Statistika Matematika I
Teknik transformasi untuk mencari distribusi suatu peubah acak baru dapat dibagi jadi dua yakni transformasi satu-satu dan transformasi yang bukan satu-satu.
Pada umumnya terdapat tiga teknik untuk mencari distribusi dari suatu peubah acak yakni teknik CDF, teknik transformasi, dan teknik MGF. Kita telah membahas teknik CDF, dan sekarang kita akan lanjutkan dengan teknik transformasi.
Teknik transformasi ini dapat dibagi jadi dua yakni transformasi satu-satu dan transformasi yang bukan satu-satu. Pada artikel ini kita fokus pada teknik transformasi yang satu-satu, dan teknik transformasi yang bukan satu-satu disajikan pada artikel berikutnya.
Misalkan \(X\) adalah peubah acak diskrit dengan pdf \(f_X (x)\). Jika \(Y = g(X)\) merupakan transformasi satu-satu, maka fungsi pdf dari \(Y\) adalah
di mana \(B=\{y|f_Y (y)>0\}\) dan \(g^{-1}\) merupakan fungsi kebalikan umum.
Buki:
Karena \(Y = g(X)\) adalah fungsi satu-satu yang memetakan \(Y\) ke \(X\), maka untuk setiap nilai \(y=f(x)\) terdapat tepat satu nilai \(x = g^{-1} (y)\), sehingga:
di mana \(B=\{y|f_Y (y)>0\}\).
Contoh 1: Kasus Diskrit
Misalkan peubah acak \(X\) mengikuti distribusi geometri dengan parameter \(p\), yakni \(X \sim Geo(p)\) dan \(f_X (x) = pq^{x-1}; \ x=1,2,3,…\). Tentukan pdf dari \(Y = X-1\).
Pembahasan:
Karena \( y = x - 1 \), maka \( x = y + 1 = g^{-1}(y) \). Sehingga pdf dari \( Y \) adalah
Misalkan \(X\) adalah peubah acak kontinu dengan pdf \(f_X (x)\). Jika \(Y = g(X)\) merupakan transformasi satu-satu dari \(A=\{x|f_X (x)>0\}\) ke \(B=\{y|f_Y (y)>0\}\), maka fungsi pdf dari \(Y\) adalah
dengan syarat turunan (derivative) \(\frac{d}{dy} (g^{-1} (y))\) adalah kontinu dan taknol dalam \(B\).
Bukti:
Pada kasus kontinu maka fungsi satu-satu hanya memiliki satu di antara 2 kemungkinan yaitu:
Dalam teori peluang kita tahu bahwa \(F_X (x)\) adalah fungsi yang monoton naik dan \(1-F_X (x)\) adalah fungsi monoton turun. Perhatikan gambar berikut.
Gambar: Fungsi monoton naik dan fungsi monoton turun.
Karena sifat \(F_X (x)\) dan \(1-F_X (x)\) yang monoton tersebut maka aplikasi metode transformasi dilakukan melalui salah satu dari kedua fungsi tersebut, sebagai berikut:
Jika \(Y = g(X)\) merupakan fungsi naik (increasing function) maka \(g(x)≤y ↔x≤g^{-1} (y)\), sehingga kita gunakan \(F_X (x)\) untuk menurunkan fungsi \(f_Y (y)\) sebagai berikut:
Dengan demikian,
Jika \(Y = g(X)\) merupakan fungsi turun (decreasing function) maka \(g(x)≤y ↔x≥g^{-1} (y)\), sehingga kita gunakan \(1-F_X (x)\) untuk menurunkan fungsi \(f_Y (y)\) sebagai berikut:
Dengan demikian,
Contoh 2: Kasus Kontinu
Misalkan diketahui \( F_X(x) = 1 - e^{-2x}, \quad 0 < x < \infty \). Jika \( Y = e^X \), tentukanlah distribusi dari \(Y\).
Pembahasan:
Kita cari pdf dari \(X\) terlebih dahulu, yakni
Karena \( y = e^x \), maka \( x = \ln y = g^{-1} (y) \). Sehingga
Dengan demikian, fungsi pdf dari \(Y\) yaitu
Contoh 3: Kasus Kontinu
Jika diketahui \( f_X(x) = 1; 0 < x < 1 \). Tentukan pdf dari \( Y = e^X \).
Pembahasan:
Karena \(y = e^x\), maka \( x = \ln y = g^{-1} (y) \). Sehingga
Dengan demikian, pdf dari \(Y\) adalah
Contoh 4: Kasus Kontinu
Andaikan \(X\) mempunyai fungsi kepekatan peluang (pdf)
dan nol untuk \(x\) lainnya, di mana \(θ\) adalah parameter positif. Ini merupakan contoh distribusi Pareto. Tentukanlah pdf dari \(Y=\ln X\).
Pembahasan:
Karena \(x > 1\) maka \(y > 0\) dan invers transformasinya adalah \(x=e^y\) dan \(dx/dy=e^y\). Dengan demikian,
Perhatikan bahwa fungsi pdf dari \(Y\) adalah pdf untuk distribusi eksponensial.
Teorema-teorema yang telah kita bahas sebelumnya dapat diperluas untuk fungsi beberapa peubah acak.
Definisi: Kasus Diskrit
Andaikan \(X_1, X_2\) mempunyai pdf bersama \(f_{X_1,X_2} (x_1,x_2)\). Misalkan \(Y_1=g_1 (X_1,X_2)\) dan \(Y_2=g_2 (X_1,X_2)\). Jika \(y_1=g_1 (x_1,x_2)\) dan \(y_2=g_2 (x_1,x_2)\) adalah transformasi satu-satu, maka \(x_1=g_1^{-1} (y_1,y_2)\) dan \(x_2=g_2^{-1} (y_1,y_2)\). Dengan demikian, joint pdf dari \(Y_1\) dan \(Y_2\) adalah
Definisi: Kasus Kontinu
Andaikan \(X_1, X_2\) mempunyai pdf bersama \(f_{X_1,X_2} (x_1,x_2)\). Misalkan \(Y_1=g_1 (X_1,X_2)\) dan \(Y_2=g_2 (X_1,X_2)\). Jika \(y_1=g_1 (x_1,x_2)\) dan \(y_2=g_2 (x_1,x_2)\) adalah transformasi satu-satu, maka \(x_1=g_1^{-1} (y_1,y_2)\) dan \(x_2=g_2^{-1} (y_1,y_2)\). Kemudian jika |J|, yang diberikan oleh
adalah determinan Jacobian transformasi. Maka joint pdf dari \(Y_1\) dan \(Y_2\) adalah
Contoh 5: Kasus Kontinu
Andaikan \(X_1\) dan \( X_2 \) mempunyai joint pdf
Dengan transformsi \( y_1 = x_1 \) dan \( y_2 = x_1 + x_2 \), kita peroleh \( x_1 = y_1 \) dan \( x_2 = y_2 - y_1 \). Himpunan \( B = \{ (y_1,y_2): 0 \leq y_1 \leq y_2 \leq \infty \} \). Nilai Jacobian adalah
Dengan demikian, joint pdf dari \( Y_1 \) dan \( Y_2 \) diberikan oleh
Jika kita hanya ingin mencari pdf dari \( Y_2 = X_1 + X_2 \), kita harus mencari pdf marginal dari \( Y_2 \) dengan mengintegralkan keluar \(Y_1\). Kita peroleh
Contoh 6: Kasus Kontinu
Jika diketahui \(X_1\) dan \( X_2 \) mempunyai joint pdf
Andaikan kita ingin mencari pdf dari \( Y_1 = X_1/X_2 \). Kita perlu peubah lain di sini, yakni \( Y_2 = X_2 \). Kita pilih peubah \( Y_2 \) agar kita bisa mencari invers dengan mudah. Inversnya adalah \( x_1 = y_1y_2 \) dan \( x_2 = y_2 \). Nilai Jacobian adalah
Kita punya \( A = \{ 0 < x_1 < x_2 < 1 \} \), maka \( B = \{ 0 < y_1y_2 < y_2 < 1 \} \) atau \( B = \{ 0 < y_1 < 1, 0 < y_2 < 1 \} \). Sehingga,
Dengan demikian, pdf marginal dari \( Y_1 \) adalah
Jika seorang pemimpin tahu bagaimana memasuki suatu urusan, maka ia harus tahu juga bagaimana cara keluar dari urusan itu, sesempit apapun jalan keluar yang tersedia.
Amir bin Ash