2)
Γ(v/2)
1


(1 + (t
2
/v))
−(v+1)/2
.
Teorema 7.10. Jika T ∼ t(v), maka untuk v > 2r,
E(T
2r
) =
Γ((2r + 1)/2)Γ((v −2r)/2)
Γ(1/2)Γ(v/2)
v
r
; (7.16)
E(T
2r−1
) = 0, r = 1, 2, . . . ; (7.17)
var(T) =
v
v −2
, 2 < v. (7.18)
Teorema 7.11. Jika X
1
, . . . , X
n
menyatakan sampel acak dari N(µ, σ
2
), maka
¯
X −µ
S/

n
∼ t(n −1). (7.19)
7.2.4 Distribusi Snedecor F
Teorema 7.12. Jika peubah-peubah acak V
1
∼ χ
2
(v
1
) dan V
2
∼ χ
2
(v
2
) saling bebas maka
peubah acak
X =
V
1
/v
1
V
2
/v
2
(7.20)
berdistribusi Snedecor F dengan derajat kebebasan v
1
dan v
2
, dinotasikan F(v
1
, v
2
), dengan
fungsi densitas peluang untuk x > 0
f(x; v
1
, v
2
) =
Γ
_
v
1
+v
2
2
_
Γ
_
v
1
2
_
Γ
_
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)
Teorema 7.13. Jika X ∼ F(v
1
, v
2
), maka
E(X
r
) =
_
v
2
v
1
_
r
Γ
_
v
1
2
+r
_
Γ
_
v
2
2
−r
_
Γ
_
v
1
2
_
Γ
_
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 PENGAMBILAN SAMPEL 84
Persentil X ∼ F(v
1
, v
2
), yakni, f
γ
(v
1
, v
2
) adalah suatu nilai yang didefinisikan sebagai
P(X ≤ f
γ
(v
1
, v
2
)) = γ. (7.25)
Jika X ∼ F(v
1
, v
2
), maka Y = 1/X ∼ F(v
2
, v
1
). Dengan demikian
1 −γ = P(X < f
1−γ
(v
1
, v
2
))
= P
_
Y >
1
f
1−γ
(v
1
, v
2
)
_
= 1 −P
_
Y ≤
1
f
1−γ
(v
1
, v
2
)
_
; (7.26)
sehingga
1
f
1−γ(v
1
,v
2
)
= f
γ
(v
2
, v
1
) (7.27)
atau
f
1−γ
(v
1
, v
2
) =
1
f
γ
(v
2
, v
1
)
. (7.28)
7.2.5 Distribusi Beta
Teorema 7.14. Jika peubah acak X ∼ F(v
1
, v
2
), maka peubah acak
Y =
(v
1
/v
2
)X
1 + (v
1
/v
2
)X
(7.29)
berdistribusi beta, dinotasikan BETA(a, b) untuk a > 0 dan b > 0, dengan fungsi densitas
peluang
f(y; a, b) =
Γ(a +b)
Γ(a)Γ(b)
y
a−1
(1 −y)
b−1
, 0 < y < 1; (7.30)
dengan a = v
1
/2 dan b = v
2
/2.
Persentil distribusi beta dapat dinyatakan dalam persentil distribusi F sebagai
y
γ
(a, b) =
af
γ
(2a, 2b)
b +af
γ
(2a, 2b)
. (7.31)
7.3 Pendekatan-pendekatan Sampel Besar
Teorema 7.15. Jika Y
v
∼ χ
2
(v), maka
Z
v
=
Y
v
−v

2v
d
−→Z ∼ N(0, 1) (7.32)
sebagaimana v →∞.
7.4 Latihan Soal
7-1 Misal X menyatakan berat dalam kg suatu tepung terigu dengan X ∼ N(101, 4).
7-2 Misal X
1
, . . . , X
n
adalah sampel acak berukuran n dari suatu distribusi normal, yakni X
i

N(µ, σ
2
) dan definisikan U =

n
i=1
X
i
dan W =

n
i=1
X
2
i
.
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 85
a) Carilah suatu statistik yang merupakan fungsi U dan W dan tak bias untuk parameter
θ = 2µ −5σ
2
.
b) Carilah suatu statistik yang tak bias untuk σ
2

2
.
7-3 Misal X
1
dan X
2
adalah peubah acak normal bebas,X
i
∼ N(µ, σ
2
), dan misal Y
1
= X
1
+X
2
dan Y
2
= X
1
−X
2
. Tunjukkan bahwa Y
1
dan Y
2
saling bebas dan berdistribusi normal.
7-4 Suatu komponen mesin baru sedang diservis dan sembilan suku cadang tersedia. Waktu
menuju kegagalan dalam hari adalah peubah acak eksponensial bebas, T
i
∼ EXP(100).
a) Apakah distribusi dari

10
i=1
T
i
?
b) Berapakah peluang bahwa operasi yang sukses dapat dipelihara sampai paling tidak
1,5 tahun?
c) Berapa banyak suku cadang yang diperlukan agar yakin 95% yakin operasi sukses untuk
paling tidak dua tahun?
7-5 Misal X
i
∼ N(µ, σ
2
), i = 1, . . . , n dan Z
i
∼ N(0, 1), i = 1, . . . , k dan semua peubahnya
saling bebas. Tentukan distribusi dari peubah- peubah acak berikut apakah berasal dari
distribusi yang diketahui (bernama) atau tidak diketahui.
(a) X
1
−X
2
(b) X
1
+ 2X
3
(c)
X
1
−X
2
σS
Z

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

n(
¯
X −µ)
σS
Z
(h) Z
2
1
+Z
2
2
(i) Z
2
1
−Z
2
2
(j)
Z
1
_
Z
2
2
(k)
Z
1
Z
2
(l)
¯
X
¯
Z
(m)

nk(
¯
X −µ)
σ
_

k
i=1
Z
2
i
(n)

n
i=1
(X
i
−µ)
2
σ
2
+
k

i=1
(Z
i

¯
Z)
(o)
¯
X
σ
2
+

k
i=1
Z
i
k
(p) k
¯
Z
2
BAB 7. STATISTIK DAN DISTRIBUSI PENGAMBILAN SAMPEL 86
(q)
(k −1)

n
i=1
(X
i

¯
X)
2
(n −1)σ
2

k
i=1
(Z
i

¯
Z)
2
7-6 Misal X ∼ χ
2
(m), Y ∼ χ
2
(n), dan X serta Y saling bebas. Apakah Y − X ∼ χ
2
jika
n > m?
7-7 Misal X ∼ χ
2
(m), S = X +Y ∼ χ
2
(m+n), dan X serta Y saling bebas. Gunakan teknik
fungsi pembangkit momen untuk menunjukkan bahwa S −X ∼ χ
2
(n).
7-8 Jika T ∼ t(v), tentukanlah distribusi dari T
2
.
DAFTAR PUSTAKA
Lee J. Bain and Max Engelhardt. Introduction to Probability and Mathematical Statistics.
Duxbury Press, California, second edition, 1992. ISBN 0-534-92930-3.
Robert V. Hogg and Allen T. Craig. Introduction to Mathematical Statistics. Prentice–Hall,
Inc., New Jersey, fifth edition, 1995. ISBN 0-02-355722-2.
John A. Rice. Mathematical Statistics and Data Analysis. Duxbury, Belmont, California, third
edition, 2007.
Dennis D. Wackerly, William Mendenhall III, and Richard L. Scheaffer. Mathematical Statistics
with Applications. Duxbury Press, sixth edition, 2002.
87

Sign up to vote on this title
UsefulNot useful