DISTRIBUSI DAN FUNGSI

RANDOM VARIABEL

1. The CDF Technique

2. Transformation Method

3. MGF (Moment
Generating Function)
Method
PEMBAHASAN

6.2 The CDF Technique

Example 6.2.1, 6.2.2,
6.2.3
Theorem 6.2.1

Example 6.2.4

Exercise
6.2 The CDF
Technique
Keyword
PDF = Probability Density Function (Fungsi Peubah Acak).

CDF = Comulative Distribution Function (Fungsi Distribusi Komulatif).

The CDF Technique
Kita akan asumsikan bahwa variabel acak 𝑋 memiliki CDF 𝐹𝑥 (𝑥), dan
beberapa fungsi 𝑋 penting, katakanlah 𝑌 = 𝑢(𝑋). Gagasan di balik
teknik CDF adalah untuk mengekspresikan CDF 𝑌 dalam distribusi 𝑋.
Khususnya, untuk setiap bilangan real y, dapat kita definisikan suatu
himpunan 𝐴𝑦 = {𝑥 | 𝑢(𝑥) ≤ 𝑦}. Oleh karena itu [𝑌 ≤ 𝑦] dan [𝑋 ∈ 𝐴𝑦 ]
adalah peristiwa yang setara, dan akibatnya

𝐹𝑌 (𝑦) = 𝑃 [𝑢(𝑋) ≤ 𝑦]
The CDF Technique
𝐹𝑌 (𝑦) = 𝑃 [𝑢(𝑋) ≤ 𝑦]
yang juga dapat dinyatakan sebagai 𝑃 [𝑋 ∈ 𝐴𝑦 ]. Probabilitas ini dapat
dinyatakan sebagai integral dari pdf, 𝑓𝑥 (𝑥), di atas himpunan 𝐴𝑦 jika 𝑋
kontinu, atau sum 𝑓𝑥 (𝑥) di atas 𝑥 dalam 𝐴 , jika 𝑋 adalah diskrit.
Sebagai contoh, seringkali dimungkinkan untuk menyatakan [𝑢(𝑋) ≤ 𝑌]
dalam persoalan yang sama [𝑥1 ≤ 𝑋 ≤ 𝑥2 ], di mana satu atau keduanya dari
batas 𝑥1 dan 𝑥2 bergantung pada 𝑦. Dalam kasus berkelanjutan,

𝑑
dan, tentu saja, pdf adalah 𝑓𝑌 𝑦 = 𝐹𝑌 𝑦 .
𝑑𝑦
Langkah-Langkah Teknik CDF
𝑥
1. 𝐹𝑋 𝑥 = ‫׬‬0 𝑓𝑋 𝑥 𝑑𝑥
2. 𝐹𝑌 𝑦 = 𝑃 [𝑌 ≤ 𝑦]
= 𝑃 [𝑢(𝑋) ≤ 𝑦]
= 𝑃 [𝑋 ≤ 𝑦]
= 𝐹𝑋 𝑦
3. 𝑓𝑌 𝑦 = 𝐹𝑌 ′ 𝑦 atau 𝐹𝑋 𝑦
Example 6.2.1,
6.2.2, 6.2.3
Example 6.2.1
Andaikan 𝐹𝑋 𝑥 = 1 − 𝑒 −2𝑥 , 0 < 𝑥 < ∞, dan anggap 𝑌 = 𝑒 𝑥 . Kita
peroleh: 𝑥
𝑒 =𝑦
𝑥= …

ln 𝑒 𝑥 = ln 𝑦
𝑥 ln 𝑒 = ln 𝑦
𝑥 = ln 𝑦 1 − 𝑒 −2𝑥 = 1 − 𝑒 −2 ln 𝑦
−2
= 1 − 𝑒 ln 𝑦
= 1 − 𝑦 −2

Dalam hal ini, 𝑥1 = −∞ dan 𝑥2 = ln 𝑦, dan pdf 𝑌 adalah

Example 6.2.2
Anggaplah variabel acak kontinu di 𝑋, dan misalkan 𝑌 = 𝑋 2 . Itu berarti
bahwa
Example 6.2.2
Pdf 𝑌 dapat dinyatakan dengan mudah dalam kondisi pdf 𝑋 pada kasus
ini, karena

Untuk 𝑦 > 0.
Example 6.2.3
Sebuah sinyal dikirim ke antena berputar dua sisi, dan sudut antena
pada saat sinyal diterima dapat diasumsikan terdistribusi secara merata
dari 0 ke 2𝜋, ~ UNIF (0, 2𝜋). Sinyalnya bisa diterima jika 𝑌 =
tan > 𝑦0 . Misalnya, 𝑦 ≥ 1 sesuai dengan sudut 45° < < 90° dan
225° < < 270°. CDF 𝑌 ketika 𝑦 < 0 adalah
Example 6.2.3
Secara singkat 𝑃 𝑌 > 𝑦 = 𝑃 𝑌 < −𝑦 . Kemudian, untuk 𝑦 > 0,

Menarik bahwa
Theorem 6.2.1
 Theorem 6.2.1
Misalkan 𝑋 = (𝑋1 , 𝑋2 , . . . . . , 𝑋𝑘 ) menjadi vektor 𝑘 -
dimensi dari variabel acak kontinu,
pdf 𝑓 𝑥1 , 𝑥2 , . . . . . , 𝑥𝑘 . Jika 𝑌 = 𝑢(𝑋) adalah fungsi
dari 𝑋, lalu

Di mana 𝐴𝑦 = {𝑥|𝑢 𝑥 ≤ 𝑦}.

Example 6.2.4
Example 6.2.4
Jumlah dari dua variabel acak independen, katakanlah
𝑌 = 𝑋1 + 𝑋2 , dimana 𝑋1 ~𝐸𝑋𝑃(1). Himpunan tersebut
ditunjukkan pada Gambar berikut,

Luas 𝐴𝑦 seperti pada 𝑥1 + 𝑥2 ≤ 𝑌

 Example 6.2.4
Dan akibatnya
𝑦 𝑦−𝑥2
𝐹𝑌 𝑦 = න න 𝑒 −(𝑥1 +𝑥2 ) 𝑑𝑥1 𝑑𝑥2
0 0
𝑦 𝑦−𝑥2
=න න 𝑒 −(𝑥1+𝑥2 ) 𝑑𝑥1 𝑑𝑥2
0 0
𝑦
𝑦 − 𝑥2
=න −𝑒 −(𝑥1+𝑥2 ) ൧ 𝑑𝑥2
0 0
𝑦
= න (−𝑒 − 𝑦−𝑥2 +𝑥2
) − (−𝑒 − 𝑦−𝑥2 +𝑥2
) 𝑑𝑥2
0
𝑦
= න −𝑒 −𝑦 + 𝑒 −𝑥2 𝑑𝑥2
0
Example 6.2.4
𝑦
𝐹𝑌 𝑦 = න −𝑒 −𝑦 + 𝑒 −𝑥2 𝑑𝑥2
0
𝑦 𝑦
= න −𝑒 −𝑦 𝑑𝑥2 + න 𝑒 −𝑥2 𝑑𝑥2
0 0
−𝑦 −𝑥2 ]
𝑦
= −𝑒 𝑥2 − 𝑒
0
−𝑦
= −𝑒 𝑦 − 𝑒 −𝑦 − (−1)
= −𝑦𝑒 −𝑦 − 𝑒 −𝑦 + 1
= 1 − 𝑒 −𝑦 − 𝑦𝑒 −𝑦
Example 6.2.4
𝑑
𝑓𝑌 𝑦 = 𝐹𝑌 𝑦
𝑑𝑦
𝑑
= (1 − 𝑒 −𝑦 − 𝑦𝑒 −𝑦 )
𝑑𝑦
𝑑 𝑑 −𝑦 𝑑
= 1 − 𝑒 − 𝑦𝑒 −𝑦
𝑑𝑦 𝑑𝑦 𝑑𝑦
= 0 + 𝑒 −𝑦 − 𝑒 −𝑦 + 𝑒 −𝑦 𝑦
= 𝑦𝑒 −𝑦 𝑦>0
Exercise
Exercise
Let 𝑋 be a random variabel with pdf 𝑓 𝑥 = 4𝑥 3 if 0 < 𝑥 < 1 and zero
otherwise. Use the cumulative (CDF) technique to determine the pdf of
each of the following random variables:
(a) 𝑌 = 𝑋 4
(b) W = 𝑒 𝑋
(c) 𝑍 = ln 𝑋
(d) 𝑈 = (𝑋 − 0,5)2
Answer
Diketahui: 2) 𝐹𝑌 𝑦 = 𝑃[𝑌 ≤ 𝑦]
0<𝑥<1 = 𝑃[𝑋 4 ≤ 𝑦]
𝑓𝑋 𝑥 = 4𝑥 3 ቊ = 𝑃[𝑋 ≤ 4 𝑦]
0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
= 𝐹𝑋 4 𝑦
(a) 𝑌 = 𝑋 4 = 4𝑦 4
Ditanya: 1
= (𝑦 4 )4
𝑓𝑌 𝑦 ?
𝑥
1) 𝐹𝑋 𝑥 = ‫׬‬0 𝑓𝑋 𝑡 𝑑𝑡 =𝑦 0<𝑦<1
𝑥
3) 𝑓𝑌 𝑦 = 𝐹𝑌 ′ 𝑦
=න 4𝑡 3 𝑑𝑡 𝑑
0
𝑥 = (𝑦)
= 4
𝑡 ] 𝑑𝑦
4
0 =1 0<𝑦<1
=𝑥 −0
= 𝑥4
Answer
Diketahui: 2) 𝐹𝑊 𝑤 = 𝑃[𝑊 ≤ 𝑤]
0<𝑥<1 = 𝑃[𝑒 𝑥 ≤ 𝑤]
𝑓𝑋 𝑥 = 4𝑥 3 ቊ = 𝑃[𝑋 ≤ ln 𝑤]
0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
= 𝐹𝑋 (ln 𝑤)
(b) W = 𝑒 𝑋
Ditanya: = (ln 𝑤)4 1 < 𝑤 <e
𝑓𝑊 𝑤 ?
𝑥
1) 𝐹𝑋 𝑥 = ‫׬‬0 𝑓𝑋 𝑡 𝑑𝑡
𝑥
= න 4𝑡 3 𝑑𝑡 3) 𝑓𝑊 𝑤 = 𝐹𝑊 ′ 𝑤
0 𝑑
4
𝑥 = ((ln 𝑤)4 )
= 𝑡 ] 𝑑𝑤
0
4
=𝑥 −0 4(ln 𝑤)3
= 1<𝑤<𝑒
= 𝑥4 𝑤
Answer
Diketahui: 2) 𝐹𝑍 𝑧 = 𝑃[𝑍 ≤ 𝑧]
0<𝑥<1 = 𝑃[ln 𝑍 ≤ 𝑧]
𝑓𝑋 𝑥 = 4𝑥 3 ቊ = 𝑃[𝑋 ≤ 𝑒 𝑧 ]
0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
= 𝐹𝑋 𝑒 𝑧
(c) 𝑍 = ln 𝑋 = 𝑒𝑧 4
Ditanya:
= 𝑒 4𝑧 −∞ < 𝑧 < 0
𝑓𝑍 𝑧 ?
𝑥
1) 𝐹𝑋 𝑥 = ‫׬‬0 𝑓𝑋 𝑡 𝑑𝑡
𝑥
3) 𝑓𝑍 𝑧 = 𝐹𝑍 ′ 𝑧
=න 4𝑡 3 𝑑𝑡 𝑑 4𝑧
0
𝑥 = (𝑒 )
= 4
𝑡 ] 𝑑𝑧
0
4
=𝑥 −0 = 4𝑒 4𝑧 −∞ < 𝑧 < 0
= 𝑥4
Answer
2) 𝐹𝑈 𝑢 = 𝑃[𝑈 ≤ 𝑢]
Diketahui: = 𝑃[(𝑋 − 0,5)2 ≤ 𝑢]
0<𝑥<1 = 𝑃 − 𝑢 + 0,5 ≤ 𝑋 ≤ 𝑢 + 0,5
𝑓𝑋 𝑥 = 4𝑥 3 ቊ = 𝐹𝑋 𝑢 + 0,5 − 𝐹𝑋 − 𝑢 + 0,5
0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
= ( 𝑢 + 0,5)4 −(− 𝑢 + 0,5)4
(d) 𝑈 = (𝑋 − 0,5)2
= ቀ 𝑢 4 + 4 𝑢 3 0,5 + 6 𝑢 2 0,5 2 +4 𝑢 1 0,5 3
Ditanya:
𝑓𝑈 𝑢 ?
𝑥
1) 𝐹𝑋 𝑥 = ‫׬‬0 𝑓𝑋 𝑡 𝑑𝑡
𝑥
= න 4𝑡 3 𝑑𝑡
0
4
𝑥
= 𝑡 ]
4
0
=𝑥 −0
= 𝑥4
Answer
12𝑢 + 1 2 𝑢
3) 𝑓𝑈 𝑢 = 𝐹𝑈 ′ 𝑢 𝑓𝑈 𝑢 = ×
𝑑 2 𝑢 2 𝑢
= (4𝑢 𝑢 + 𝑢) 24𝑢 𝑢 + 2 𝑢
𝑑𝑢 =
𝑑 3 1 4𝑢
= (4𝑢2 + 𝑢2 ) 12𝑢 𝑢 + 𝑢
𝑑𝑢 =
1 2𝑢
=6 𝑢+ 𝑢(12𝑢 + 1)𝑢−1
2 𝑢 =
12𝑢 + 1 2
= 1
2 𝑢 (12𝑢+1)𝑢
−2
= 0 < 𝑢 < 0,25
2
THANK YOU