Professional Documents
Culture Documents
1
_
1/n
2
e
nw
2
/2
dw.
Jika dimisalkan v =
nw maka
F
n
( x) =
_
n x
2
e
v
2
/2
dv
sehingga
lim
n
F
n
( x) =
_
_
_
0, x < 0
1/2, x = 0
1, x > 0
1
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Denisikan fungsi
F( x) =
_
0, x < 0
1, x 0
maka
lim
n
F
n
( x) = F( x)
untuk setiap titik x sedemikian sehingga F( x) kontinu. Artinya, ketika F tidak kontinu
di x = 0, F
n
(0) tidak harus konvergen ke F(0). Jadi, yang diperhatikan hanya titik-titik
sedemikian sehingga F kontinu. Berdasarkan hasil ini, maka barisan X
1
, X
2
, X
3
, . . .
konvergen ke variabel acak yang berdistribusi degenerate di x = 0.
Contoh 4.3.2. Misal X
1
, . . . , X
n
sampel acak dari distribusi U(0, ). Misalkan Y
n
=
max{X
1
, . . . , X
n
}, dan Z
n
= n( Y
n
).
(a). Tentukan cdf dari Y
n
.
(b). Tunjukkan Z
n
konvergen dalam distribusi dan tentukan distribusi asimtotiknya.
Penyelesaian.
(a). Diketahui Y
n
= max{X
1
, . . . , X
n
} maka D
Yn
= {y ; 0 < y }. Misal diambil
y (0, ]. Fungsi distribusi (cdf ) dari Y
n
adalah
F
Yn
(y) = P(Y
n
y) = P(max{X
1
, . . . , X
n
} y)
= P(X
1
y, . . . , X
n
y)
= [P(X y)]
n
(karena X
1
, . . . , X
n
independen)
= [F
X
1
(y)]
n
Karena X
1
berdistribusi U(0, ), maka
F
X
1
(y) = P(X
1
< y) =
_
y
0
1
dx =
y
,
sehingga untuk 0 < y ,
P(Y
n
y) = [F
X
1
(y)]
n
=
_
y
_
n
.
Jadi cdf dari Y
n
adalah
F
Yn
(y) =
_
_
_
0, y < 0
(
y
)
n
, 0 < y
1, y
(b). Diketahui Z
n
= n(Y
n
), maka D
Zn
= {z ; 0 < z n}. Misal diambil z (0, n].
Karena Z
n
= n( Y
n
) ekivalen dengan Y
n
= Z
n
/, maka fungsi distribusi dari
2
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Z
n
adalah
F
Zn
(z) = P(Z
n
z) = P[Y
n
(z/n)]
= 1 P(Y
n
(z/n))
= 1
_
(z/n)
_
n
= 1
_
1
z/
n
_
n
dan
lim
n
F
Zn
(z) = 1 e
z/
sehingga
Z
n
d
Z.
Berikut akan ditunjukkan Z berdistribusi eksponensial dengan parameter 1/.
Misal Z berdistribusi eksponensial dengan parameter 1/, maka pdf dari Z,
f(z) =
1
e
z/
, z > 0
dan 0 untuk z lainnya, sehingga cdf dari Z
F
Z
(z) =
_
z
0
1
e
x/
dx = 1 e
z/
, z > 0
dan 0 untuk z lainnya.
Jadi, distribusi asimtotik dari Z
n
adalah distribusi eksponensial dengan parameter
1/.
Hubungan konvergen dalam distribusi dan konvergen dalam peluang dinyatakan dalam
sifat-sifat berikut:
(a). Jika X
n
p
X maka X
n
d
X. Pernyataan sebaliknya belum tentu benar dan
berlaku benar hanya jika X degenerate.
(b). Jika b suatu konstanta dan X
n
d
b maka X
n
p
b.
(c). Jika X
n
d
X dan Y
n
d
0, maka X
n
+Y
n
d
X.
(d). Jika X
n
d
X dan g fungsi yang kontinu pada support dari X maka
g(X
n
)
d
g(X).
(e). (Teorema Slutsky). Misal X
n
, X, A
n
, B
n
, variabel-variabel acak. Misalkan pula a
dan b konstanta. Jika X
n
d
X, A
n
p
a, dan B
n
d
b maka A
n
+ B
n
X
n
d
a +bX.
3
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Teknik Fungsi Pembangkit Momen. Selain menggunakan cdf, distribusi asimtotik
suatu barisan variabel acak yang konvegen dalam distribusi, juga dapat dicari menggu-
nakan teknik fungsi pembangkit momen (teknik mgf ).
Teorema 2 Misal {X
n
} barisan variabel acak dengan mgf M
Xn
(t) yang ada untuk h <
t < h dan untuk setiap n. Misalkan pula X variabel acak dengan mgf M(t) yang ada untuk
|t| < h
1
< h untuk setiap n. Jika
lim
n
M
Xn
(t) = M(t)
maka
X
n
d
X.
Berikut aturan limit di Kalkulus yang berguna dalam penentuan distribusi asimtotik
berdasarkan Teorema 2:
Jika diberikan bentuk limit berikut
lim
n
_
1 +
b
n
+
(n)
n
_
cn
,
dengan b dan c tidak bergantung pada n dan lim
n
(n) = 0, maka
lim
n
_
1 +
b
n
+
(n)
n
_
cn
= lim
n
_
1 +
b
n
_
cn
= e
bc
(1)
Sebagai contoh, untuk menghitung
lim
n
_
1 +
t
2
n
+
t
3
n
3/2
_
n/2
= lim
n
_
1
t
2
n
+
t
2
/
n
n
_
n/2
dapat dimisalkan b = t
2
, c =
1
2
, dan (n) = t
2
/
n sehingga lim
n
t
2
/
n = 0 dan
lim
n
_
1 +
t
2
n
+
t
3
n
3/2
_
n/2
= e
t
2
/2
.
Contoh 4.3.3. Misal Y
n
berdistribusi B(n, p) dan untuk setiap n mean dari Y
n
adalah
sama yaitu = np. Akan ditentukan distribusi asimtotik dari distribusi binomial dengan
p = /n, dengan cara mencari limit dari mgf
M(t; n) = E[e
tYn
] =
_
(1 p) +pe
t
n
=
_
1 +
(e
t
1)
n
_
n
, < t <
Dengan memisalkan b = (e
t
1), c = 1 dan (n) = 0, maka dari persamaan (1) dapat
diperoleh
lim
n
M(t; n) = e
(e
t
1)
, < t < ,
4
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
yang tidak lain merupakan bentuk mgf dari distribusi Poisson dengan parameter .
Dengan demikian, dapat disimpulkan bahwa untuk n , distribusi B(n, p) dapat
diaproksimasi oleh distribusi Poisson dengan parameter = np.
Sebagai ilustrasi, jika Y berdistribusi B(n, p) dengan n = 50 dan p =
1
25
maka
P(Y 1) =
_
24
25
_
50
+ 50
_
1
25
__
24
25
_
49
= 0, 400
Peluang tersebut juga dapat dihitung melalui aproksimasi distribusi Poisson yaitu dengan
memisalkan = np = 2, sehingga
P(Y 1) = e
2
+ 2e
2
= 0, 406.
Contoh 4.3.4. Misal Z
n
berdistribusi
2
(n). Akan ditunjukkan bahwa distribusi limit
dari Y
n
= (Z
n
n)/
2n
___
= e
tn/
2n
E[e
tZn/
2n
]
= exp
_
_
t
_
2
n
_
_
n
2
_
_
_
1 2
t
2n
_
n/2
, t <
2n
2
.
Bentuk mgf ini juga dapat ditulis sebagai
M(t; n) =
_
e
t
2/n
t
_
2
n
e
t
2/n
_
n/2
, t <
2n
2
.
Menurut rumus Taylor, terdapat bilangan (n), antara 0 dan t
_
2/n, sehingga
e
t
2/n
= 1 +t
_
2
n
+
1
2
_
t
_
2
n
_
2
+
e
(n)
6
_
t
_
2
n
_
3
.
Akibatnya,
M(t; n) =
_
1
t
2
n
+
(n)
n
_
n/2
,
dengan
(n) =
2t
3
e
(n)
3
2t
3
n
2t
4
e
(n)
3n
.
Karena (n) 0 ketika n , maka lim
n
(n) = 0 untuk setiap nilai t.
Dari persamaan (1) dapat diperoleh
lim
n
M(t; n) = e
t
2
/2
, < t < .
5
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Karena bentuk pada ruas kanan merupakan mgf dari distribusi normal standar, maka
dapat disimpulkan bahwa distribusi asimtotik dari Y
n
= (Z
n
n)/
2n adalah normal
standar.
Latihan
Soal No.1-11, 18, 19 (Hogg, dkk., hal 218-220).
4.4 Teorema Limit Pusat
Pada Subbab 3.4 telah dibahas bahwa jika X
1
, X
2
, . . . , X
n
sampel acak dari distribusi
N(,
2
) maka variabel acak (X
n
)/(/
n
d
N(0, 1)
Bukti. Pembuktian dengan teknik mgf memerlukan asumsi tambahan, yaitu mgf M(t) =
E[e
tX
] ada untuk h < t < h. Dengan asumsi ini, maka fungsi
m(t) = E[e
t(X)
] = e
t
M(t)
juga ada untuk h < t < h. Karena m(t) mgf untuk X , maka m(0) = 1, m
(0) =
E[X ] = 0, dan m
(0) = E[(X )
2
] =
2
.
Menurut rumus Taylor, terdapat bilangan antara 0 dan t sehingga
m(t) = m(0) +m
(0)t +
m
()t
2
2
= 1 +
m
()t
2
2
Melalui manipulasi
2
t
2
/2
2
t
2
/2 = 0, mgf m(t) dapat juga ditulis sebagai
m(t) = 1 +
2
t
2
2
+
m
()t
2
2
2
t
2
2
= 1 +
2
t
2
2
+
[m
()
2
]t
2
2
. (2)
6
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Berikut ini akan ditentukan mgf dari Y
n
:
Karena
Y
n
=
X
n
n
=
n
i=1
X
i
n
n
maka mgf dari Y
n
dapat ditulis
M(t; n) = E[e
tYn
] = E
_
exp
_
t
X
i
n
n
__
= E
_
exp
_
t
X
1
n
_
exp
_
t
X
2
n
_
exp
_
t
X
n
n
__
= E
_
exp
_
t
X
1
n
__
E
_
exp
_
t
X
n
n
__
=
_
E
_
exp
_
t
X
n
___
=
_
m
_
t
n
__
, h <
t
n
< h.
Dari persamaan (2) dapat diperoleh
m
_
t
n
_
= 1 +
t
2
2n
+
[m
()
2
]t
2
2n
2
,
dengan antara 0 dan t/
n dengan h
n < t < h
n. Akibatnya
M(t; n) =
_
1 +
t
2
2n
+
[m
()
2
]t
2
2n
2
_
n
Karena m
()
2
] = 0.
Dari persamaan (1) dapat diperoleh
lim
n
M(t; n) = e
t
2
/2
, < t <
yang tidak lain merupakan mgf dari distribusi normal standar. Jadi dapat disimpulkan
bahwa
Y
n
=
X
n
n
d
N(0, 1).
Dengan adanya teorema limit pusat maka distribusi rata-rata sampel X yang berasal
dari distribusi apapun dapat didekati (diaproksimasi) oleh distribusi normal. Berarti
perhitungan peluang atau penentuan selang kepercayaan dari X juga dapat didekati
oleh peluang distribusi normal.
7
Nunung Nurhayati Teori Peluang (PAM 2231)-Unsoed
Contoh 4.4.1. Misal X rata-rata dari sampel acak berukuran n = 75 dari distribusi
uniform
f(x) =
_
1, 0 < x < 1
0, x lainnya.
Karena =
1
2
dan variansi
2
=
1
12
, maka
P(0, 45 < X < 0, 55) P
_
0, 45
/
n
< Z <
0, 55
/
n
_
= P(1.5 < Z < 1.5)
= P(Z < 1.5) P(Z < 1, 5)
= 0, 9332 (1 0, 9332)
= 0, 8664.
Contoh 4.4.2. Misal X
1
, X
2
, . . . , X
n
sampel acak dari distribusi B(1, p). Di sini = p
dan
2
= p(1 p). Telah diketahui di Subbab 3.1 bahwa jika Y
n
= X
1
+. . . +X
n
maka
Y
n
berdistribusi B(n, p). Karena
Y
n
np
_
np(1 p)
=
n
X
n
p
_
np(1 p)
=
X
n
n
konvergen dalam distribusi ke N(0, 1), maka Y
n
yang berdistribusi B(n, p) dapat didekati
oleh distribusi N(,
2
) dengan = np dan
2
= np(1p). Distribusi normal yang terjadi
hanya untuk sampel besar disebut distribusi normal asimtotik.
Contoh 4.4.3. Misal Y berdistribusi B(n, p) dengan n = 100 dan p =
1
2
. Karena
= np = 50 dan
2
= np(1 p) = 25 atau = 5, maka dari Contoh 4.4.2 dapat
dihitung
P(Y = 48, 49, 50, 51, 52) = P(47, 5 < Y < 52, 5)
P
_
47, 5 50
5
< Z <
52, 5 50
5
_
= P(0, 5 < Z < 0, 5) = 0, 382.
Di sini titik Y = 47, 5 dan Y = 52, 5 disebut angka koreksi kekontinuan.
Latihan
Soal No.1-12 (Hogg, dkk., hal 225-226).
8