5. Fungsi dari Peubah Acak
EL2002-Probabilitas dan Statistik
Isi
1. Transformasi Peubah Acak
2. Fungsi Pembangkit Momen
3. Pencuplikan Acak
4. Teori Pencuplikan
5. Pencuplikan Sebaran Mean
6. Pencuplikan Sebaran (n-1)S
2/σ
27. Sebaran t
Pendahuluan
• Seringkali kita perlu menurunkan sebaran peluang
dari fungsi satu peubah atau lebih.
• Misalnya, andaikan X peubah acak diskrit dengan
sebaran f(x) dan andaikan lagi Y=u(X) transformasi
satu-ke-satu dari X ke Y. Kita ingin menentukan
sebaran peluang dari Y.
• Dari pembahasan pada Bab 2, jelas bahwa peubah
acak Y bernilai y saat peubah acak X punya nilai
tertentu, misalnya, w(y). Akibatnya, sebaran Y
akan diberikan oleh
g(y) =P(Y=y) = P(X=w(y)) = f[w(y)]
Transformasi satu peubah acak
• TEOREMA 5.1 Andaikan X peubah acak diskrit dengan
sebaran peluang f(x). Andaikan Y=u(X) adalah transformasi
satu-ke-satu antara nilai-nilai X dng Y sedemikian hingga
persamaan y=u(x) dapat dipecahkan secara unik untuk x
dalam y, misalkan berbentuk x=w(y). Maka, sebaran
peluang dari Y adalah
g(y) = f[w(y)]
• Contoh 5.1: Andaikan X peubah acak geometrik dengan sebaran peluang f(x) = (3/4)(1/4)x-1, x = 1, 2, 3, … Tentukan sebaran
peluang dari peubah acak Y=X2.
• Jawab: karena semua nilai X positif, transformasi ini
menyatakan korespondensi satu-ke-satu antara x dengan y, dimana y = x2 dan x = √y. Dengan demikian
g(y) = f(√y) = (3/4)(1/4)√y – 1 , y=1, 4, 9, … = 0 , lainnya
Transformasi dua peubah acak
• Teorema 5.2 Andaikan X1 dan X2 peubah acak diskrit dengan sebaran peluang gabungan f(x1,x2). Andaikan Y1 = u1(X1,X2) dan
Y2=u2(X1,X2) menyatakan transformasi antara titik (x1,x2) dan (y1,y2) sedemikian hingga y1=u1(x1,x2) dan y2=u2(x1,x2) secara unik dapat dipecahkan untuk x1 dan x2 yang dinyatakan dalam y1 dan y2, misalnya x1=w1(y1,y2) dan x2=w2(y1,y2). Maka sebaran peluang gabungan dari Y1 dan Y2 adalah
g(y1,y2) = f[w1(y1,y2), w2(y1,y2)]
• Contoh 5.2: Andaikan X1 dan X2 dua peubah acak saling bebas yang memiliki sebaran Poisson dengan parameter μ1 dan μ2. Tentukan sebaran dari peubah acak Y1 = X1+ X2
• Jawab: Karena X1 dan X2 saling bebas, maka
dimana x1= 0, 1, 2, … dan x2 = 0, 1, 2, ….
(
)
( ) ( )
( ) ! ! ! ! , 2 1 2 1 2 2 1 1 2 1 2 1 2 1 2 1 2 2 1 1 x x e x e x e x f x f x x f x x x x μ μ μ μ μ μ μ μ − − + − = = =Lanjutan …
• Sekarang kita definisikan peubah acak kedua, mis. Y2=X2. Fungsi inverse diberikan oleh x1=y1-y2 dan x2 = y2. Dengan
Teorema 5.2, kita temukan sebaran peluang bersama dari Y1 dan Y2, yakni:
(
)
((
))
!
!
,
2 2 1 2 1 2 1 2 2 1 2 1y
y
y
e
y
y
g
y y y−
=
− μ +μμ
−μ
dimana y1 = 0, 1, 2, …, dan y2 = 0, 1, 2, …Karena x1>0,
transformasi x1=y1-x2 berimplikasi bahwa x2 dan y2 harus selalu kurang dari atau sama dengan y1. Akibatnya, sebaran marjinal dari Y1 adalah
( )
(
)
( )(
)
( )(
)
( ) 2 2 1 1 2 2 1 2 2 1 1 2 2 1 1 2 2 2 1 2 1 1 2 2 1 0 2 1 1 2 1 0 1 2 2 1 1 0 1 2 2 2 1 0 2 1 1 ! ! ! ! ! ! ! , y y y y y y y y y y y y y y y y y y y y e y y y y y e y y y e y y g y h μ μ μ μ μ μ μ μ μ μ μ μ − = + − − = + − = − + − =∑
∑
∑
∑
⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = − = − = =Lanjutan …
• Penjumlahan tsb adalah ekspansi binomial (μ
1+μ
2)
y1.
Dengan demikian, kita peroleh:
( )
( )(
)
, 0,1,2,... ! 1 1 2 1 1 1 2 1 = + = − + y y e y h yμ
μ
μ μ• Kesimpulan: penjumlahan dia peubah acak saling bebas
yang memiliki sebaran Poisson dengan parameter μ
1dan
μ
2adalah suatu sebaran Poisson dengan parameter (μ
1+ μ
2)
Transformasi satu peubah acak kontinyu
• Teorema 5.3 Andaikan X peubah acak kontinyu dengan sebaran
peluang f(x). Andaikan Y=u(X) menyatakan korespondensi satu-ke-satu antara X dengan Y sedemikian hingga persamaan y=u(x) dapat
dipecahkan secara unik untuk x dalam y, misalnya x=w(y). Maka sebaran peluand dari Y adalah
g(y) = f[w(y)]|J|
dimana J=w’(y) adalah Jacobian dari transformasi. • Bukti: (1) Andaikan y=u(x) fungsi
monoton naik spt pd Gb5.1. Maka
terlihat bahwa jika Y jatuh antara nilai a dan b, maka peubah acak X akan berada antara w(a) dan w(b). Dengan demikian, P(a<Y<b) = P[w(a)<X<w(b)]
= ∫w(a)w(b) f(x) dx
• Perubahan variabel integrasi dari x ke y dng x=w(y), diperoleh dx=w’(y)dy, maka P(a<Y<b) = ∫ab f[w(y)]w’(y) dy
a
b
w(a)
w(b)
y = u(x)
y
x
Gambar .5.1
Lanjutan …
• Karena integral tsb memberikan nilai yng diinginkan untuk setiap a<b dalam rentang y yang diijinkan, maka sebaran peluang dari Y adalah
g(y) = f[w(y)]w’(y) = f[w(y)]J
• Jika J=w’(y) adalah kemiringan resiprokal (invers) dari garis tangen (sentuh) ke kurva naik y=u(x), tentulah J=|J|, sehingga
g(y) =f[w(y)]|J|
• (2) Andaikan y=u(x) fungsi monoton turun spt pd Gb5.2. Maka bisa kita tuliskan
P(a<Y<b)= P[w(b)<X<w(a)]= ∫w(b)w(a) f(x) dx • Sekali lagi, perubahan variabel integrasi dari
x ke y memberikan
P(a<Y<b) = ∫ba f[w(y)]w’(y) dy = - ∫ba f[w(y)]w’(y) dy dapat disimpulkan bahwa
g(y) = -f[w(y)]w’(y) = -f[w(y)]J
• Karena slope dari kurva adalah negatif, dan J=-|J|, maka
g(y) = f[w(y)]|J|
seperti sebelumnya. Q.E.D
a
b
w(b)
w(a)
y=u(x)
y
x
Gambar .5.2
Contoh 5.3
• Soal: Andaikan X peubah acak kontinyu dengan sebaran
peluang
f(x)
= x/12 ; 1<x<5
= 0
; lainnya
Tentukan sebaran peluang dari peubah acak Y=2X-3
• Jawab: inverse dari y=2x-3 adalah x=(y+3)/2, dan kita
peroleh J=dx/dy = ½. Berdasar teorema 5.3, kita temukan
fungsi kerapatan Y
g(y)
= f[(y+3)/2]|J| = {[(y+3)/2]/12}(1/2)
= (y+3)/48
; -1<y<7
Transformasi dua peubah acak kontinyu
• Teorema 5.4. Andaikan X1 dan X2 peubah acak kontinyu dengan sebaran peluang f(x1,x2). Andaikan Y1=u1(X1,X2) dan
Y2=u2(X1,X2) menyatakan transformasi satu-ke-satu antara titik (x1,x2) dan (y1,y2) sehingga persamaan y1=u1(x1,x2) dan
y2=u2(x1,x2) dapat secara unik dipecahkan untuk x1 dan x2 dalam y1 dan y2, misalnya x1= w1(y1,y2) dan x2=w2(y1,y2). Maka
sebaran peluang bersama dari Y1 dan Y2 adalah g(y1,y2) = f[w1(y1,y2), w2(y1,y2)]|J|
dimana Jacobian merupakan determinan matriks 2 ×2 sbb:
dan ∂x1/∂y1 adalah turunan dari x1 = w1(y1,y2) terhadap y1
dengan menganggap y2 konstan, seperti pada proses penurunan x1 terhadap y1 pada kalkulus. Turunan parsial lain didefinisikan dengan cara yang sama.
2 2 1 2 2 1 1 1 y x y x y x y x J ∂ ∂ ∂ ∂ ∂ ∂ ∂ ∂ =
Contoh 5.4
• Soal: Andaikan X1 dan X2 dua buah peubah acak kontinyu dengan sebaran peluang gabungan
f(x1,x2) = 4x1x2 ;0<x1<1, 0<x2<1
= 0 ; lainnya
Tentukan sebaran peluang gabungan dari Y1=X12 dan Y
2=X1X2. • Jawab: Solusi invers dari y1=x12 dan y
2=x1x2 adalah x1=√y1 dan x2=y2/√y1 , sehingga diperoleh Jacobian berikut:
Transformasi ini bersifat satu-ke-satu, memetakan titik-titik {(x1,x2)|0<x1<1, 0<x2<1} ke himpunan {(y1,y2)| y22<y
1<1, 0<y2<1}. Dari teorema 5.4, maka sebaran peluang dari Y1 dan Y2 adalah
g(y1,y2) = 4(√y1) (y2/√y1) (1/2y1) = 2y2/y1 ; y22<y 1<1, 0<y2<1 = 0 ; lainnya 1 1 2 / 3 1 2 1 2 1 1 2 / 0 2 1 y y y y y J = − =
Jika pemetaan tidak satu-ke-satu …
• Penerapan prinsip transformasi peubah acak bisa muncul masalah jika kita ingin menentukan sebaran peubah acak
Y=u(X), dimana X kontinyu dan transformasinya tidak satu ke-satu. Yakni, setiap nilai x ada satu nilai y, tapi setiap y
berkorespondensi dengan lebih dari satu nilai x.
• Contoh: andaikan f(x) positif pada interval -1<x<2 dan nol di tempat lain. Tinjau transformasi y=x2. Dalam kasus ini, x=±√y untuk 0<y<1 dan x=√y untuk 1<y<4.
Untuk selang 1<y<4, kita bisa
menentukan sebaran peluang Y dng cara sebelumnya, dng Teorema 5.3, yakni:
g(y) = f[w(y)]|J|
= f(√y)/(2√y) , 1<y<4
Tapi, untuk 0<y<1, interval -1 <x<1 dipartisi sbb x = -√y , -1<x<0 = √y , 0 <x<1 -√a √a -√b √b -1 1 y = x2 y x 2 1 0
Gambar .5.3
Lanjutan …
• Maka, bagi setiap nilai y akan ada nilai x tunggal untuk setiap partisi. Dari Gambar 5.3
P(a<Y<b) = P(-√b<X<-√a) + P(√a<X<√b) = ∫-√b-√a f(x) dx + ∫
√a√b f(x) dx
Perubahan variabel integrasi dari x ke y memberikan P(a<Y<b) = ∫ba f(-√y)J
1dy + ∫ab f(√y)J2dy = -∫ab f(-√y)J
1dy + ∫ab f(√y)J2dy
dimana: J1 = d(-√y)/dy = -1/(2√y) = -|J1| dan J2 = d(√y)/dy = 1/(2√y) = |J2|
Sehingga bisa dituliskan
P(a<Y<b) = ∫ab [ f(-√y)|J
1| + f(√y) |J2|] dy Selanjutnya: g(y) = f(-√y) |J1| + f(√y) |J2|
= [f(-√y) + f(√y)]/(2√y) , 0<y<1
Dengan demikian, untuk selurh Y pada selang 0<y<4, bisa ditulis g(y) = [f(-√y) + f(√y)]/(2√y) , 0<y<1
= f(√y)/(2√y) , 1<y<4
Transformasi untuk k-buah fungsi invers
• Teorema 5.5 Andaikan X peubah acak kontinyu dengan sebaran peluang f(x). Andaikan Y=u(X) menyatakan transformasi yang tidak satu-ke-satu antara nilai X dengan Y. Jika selang keseluruh X dpt dipartisi menjai k-buah himpunan tak beririsan
sedemikian hingga setiap fungsi inverse x1=w1(y), x2=w2(y), …, xk=wk(y) dari y=u(x) berkorespondensi satu-ke-satu, maka
sebaran peluang dari Y adalah
dimana Ji=wi’(y), i =1, 2, …, k
( )
k[
( )
]
i i i y J w f y g∑
= = 1Contoh 5.5
• Soal: Tunjukkan bahwa Y=(X-μ)2/σ2 memiliki sebaran
chi-kuadrat dengan derajat bebas 1, jika X tersebar normal dengan mean μ dan variansi σ2.
• Jawab: Andaikan Z=(X-μ)/σ, dimana peubah acak Z memiliki sebaran normal baku
f(z) = (1/2π)1/2exp(-z2/2) ; -∞<z<∞
Kita sekarang akan mencari sebaran dari peubah acak Y=Z2. Solusi invers dari y=z2 adalah z=±√y. Kita namakan z1=-√y dan z2=√y; J1=-1/(2√y) dan J2=1/(2√y). Maka berdasarkan Teorema 5.5, akan diperoleh
( )
0 , 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 2 > = + − = − − − − y e y y e y e y g y y y π π πLanjutan …
• Karena g(y) fungsi kerapatan peluang, maka
integral ini menyatakan luas daerah dibawah kurva peluang gamma dengan parameter α=1/2 dan β=2. Oleh karena itu, √π= Γ(1/2) dan sebaran peluang Y diberikan oleh
yaitu sebaran Chi-kuadrat dengan derajat bebas 1.
( )
( )
( )
π π π 2 1 2 1 2 1 2 1 2 1 1 0 2 1 2 1 2 1 0 2 1 2 1 2 1 Γ = Γ Γ = =∫
∫
∞ − − ∞ − − dy e y dy e y y y( )
( )
,
0
2
1
2
1
1 2 1 2 2 1Γ
>
=
− −y
e
y
y
g
yPendahuluan
• Disamping metoda transformasi variabel spt
yang sudah dijelaskan, ada cara lain untuk
menentukan fungsi sebaran peluang dari
banyak peubah acak, terlebih jika fungsi ini
merupakan penjumlahan beberapa peubah
acak yang saling bebas.
• Metoda ini disebut teknik fungsi
pembangkit momen.
Fungsi pembangkit momen
• DEF.5.1 Fungsi pembangkit-momen dari peubah acak X
diberikan oleh E(e
tX) dan dituliskan sebagai M
X(t), yakni
( )
( )
( )
( )
x dx untuk X kontinyu f e diskrit X untuk x f e e E t M tx n i i tx tX X i , , 1∫
∑
∞ ∞ − = = = =• Fungsi pembangkit momen ini ada jika jumlah atau
integral di ruas kanan pada DEF.5.1 konvergen.
• Jika fungsi ini ada, fungsi ini dapat dipakai untuk
membangkitkan/menentukan semua nilai momen dari
variabel ybs, spt dinyatakan dalam Teorema berikut.
Perhitungan momen
• TEOREMA 5.6. Andaikan X peubah acak dengan fungsi pembangkit momen MX(t). Maka
( )
r t r X r dt t M d ' 0μ
= =• Bukti: dengan asumsi proses diferensiasi dapat dilakukan, maka
Dng membuat t=0, kedua kasus akan menghasilkan E(Xr) =μ’r.
( )
( )
( )
x dx X kontinyu f e x diskrit X x f e x dt t M d tx r n i i tx r i r X r i , , 1∫
∑
∞ ∞ − = = =Contoh 5.6
• Soal: Tentukan fungsi pembangkit momen utk peubah acak binomial X dan gunakan utk membuktikan μ=np dan σ2=npq. • Jawab: Dari definisi 5.1, kita dapatkan
( )
∑
∑
( )
= − = − ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = n x x n x t n x x n x tx X pe q x n q p x n e t M 0 0Yang tak lain adalah ekspansi binomial (pet + q)n, sehingga diperoleh: MX(t) = (pet + q)n
Selanjutnya: dMX(t)/dt = n (pet + q)n-1 pet dan d2MX(t)/dt2 = np[et(n-1)(pet + q)n-2 pet + (pet + q)n-1et] Dengan membuat t=0, maka diperoleh
μ1’ = np dan μ2’=np [(n-1)p +1] Akibatnya: μ = μ1’ = np dan
σ2 = μ
Contoh 5.8
• Soal: Tunjukkan bahwa fungsi pembangkit momen dari peubah acak X yang tersebar Chi-kuadrat dengan derajat bebas v adalah MX(t)=(1-2t)exp(-v/2).
• Jawab: Sebaran Chi-kuadrat adalah kasus khusus dari sebaran
gamma dengan membuat α=v/2 dan β=2. Dari DEF 5.1 diperoleh
Dengan menuliskan y=x(1-2t)/2 dan dx=[2/(1-2t)]dy diperoleh
( )
( )
( )
( )∫
∫
− − ∞ − − − ∞ Γ = Γ = 0 2 2 1 1 2 2 2 1 2 0 2 2 2 1 2 2 1 dx e x v dx e x v e t MX tx v v x v v x t( )
( )
( )(
)
(
)
2 0 1 2 2 2 0 1 2 2 2 1 2 1 2 2 1 2 1 2 2 1 2 2 2 1 v y v v v y v v X t dy e y t v dy t e t y v t M − ∞ − − ∞ − − − = − Γ = − ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − Γ =∫
∫
Komb. linier peubah acak yang saling bebas
• TEOREMA 5.7 (T. KEUNIKAN) Andaikan X dan Y dua
peubah acak yang memiliki fungsi pembangkit momen,
berturut-turut, M
X(t) dan M
Y(t). Jika M
X(t)=M
Y(t) untuk
semua nilai t, maka X dan Y akan memiliki sebaran
peluang yang sama.
• TEOREMA 5.8:
M
X+a(t) = e
atM
X(t)
• Bukti:
M
X+a(t) =
E[e
t(X+a)] = e
atE[e
tX] = e
atM
X(t)
• TEOREMA 5.9: M
aX(t) = M
X(at)
• Bukti:
Lanjutan …
• TEOREMA 5.10 Jika X
1dan X
2peubah acak yang saling
bebas dengan fungsi pembangkit momen M
X1(t) dan
M
X2(t), dan Y=X
1+ X
2, maka
M
Y(t) = M
X1+X2(t) = M
X1(t)M
X2(t)
• BUKTI:
MY(t) = E[etY] = E[et(X1+X2)] = ∫-∞∞ ∫
-∞∞ et(X1+X2) f(x1,x2)dx1dx2
Karena semua peubah saling bebas, maka f(x1,x2)=g(x1)h(x2) dan MY(t) = ∫-∞∞ etX1 g(x1) dx1 ∫-∞∞ etX2 g(x2) dx2
= MX1(t)MX2(t)
Bukti untuk kasus diskrit sejalan dengan yang diatas, dimana integral digantikan dengan penjumlahan.
Aplikasi
Contoh:
• Tinjau dua peubah acak Poisson X1 dan X2 yang saling bebas dengan fungsi pembangkit momen
MX1(t) = eμ1(exp(t) – 1) dan MX2(t) = eμ2(exp(t) – 1)
Maka, menurut Teorema 5.10, fungsi pembangkit momen untuk peubah acak Y1=X1+X2 adalah
MY1(t) = MX1(t) MX2(t)
= eμ1(exp(t) – 1) eμ2(exp(t) – 1) = e(μ1+ μ2)(exp(t) – 1)
Yang tak lain adalah fungsi pembangkit momen untuk peubah acak Poisson dengan parameter μ1+ μ2.
• Berdasarkan contoh ini dan Teorema 5.7, kita simpulkan sekali lagi bahwa jumlah dua peubah acak bebas yang masing-masing tersebar Poisson dengan parameter μ1dan μ2, juga akan memiliki sebaran Poisson dengan parameter μ1+ μ2.
Penjumlahan dua peubah acak normal
• Dalam statistik terapan, seringkali kita ingin tahu sebaran peluang dari kombinasi linier sejumlah peubah acak saling bebas yang tersebar
secara normal (Gaussian).
• Tinjau dua peubah acak, X1 dan X2 yang tersebar normal yang masing-masing memiliki mean μ1 dan μ2 dan variansi σ12 dan σ22 .
Berdasarkan Teorema 5.10, kita dapatkan fungsi pembangkit momennya
MY(t) = Ma1X1(t) Ma2X2(t) dan berdasarkan Teorema 5.9, maka
MY(t) = MX1(a1t) MX2(a2t) Berdasarkan contoh 5.7, maka
MY(t) = exp[(a1μ1t +a12σ12 t2)/2]⋅exp[(a2μ2t+a22σ22 t2)/2] = exp[{(a1μ1+a2μ2)t]+[(a12σ12+a22σ22) t2}/2]
Yakni fungsi pembangkit momen dari sebaran normal dengan mean a1μ1+a2μ2 dan variansi a12σ12+a22σ22.
Sifat reproduktif sebaran
• TEOREMA 5.11 Jika X
1, X
2, …, X
nadalah peubah acak
saling bebas yang tersebar normal dengan mean μ
1, μ
2, …,
μ
ndan variansi
σ
12, σ
22
, …, σ
n2, maka peubah acak
Y = a
1X
1+ a
2X
2+ …+ a
nX
nakan tersebar normal dengan mean
μ
Y= a
1μ
1+ a
2μ
2+ … +a
nμ
ndan variansi
σ
Y2= a
12
σ
12+ a
22σ
22+ …+ a
n2σ
n2terlihat bahwa sebaran Poisson dan sebaran Normal punya
sifat reproduktif, yakni, jumlah peubah acak saling bebas
dengan sebaran Poisson atau normal akan menghasilkan
sebaran yang tipenya sama.
• Sifat reproduktif ini dimiliki juga oleh sebaran
Chi-kuadrat, spt dinyatakan dalam Teorema berikut.
Reproduksibilitas sebaran Chi-kuadrat
• Bukti: berdasarkan Teorema 5.10
MY(t) = MX1(t)MX2(t) … MXn(t)
dari Contoh 5.8 diperoleh fungsi pembangkit momen
MX1(t) = (1-2t) -vi/2 oleh karena itu
MY(t) = (1-2t) –v1/2(1-2t) –v2/2 … (1-2t) -vn/2 = (1-2t) –(v1+v2+ …+vn)/2
yang tak lain adalah fungsi pembangkit momen sebaran Chi-kuadrat dengan v = v1+ v2+ … + vn derajat bebas.
• TEOREMA 5.12 Jika X
1, X
2, …, X
nadalah peubah acak
yang saling bebas dengan sebaran sebagai Chi-kuadrat
dengan derajat bebas v
1, v
2, …, v
n, maka peubah acak
Y = X
1+X
2+ …+ X
nakan tersebar secara Chi-kuadrat pula dengan derajat bebas
• COROLLARY Jika X
1, X
2,… , X
nadalah peubah acak
yang memiliki sebaran normal dengan mean μ dan variansi
σ
2, maka peubah acak
akan memiliki sebaran Chi-kuadrat dengan derajat bebas
v=n.
• Corrolary ini adalah konsekuensi langsung dari
contoh 5.5, yang menyatakan bahwa,
masing-masing dari n peubah acak bebas [(X
i-μ)/σ]
2, i=1,
2, …,. n tersebar Chi-kuadrat dengan derajat
bebas 1.
∑
= ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − = n i i X Y 1 2 σ μPopulasi
• DEF 5.2 Suatu populasi terdiri dari keseluruhan
pengamatan yang menjadi perhatian kita.
• Jumlah pengamatan disebut besar (size) dari populasi. Mis.
600 orang mahasiswa, sejumlah tak-hingga lantunan dadu,
jumlah kartu, tinggi badan penduduk kota tertentu, dst.
• Setiap pengamatan dari populasi merupakan peubah acak X
dng sebaran f(x).
• Populasi binomial, populasi normal, dst akan mengacu
pada nilai peubah acak yang tersebar secarac binomial,
normal, … dst.
Cuplikan acak
• DEF. 5.3 Andaikan X
1, X
2, …, X
nadalah peubah acak
saling-bebas yang masing-masing memiliki sebaran
peluang f(x). Kita akan mendefinisikan X
1, X
2, …, X
nsebagai cuplikan acak berukuran n dari populasi f(x) dan
menuliskan sebaran peluang gabungannya sebagai
Statistik
• Tujuan pemilihan cuplikan acak adalah untuk mengetahui
lebih jelas perihal parameter dari suatu populasi.
• Andaikan kita ingin tahu pendapat masyarakat suatu
negara mengenai merk kopi-kopi tertentu, tidak mungkin
kita bertanya ke semua penduduk satu per satu. Yang bisa
dilakukan, ambil sejumlah besar cuplikan acak dan analisa
pendapatnya.
• Nilai yang dihitung dari suatu cuplikan disebut sebagai
statistik. Karena dari suatu populasi kita bisa mengambil
berbagai sampel, maka nilai statistik dapat bervariasi.
Dengan demikian, statistik adalah suatu peubah acak.
• DEFINISI 5.4 Suatu statistik adalah peubah acak yang
nilai-nya hanya bergantung pada cuplikan acak yang
sedang diamati.
Mean cuplikan (sample mean)
• Statistik akan kita tuliskan sebagai P^, sedangkan nilainya adalah p^. Tingkat ketelitian p^ dalam menggambarkan populasi sesungguhnya, yaitu p, terlebih dahulu kita lihat sebaran dari statistik P^.
• Salah satu statistik yang paling populer adalah ukuran pusat data, yaitu
mean, median, dan mode.
• DEFINISI 5.5 Jika X
1, X
2, …, X
nmenyatakan cuplikan
acak berdimensi n, maka mean dari cuplikan (sample
mean) didefinisikan dengan statistik berikut:
• Catat bahwa statistik X mengasumsikan bahna nilai x = Σi=1N(x
i/n) saat X1 bernilai x1, X2 bernilai x2, … dst.
n
X
X
n i i∑
==
1Contoh 5.9
• Soal: Tentukan mean dari cuplikan acak yang nilai
pengamatannya adalah 20, 27, dan 25.
• Jawab: Nilai x teramati dari statistik X adalah
x = (20 + 27 +25)/3 = 24
MEDIAN
• DEFINISI 5.6 Jika X
1, X
2, …, X
nmenyatakan cuplikan
acak berukuran n yang diurutkan secara meningkat, maka
median X
~dari cuplikan dinyatakan oleh statistik
X
~= X
(n+1)/2
jika n ganjil
= (X
n/2+ X
(n/2)+1)/2
jika n genap
• Contoh 5.10: Tentukan median dari cuplikan acak yang nilai pengamatannya adalah 8, 3, 9, 5, 6, 8, dan 5.
• Jawab: Pengurutan yang meningkat 3, 5, 5, 6, 8, 8, 9, memberikan nilai median x~ = 6.
• Contoh 5.11 Tentukan median dari cuplikan acak yang nilai pengamatannya adlah 10, 8, 4, dan 7.
• Jawab: Pengurutan dari hasil pengamatan secara meningkat 4, 7, 8, 10 dan DEF 5.6, maka median adalah mean aritmetik dari
MODE
• DEFINISI 5.7 Jika X
1, X
2, …, X
nmenyatakan cuplikan
acak berukuran n yang tidak perlu berlainan nilainya, maka
mode M dari cuplikan adalah nilai yang paling sering
muncul atau yang frekuensi nya paling besar. Mode bisa
jadi tidak ada, dan jika adapun belum tentu unik.
• Contoh 5.12: Tentukan mode dari cuplikan acak yang nilai pengamatannya adalah 2, 4, 4, 5, 6, 6, 6, 7, 7, dan 8.
• Jawab: mode m = 6.
• Contoh 5.13: Hasil pengamatan 3, 4, 4, 4, 6, 7, 7, 8, 8, 8, dan 9 memiliki dua mode, yaitu 4 dan 8. Sebaran yang demikian
disebut bimodal.
• Jika deretan cuplikan punya dua mode berurutan, kita ambil
rata-rata aritmetikanya. Dengan demikian 3, 5, 5, 5, 6, 6, 6, 7, 9, 9, 9 adalah (5+6)/2 = 5.5 dan 9.
Kelebihan dan kekurangan mean
• Keuntungan mean:
– paling umum dipakai dalam menggambarkan pusat
kecenderungan data.
– Mudah dihitung dan menggunakan semua informasi
yang ada.
– Sifat sebaran mean cuplikan sudah banyak dipelajari,
shg inferensi statistik didasarkan pada sample mean.
• Kerugian:
– mudah terpengaruh nilai ekstrim. Jika dalam
pengumpulan dana sebagian besar orang menyumbang
$5, maka sumbangan seseorang sebesar $10,000
menghasilkan rata-rata sumbangan yang jauh lebih
besar dari seharusnya.
Kelebihan dan kekurangan median
• Keuntungan median:
– Mudah dihitung
– Tak terpengaruh nilai ekstrim, akan
memberikan nilai tengah yang sebenarnya
dalam contoh donasi.
• Kerugian median
– Dalam penanganan cuplikan populasi, mean
tidak akan se-variatif median sehingga mean
lebih stabil. Dengan demikian, mean cuplikan
lebih mewakili mean populasi dibandingkan
median cuplikan menyatakan median pupulasi.
Kelebihan dan kekurangan mode
• Mode lebih jarang dipakai dibandingkan dengan
dua ukuran pusat yang lain, yaitu mean dan
median.
• Jika cuplikannya sedikit, nilai mode hampir
samasekali tidak ada gunanya. Jika ukuran data
besar, manfaatnya baru kelihatan.
• Keuntungan satu-satunya dari mode adalah: tidak
perlu melakukan kalkulasi apapun untuk
Ukuran penyebaran data
• Ketiga statistik yang telah disebut (mean, median, mode)
tidak menggambarkan apapun mengenai penyebaran data.
• Tinjau kasus berikut berkaitan dengan isi jus buah didalam
botol dari dua merek A dan B.
Cuplikan A
75
80
74
83
86
Cuplikan B
86
80
69
71
94
• Kedua cuplikan punya nilai mean cuplikan yang sama
sebesar 80, tapi terlihat jelas bahwa jus merek A lebih
seragam dibandingkan dengan merek B.
• Statistik paling penting dalam menyatakan variabilitas
cuplikan acak adalah jangkauan (range) dan variansi.
• Dari kedua macam statistik ini, yang paling mudah
Jangkauan (range)
• DEFINISI 5.8 Jangkauan dari cuplikan acak X
1,
X
2, …, X
nyang diurutkan meningkat, didefinisikan
sebagai statistik X
n-X
1.
• Contoh 5.14. Nilai jangkauan dari kumpulan
pengamatan 10, 12, 12, 18, 19, 22, dan 24 adalah
24-10=14.
• Untuk kasus jus buah pada contoh sebelumnya,
jangkauan dari merek A adalah 12, sedangkan
untuk merek B adalah 25.
Kelemahan jangkauan
• Jangkauan bukanlah ukuran variabilitas data yang baik
karena hanya mempertimbangkan dua nilai ekstrim tanpa
mengatakan apapun mengenai nilai diantara dua ekstrim tsb.
• Tinjau dua kumpulan data berikut
3, 4, 5, 6, 8, 9, 10, 12, 15
3, 8, 8, 9, 9, 9, 10, 10, 15
kedua data ini memiliki jangkauan 12.
• Data pertama memiliki mean dan median sebesar 8, tetapi
nilai-nilai diantaranya sangat bervariasi.
• Data kedua memiliki mean dan median sebesar 9, tetapi nilai
diantaranya dekat ke mean maupun median.
• Untuk mengatasi kelemahan jangkauan, diperkenalkanlah
variansi cuplikan yang menyatakan variabilitas data dengan
mempertimbangkan posisi setiap data pengamatan terhadap
Variansi cuplikan
• DEFINISI 5.9 Jika X
1, X
2, …, X
nmenyatakan peubah acak
berukuran n, maka variansi cuplikan didefinisikan sebagai
statistik
(
)
1 1 2 2 − − =∑
= n X X S n i i• Nilai hasil hitungan S
2dinyatakan sebagai s
2.
• Perhatikan bahwa S
2pada dasarnya adalah rata-rata dari
simpangan kuadrat data pengamatan terhadap mean.
Penggunan n-1 sebagai pembagi dan bukannya n,
sebenarnya jelas dengan sendirinya. Penjelasan lebih lanjut
akan dibahas pada Bab VI.
Variansi cuplikan
• TEOREMA 5.13 Jika S
2adalah variansi dari
cuplikan acak berukuran n, kita bisa menuliskan
(
1)
2 1 1 2 2 − ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − =∑
=∑
= n n X X n S n i i n i i• Bukti: --lakukan sendiri
• Simpangan baku cuplikan S didefinisikan sebagai akar
kuadrat positif dari variansi cuplikan.
Contoh 5.15
• Soal: Tentukan variansi dari cuplikan
pengamatan berikut: 3, 4, 5, 6, 6, dan 7
• Jawab: Kita mendapatkan
Σ
i=16(x
i)
2= 171,
Σ
i=16(x
i
) = 31, dan n = 6. Dengan demikian
s
2= [(6)⋅(171) - 31
2]/[(6)⋅(5)]
= 13/6.
Sebaran cuplikan
• Statistika induktif berkaitan dng generalisasi dan prediksi.
Generalisasi dari parameter statistik dapat dilakukan jika
perilakuk fluktuatif dari statistik diketahui.
• DEFINISI 5.10 Sebaran peluang dari suatu statistik disebut
sebaran cuplikan (sampling distribution).
• DEFINISI 5.11Simpangan baku dari sebaran cuplikan dari
suatu statistik disebut sebagai kesalahan baku dari statistik
(standard error of statistic).
• Sebaran peluang dari X disebut sebagai sebaran cuplikan
dari mean, sedangkan kesalahan baku dari mean adalah
simpangan baku dari sebaran cuplikan dari X.
Pendahuluan
• Pokok bahasan pertama ttg sebaran cuplikan penting ( important
sampling distribution ) adalah mean X.
• Andaikan cuplikan acak dari n buah pengamatan diambil dari populasi
normal dengan mean μ dan sebaran σ 2. Setiap pengamatan X
i, i=1,2, …,n dari cuplikan acak akan punya sebaran normal yang sama dengan populasi yang dicuplik.
• Berdasarkan sifat reproduktif dari sebaran normal pada Teoriema 5.11, maka
X = (X1 + X2 + … + Xn)/n
akan tersebar normal dengan mean μX = (μ + μ + … + μ)/n = μ dan variansinya
σX2 = (σ2 + σ2 + … + σ2)/n2 = σ2/n2
• Jika pencuplikan dilakukan pada popolasi yang sebarannya tak
diketahui, berhingga maupun takhingga, sebaran cuplikan X akan tetap mendekatai normal dengan mean μ dan variansi σ2/n jika jumlah
cuplikan cukup banyak. Hasil yang menakjubkan ini adalah konsekuansi langsung dari Central Limit Theorem.
Central Limit Theorem
• THEOREM 5.14 Jika X adalah mean dari cuplikan
acak berukuran n yang diambil dari suatu populasi
dengan mean
μ
dan variansi berhingga
σ
2, maka
limit dari bentuk sebaran
ketika n →∞, adalah sebaran normal baku n(z;0,1)
n
X
Z
σ
μ
−
=
• Pada umumnya, hampiran normal dari X akan baik jika n ≥30, apapun bentuk populasinya. Jika n<30, hampiran akan baik hanya jika populasi tidak terlalu menyimpang dari bentuk normal.
• Jika populasinya normal, sebaran cuplikan X akan mengikuti sebaran normal secara tepat, seberapapun ukuran cuplikan.
Contoh 5.16
• Soal: sebuah pabrik memproduksi lampu listrik yang memiliki waktu-hidup hampir tersebar normal, dengan mean 800 jam dan simpangan baku 40 jam. Tentukan peluang bahwa suatu
cuplikan acak 6 buah lampu akan memiliki waktu hidup kurang dari 775 jam.
• Jawab: Sebaran cuplikan dari X akan mendekati normal dengan μX =800 dan σX=40/√(16) =10. Peluang yang diinginkan akan diberikan oleh daerah diarsir pada Gb 5.4.
• Untuk x=775, maka kita akan mendapatkan
z = (775-800)/10 = -2.5 Oleh karena itu
P(X<775) = P(Z<-2.5)
= 0.006 775
x
800
Contoh 5.17
• Soal: Suatu populasi memiliki sebaran seragam f(x) = ¼ ; x=0, 1, 2, 3
= 0 ; lainnya
tentukan peluang bahwa suatu cuplikan acak berukuran 36, yang diambil dengan penggantian, akan menghasilkan mean cuplikan lebih dari 1.4, tetapi kurang dari 1.8, jika mean diukur ke
persepuluhan terdekat.
• Jawab: Perhitungan mean dan variansi dari sebaran seragam dari rumus pada Teorema 3.1 menghasilkan
μ = (0+1+2+3)/4 = 3/2
σ2 = {(0-3/2)2 + (1-3/2)2 + (2-3/2)2 + (2-3/2)2 }/4 = 5/4
Sebaran cuplikan X dapat didekati dengan sebaran normal dengan mean μX=3/2 dan variansi σX2 = σ2/n = 5/144. Dengan demikian, simpangan bakunya adalah σX=0.186.
Peluang bahwa X akan lebih dari 1.4 tetapi kurang dari 1.8 diberikan oleh daerah diarsir pada Gb.5.5
Lanjutan …
• Nilai z yang untuk x1=1.45 dan x2=1.75 adalah
z1= (1.45-1.5)/0.186 = -0.269
z2= (1.75-1.5)/0.186 = 1.344 Oleh karena itu
P(1.4<X<1.8) ~ P(-0.269<Z<1.344) = P(Z<1.344) – P(Z<-0.269) = 0.9105 – 0.3932 = 0.5173 1.5 1.45 1.75 x σX= 0.186