Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
UNIVERSITAS INDONESIA
DISTRIBUSI SKEW-NORMAL
SKRIPSI
RIYANTO D SETYAWAN
0706261884
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI SARJANA MATEMATIKA
DEPOK
JULI 2011
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
UNIVERSITAS INDONESIA
DISTRIBUSI SKEW-NORMAL
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar sarjana sains
RIYANTO D SETYAWAN
0706261884
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI SARJANA MATEMATIKA
DEPOK
JULI 2011
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
iii
HALAMAN PERNYATAAN ORISINALITAS
Skripsi ini adalah hasil karya sendiri,
dan semua sumber baik yang dikutip maupun dirujuk
telah saya nyatakan dengan benar.
Nama : Riyanto D Setyawan
NPM : 0706261884
Tanda Tangan :
Tanggal : 12 Juli 2011
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
iv
HALAMAN PENGESAHAN
Skripsi ini diajukan oleh
Nama : Riyanto D Setyawan
NPM : 0706261884
Program Studi : Sarjana Matematika
Judul Skripsi : Distribusi Skew-Normal
Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai
bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Sains pada
Program Studi S1 Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Indonesia
DEWAN PENGUJI
Pembimbing : Dra. Ida Fithriani, M.Si. ( )
Penguji : Dra. Netty Sunandi, M.Si. ( )
Penguji : Dra. Rianti Setiadi, M.Si. ( )
Penguji : Fevi Novkaniza, M.Si. ( )
Ditetapkan di : Depok
Tanggal : 17 Juni 2011
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
v
KATA PENGANTAR
Puji syukur yang tak terkira saya panjatkan kepada Tuhan Yesus, karena
atas berkat dan rahmat-Nya, saya dapat menyelesaikan skripsi ini. Penulisan
skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai
gelar Sarjana Sains Jurusan Matematika pada Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Indonesia.
Saya menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak,
dari masa perkuliahan sampai pada penyusunan skripsi ini, sangatlah sulit bagi
saya untuk menyelesaikan skripsi ini. Oleh karena itu, saya mengucapkan terima
kasih kepada:
(1) Tuhan Yesus, tentunya Dia yang menguatkan, memampukan, dan terus
memberikan berkatnya kepada saya sehingga saya dapat menyelesaikan
skripsi ini dengan sebaik-baiknya;
(2) Dra. Ida Fithriani, selaku dosen pembimbing akademik dan pembimbing
skripsi yang telah menyediakan waktu, tenaga, dan pikiran untuk
mengarahkan saya dalam penyusunan skripsi ini, juga yang telah
memberikan perhatian dan arahannya selama masa empat tahun kuliah;
(3) Karyawan dan karyawati Tata Usaha dan Perpustakaan Departemen
Matematika Universitas Indonesia, yang telah turut mendukung saya baik
secara langsung maupun tidak langsung;
(4) Pak Hengki Tasman, Bu Cecil, dan pihak Sekolah Tirtamarta BPK Penabur,
yang telah mengizinkan saya mengalokasikan waktu lebih untuk
mengerjakan skripsi, serta memberikan dukungan moral kepada saya;
(5) Bu Emmy, Kak Bertha, dan staf-staf Kumon Bandung Cinere yang juga
telah mengizinkan saya mengalokasikan waktu lebih untuk mengerjakan
skripsi saya, dan juga memberikan dukungan moral;
(6) Orang tua dan keluarga saya yang telah memberikan bantuan dukungan
material dan moral;
(7) Sahabat-sahabat yang telah banyak membantu dan mendukung saya dalam
menyelesaikan skripsi ini, Farah, Winda, Syahrul, Riski, Ferdy, Widita,
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
vi
Widiyani, Lois, dan Nora;
(8) Teman-teman angkatan 2007 yang juga mengerjakan skripsi dan
mengusahakan kelulusan di semester genap 2010/2011, Shafa, Paramitha,
Sisca, Farah, Winda, Syahrul, Risky, Ferdy, Lois, Anggun, Adi, Gamar,
Anjar, Arif, Bowo, Isna, Widya, Shafira, Adit, Danar;
(9) Erik, Karina, Prita, Prisia, Trixie, Ninay, Daud, Alice, dan teman-teman
pengurus Komisi Pemuda GKI Pondok Indah dan panitia retret Komisi
Pemuda, yang telah memberikan kelonggaran serta dukungan kepada saya
untuk mengerjakan skripsi ini;
(10) Teman-teman dan senior-senior dari angkatan 2005-2009 yang juga telah
memberikan dukungan dalam pengerjaan skripsi ini;
Akhir kata, saya berharap Tuhan berkenan membalas segala kebaikan semua
pihak yang telah membantu. Semoga skripsi ini membawa manfaat bagi
pengembangan ilmu.
Penulis
2011
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
vii
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI
TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di
bawah ini:
Nama : Riyanto D Setyawan
NPM : 0706261884
Program Studi : Sarjana Matematika
Departemen : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Jenis karya : Skripsi
demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan
kepada Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive
Royalty Free Right) atas karya ilmiah saya yang berjudul:
Distribusi Skew-Normal
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti
Noneksklusif ini Universitas Indonesia berhak menyimpan,
mengalihmedia/format-kan, mengelola dalam bentuk pangkalan data
(database), merawat, dan memublikasikan tugas akhir saya selama tetap
mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak
Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Depok
Pada tanggal : 12 Juli 2011
Yang menyatakan
(Riyanto D Setyawan)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
viii Universitas Indonesia
ABSTRAK
Nama : Riyanto D Setyawan
Program Studi : Matematika
Judul : Distribusi Skew-Normal
Distribusi normal merupakan salah satu distribusi probabilitas data, yang banyak
digunakan dalam berbagai bidang karena sifat ideal yang dimilikinya, yaitu
distribusi probabilitas data-datanya terpusat di sekitar mean dan distribusi
probabilitas data lainnya tersebar secara merata. Namun ada kasus-kasus tertentu
di mana distribusi normal sebaiknya tidak digunakan karena akan menghasilkan
analisis yang kurang sesuai, terutama ketika data memiliki kemencengan yang
kuat dan mempunyai heavy-tail. Pada tugas akhir ini diperkenalkan distribusi
probabilitas yang dapat memfasilitasi kemencengan data, yaitu distribusi skew-
normal. Distribusi skew-normal merupakan bentuk perluasan dari distribusi
normal dengan memasukkan parameter kemencengan. Tugas akhir ini
memberikan penjelasan mengenai karakteristik-karakteristik dari distribusi skew-
normal univariat dan perluasannya dengan memasukkan parameter location dan
scale, serta distribusi skew-normal secara umum dalam bentuk multivariat.
Karakteristik-karakteristik yang dimaksud adalah fungsi kepadatan probabilitas,
fungsi distribusi, mean, variansi, fungsi pembangkit momen, dan sifat-sifatnya.
Kata Kunci : distribusi normal, kemencengan, distribusi skew-normal,
parameter location dan scale, fungsi kepadatan probabilitas,
fungsi distribusi, fungsi pembangkit momen, mean, kovariansi,
variansi.
xiii+204 halaman; 3 gambar; 2 tabel
Daftar Pustaka : 20 (1961-2008)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
ix Universitas Indonesia
ABSTRACT
Name : Riyanto D. Setyawan
Program Study : Mathematics
Title : Skew-Normal Distribution
The normal distribution is one of the probability distribution of data, which are
widely used in various fields because of the nature of the ideal, namely the
probability distribution of data centers around the distribution of average data and
other probability is spread evenly. But there are certain cases where the normal
distribution should not be used because it will produce less precise analysis,
especially when the data has a strong skewness and heavy-tail. This final project
will introduce a probability distribution which can facilitate the skewness of data,
i.e skew-normal distribution. The skew-normal distribution is an extend form of
normal distribution, allowing a skewness parameter. This final project will give an
explanation about the chararteristics of the univariate skew-normal distribution
and its extend to the location and scale family, and skew-normal distribution in
general in multivariate form. The characteristics are probability density function,
distribution function, mean, covariance, variance, moment generating function,
and the properties of the distribution.
Key Words : normal distribution, skewness, skew-normal distribution,
location and scale parameter, probability density function,
distribution function, moment generating function, mean,
covariance, variance.
xiii+204 pages ; 3 pictures; 2 tables
Bibliography : 20 (1961-2008)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
x Universitas Indonesia
DAFTAR ISI
HALAMAN PERNYATAAN ORISINALITAS................................................... iii
HALAMAN PENGESAHAN................................................................................ iv
KATA PENGANTAR .............................................................................................v
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ............................ vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ........................................................................................................... ix
DAFTAR ISI ............................................................................................................x
DAFTAR GAMBAR ............................................................................................ xii
DAFTAR LAMPIRAN ........................................................................................ xiii
BAB 1 PENDAHULUAN ......................................................................................1
1.1 Latar Belakang ..................................................................................................... 1
1.2 Permasalahan ....................................................................................................... 3
1.3 Tujuan Penulisan ................................................................................................. 3
BAB 2 LANDASAN TEORI .................................................................................4
2.1 Percobaan Acak dan Ruang Sampel .................................................................... 4
2.2 Fungsi Himpunan Probabilitas ............................................................................ 4
2.3 Variabel Acak ...................................................................................................... 5
2.4 Fungsi Kepadatan Probabilitas ............................................................................ 5
2.5 Fungsi Distribusi ................................................................................................. 6
2.6 Ekspektasi dari Variabel Acak ............................................................................ 7
2.7 Variansi ............................................................................................................... 9
2.8 Fungsi Pembangkit Momen ............................................................................... 10
2.9 Aturan Leibnitz .................................................................................................. 11
2.10 Kemencengan .................................................................................................... 12
2.11 Distribusi Normal .............................................................................................. 13
2.12 Fungsi T-Owen .................................................................................................. 16
2.13 Distribusi Folded-Normal ................................................................................. 19
2.14 Bentuk Khusus dari Distribusi Half-Normal ..................................................... 25
2.15 Distribusi Gamma dan Distribusi Chi-Square ................................................... 28
2.16 Distribusi Bivariat ............................................................................................. 32
2.16.1 Fungsi Kepadatan Probabilitas .................................................................. 32
2.16.2 Fungsi Distribusi ....................................................................................... 33
2.16.3 Fungsi Kepadatan Probabilitas Marjinal ................................................... 34
2.16.4 Mean ......................................................................................................... 35
2.16.5 Variansi dan Kovariansi ............................................................................ 36
2.16.6 Koefisien Korelasi..................................................................................... 36
2.16.7 Variabel-variabel Acak yang Saling Bebas ............................................... 37
2.17 Hubungan Independensi Variabel Acak Normal Standar dan Half-Normal ..... 39
2.18 Sifat Ketertutupan .............................................................................................. 43
2.19 Parameter Location dan Scale ........................................................................... 43
2.20 Matriks dan Sifat-sifat Matriks .......................................................................... 44
2.20.1 Notasi Matriks dan Terminologi ............................................................... 44
2.20.2 Operasi-operasi Matriks ............................................................................ 45
2.20.3 Transpos dari Matriks ............................................................................... 46
2.20.4 Sifat-sifat dari Operasi-operasi Matriks .................................................... 47
2.20.5 Matriks-matriks Nol .................................................................................. 47
2.20.6 Matriks-matriks Identitas .......................................................................... 48
2.20.7 Invers dari Matriks .................................................................................... 48
2.20.8 Matriks-matriks Diagonal, Segitiga, dan Simetris .................................... 49
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
xi Universitas Indonesia
2.20.9 Matriks Definit Positif .............................................................................. 51
2.20.10 Pangkat dari Matriks ................................................................................ 52
2.20.11 Fungsi Determinan dan Sifat-sifatnya ...................................................... 53
2.20.12 Ruang Berdimensi-n Euclidean ............................................................... 54
2.20.13 Ruang-ruang Vektor Riil .......................................................................... 55
2.20.14 Kebebasan Linier ..................................................................................... 56
2.20.15 Hasil Kali Dalam ...................................................................................... 57
2.20.16 Keortogonalan .......................................................................................... 58
2.20.17 Nilai Eigen dan Vektor Eigen .................................................................. 59
2.20.18 Diagonalisasi ............................................................................................ 59
2.20.19 Diagonalisasi Ortogonal ........................................................................... 60
2.20.20 Matriks Akar Kuadrat. ............................................................................. 61
2.20.21 Vektor Acak ............................................................................................. 61
2.20.22 Turunan Terhadap Vektor ........................................................................ 63
2.21 Distribusi Normal Multivariat ........................................................................... 64
2.22 Notasi Integral ................................................................................................... 71
2.23 Distribusi Nonsentral-t ...................................................................................... 71
BAB 3 VARIABEL ACAK YANG BERDISTRIBUSI
SKEW-NORMAL UNIVARIAT .........................................................................72
3.1 Fungsi Kepadatan Probabilitas .......................................................................... 73
3.2 Fungsi Distribusi ............................................................................................... 79
3.3 Fungsi Pembangkit Momen ............................................................................... 82
3.4 Sifat-sifat dari Variabel Acak yang Berdistribusi Skew-Normal ....................... 89
3.5 Mean dan Variansi ........................................................................................... 112
3.6 Perluasan: Famili Location-Scale .................................................................... 114
3.6.1 Fungsi Kepadatan Probabilitas ................................................................ 114
3.6.2 Fungsi Distribusi ..................................................................................... 115
3.6.3 Fungsi Pembangkit Momen .................................................................... 119
3.6.4 Mean dan Variansi .................................................................................. 120
3.7 Perbandingan Grafik Normal dan Skew-Normal ............................................. 123
3.8 Contoh ............................................................................................................. 125
BAB 4 VEKTOR ACAK YANG BERDISTRIBUSI
SKEW-NORMAL MULTIVARIAT .................................................................127
4.1 Distribusi Skew-Normal Multivariat ................................................................ 127
4.1.1 Fungsi Kepadatan Probabilitas ................................................................ 127
4.1.2 Fungsi Pembangkit Momen .................................................................... 145
4.1.3 Matriks Mean dan Kovariansi ................................................................. 158
4.2 Distribusi Skew-Normal Bivariat ..................................................................... 163
4.2.1 Fungsi Kepadatan Probabilitas ................................................................ 163
4.2.2 Fungsi Pembangkit Momen .................................................................... 170
4.2.3 Mean, Kovariansi, dan Variansi .............................................................. 172
4.3 Contoh ............................................................................................................. 180
BAB 5 PENUTUP...............................................................................................183
5.1 Kesimpulan ...................................................................................................... 183
5.2 Saran ................................................................................................................ 187
DAFTAR PUSTAKA ..........................................................................................188
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
xii Universitas Indonesia
DAFTAR GAMBAR
Gambar 2.1 Grafik Distribusi Half-Normal................................................... ........25 Gambar 3.1 Grafik Distribusi Normal Standar......................................................124 Gambar 3.2 Grafik Distribusi Skew-Normal Univariat.........................................124
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
xiii Universitas Indonesia
DAFTAR LAMPIRAN
Lampiran 1 Indeks dan Parameter Kemencengan.................................................190 Lampiran 2 Matriks Ω dan Sifat-sifatnya..............................................................196 Lampiran 3 Tabel Nilai Probabilitas Distribusi Normal Standar..........................199 Lampiran 4 Tabel Nilai Fungsi T-Owen................................................................200
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
1 Universitas Indonesia
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Distribusi probabilitas data adalah penyebaran probabilitas data terkait
dengan suatu kejadian tertentu. Distribusi probabilitas sangat terkait dengan
variabel acak. Misalkan dcari suatu percobaan acak diperoleh suatu ruang sampel.
Variabel acak adalah fungsi yang memetakan setiap elemen dari ruang sampel ke
satu dan hanya satu bilangan riil [Hogg-Craig, 1995]. Setiap variabel acak
memiliki ruang nilai, yaitu daerah hasil dari variabel acak, yang merupakan
subhimpunan dari bilangan riil. Berdasarkan ruang nilainya, ada dua jenis variabel
acak, yaitu variabel acak yang berdistribusi probabilitas diskret dan variabel acak
yang berdistribusi probabilitas kontinu. Variabel acak yang berdistribusi
probabilitas diskret adalah variabel acak yang memiliki ruang nilai yang terhitung.
Contoh: variabel acak yang berdistribusi binomial, Poisson, dan hipergeometrik.
Sedangkan variabel acak yang berdistribusi probabilitas kontinu adalah variabel
acak yang memiliki ruang nilai yang tidak terhitung. Contoh: variabel acak yang
berdistribusi normal, normal bivariat, Gamma, beta, F, dan Chi-square.
Di dalam berbagai aplikasi di dunia nyata, terdapat suatu distribusi
probabilitas data yang sudah dikenal luas dan sering digunakan, yaitu distribusi
normal. Distribusi normal memiliki karakteristik yang penting, yaitu distribusi
probabilitas datanya terpusat di sekitar mean, dan probabilitas data-data lainnya
tersebar secara merata. Grafik fungsi kepadatannya berbentuk lonceng (bell-
shaped).
Karakteristik yang dimiliki distribusi normal tersebut dianggap ideal. Oleh
karena itu, distribusi probabilitas ini sering digunakan untuk melakukan analisis
data dalam berbagai jenis aplikasi. Namun, hal ini dapat menjadi tidak realistis,
karena dalam kehidupan nyata tidak semua data berdistribusi normal. Oleh karena
itu, pada banyak kasus di mana data tidak berdistribusi normal, tidak disarankan
untuk melakukan analisis data dengan menggunakan distribusi normal, karena
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
2
Universitas Indonesia
hasil analisis data akan kurang atau tidak sesuai, khususnya untuk data dengan
kemencengan yang kuat dan mempunyai heavy-tail.
Kemencengan merupakan ukuran ketidaksimetrisan dari suatu distribusi
probabilitas data. Jika kemencengan suatu distribusi bernilai 0, berarti distribusi
tersebut simetris. Distribusi normal memiliki kemencengan bernilai 0 dan bukan
merupakan distribusi probabilitas yang mempunyai heavy-tail.
Untuk dapat mengetahui apakah data berdistribusi normal atau tidak,
terkait dengan kemencengannya, perlu dilakukan pengujian hipotesis. Data yang
memiliki kemencengan yang signifikan, atau berarti kemencengannya melebihi
batas tertentu pada pengujian hipotesis, data tersebut merupakan data yang tidak
berdistribusi normal.
Pada kasus di mana data tidak berdistribusi normal, seringkali pada
kenyataannya banyak orang tetap mengasumsikan bahwa data tersebut
berdistribusi normal, atau hampir normal, jika kemencengan dianggap masih bisa
ditolerir, atau dengan metode transformasi, mengusahakan agar data tersebut
dapat dianalisis dengan menggunakan distribusi normal. Metode demikian
merupakan metode yang kurang tepat, dan menjadi tidak realistis. Seharusnya,
seperti telah disebutkan sebelumnya, tidak disarankan untuk tetap melakukan
analisis dengan menggunakan distribusi normal.
Jadi, diperlukan distribusi probabilitas yang lain, yang dapat memfasilitasi
kemencengan distribusi probabilitas data. Beberapa distribusi probabilitas data
yang dikenal dapat memfasilitasi kemencengan distribusi probabilitas data adalah
distribusi F, Chi-square, log-normal, dan Weibull.
Jika dilihat bentuk grafik fungsi kepadatan dari distribusi-distribusi
probabilitas tersebut, memang distribusi-distribusi probabilitas tersebut dapat
memfasilitasi masalah kemencengan data. Namun, distribusi-distribusi yang
menjadi contoh tersebut hanya bisa digunakan untuk ruang nilai nonnegatif atau
positif. Jadi, ruang nilai negatif tidak difasilitasi oleh variabel-variabel acak
tersebut. Selain distribusi F, Chi-square, log-normal, Weibull, terdapat distribusi-
distribusi probabilitas lain yang juga dapat memfasilitasi kemencengan data.
Namun, distribusi-distribusi probababilitas tersebut kurang atau tidak dapat
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
3
Universitas Indonesia
memfasilitasi data yang memiliki bentuk distribusi probabilitas terpusat di sekitar
mean tetapi kurang atau tidak simetris.
Dalam tugas akhir ini, akan diperkenalkan dan dibahas suatu distribusi
probabilitas data yang merupakan perluasan dari distribusi normal, yang dapat
memfasilitasi kemencengan data saja, tetapi tidak terkait dengan data yang
mempunyai heavy-tail, dan data yang berdistribusi probabilitas terpusat di sekitar
mean tetapi kurang atau tidak simetris. Distribusi probabilitas data tersebut adalah
distribusi skew-normal. Distribusi skew-normal ini dibangun dengan
menggunakan distribusi normal standar. Pada pembahasan selanjutnya akan
terlihat bahwa variabel acak ini memiliki suatu parameter yang disebut parameter
kemencengan. Parameter ini menentukan kemencengan dari distribusi probabilitas
data. Jika parameter ini bernilai nol, maka variabel acak berdistribusi normal
standar, yang simetris.
1.2 Permasalahan
Bagaimana karakteristik dari distribusi skew-normal?
1.3 Tujuan Penulisan
Mempelajari karakteristik-karakteristik distribusi skew-normal.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
4 Universitas Indonesia
BAB 2
LANDASAN TEORI
2.1 Percobaan Acak dan Ruang Sampel
Misalkan terdapat suatu percobaan, hasilnya tidak dapat diprediksi dengan
pasti. Percobaan acak adalah suatu percobaan yang dilakukan berulang kali dan di
dalam kondisi yang sama. Ruang sampel adalah koleksi dari semua hasil yang
mungkin dari suatu percobaan acak.
2.2 Fungsi Himpunan Probabilitas
Misalkan C menyatakan himpunan dari semua hasil yang mungkin dari
suatu percobaan acak, atau disebut ruang sampel.
Definisi 2.1.
Jika P(C) didefinisikan untuk suatu tipe subhimpunan dari ruang C, dan jika
(a) P(C) ≥ 0
(b) 1 2 3 1 2 3( ) ( ) ( ) ( )P C C C P C P C P C , di mana himpunan
himpunan Ci, i = 1, 2, 3, . . ., adalah saling lepas, yaitu , i jC C i j
(c) P(C) = 1,
maka P disebut fungsi himpunan probabilitas dari hasil percobaan acak.
Untuk setiap subhimpunan C dari C, bilangan P(C) disebut probabilitas
bahwa hasil dari percobaan acak adalah elemen dari himpunan C, atau
probabilitas kejadian C.
Suatu fungsi himpunan probabilitas memberitahukan bagaimana
probabilitas didistribusikan terhadap berbagai subhimpunan C dari suatu ruang
sampel C. Dalam hal ini disebut distribusi probabilitas.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
5
Universitas Indonesia
Beberapa sifat dari suatu fungsi himpunan probabilitas adalah:
1. Untuk setiap C C, P(C) = 1 – P(C*).
2. Probabilitas dari himpunan kosong adalah nol; yaitu, ( ) 0P .
3. Jika C1 dan C2 adalah subhimpunan-subhimpunan dari C sedemikian sehingga
1 2C C , maka P(C1) ≤ P(C2).
4. Untuk setiap C C, 0 ≤ P(C) ≤ 1.
5. Jika C1 dan C2 adalah subhimpunan-subhimpunan dari C, maka
1 2 1 2 1 2( ) ( ) ( ) ( )P C C P C P C P C C .
2.3 Variabel Acak
Berikut ini diberikan definisi dari variabel acak.
Definisi 2.2.
Perhatikan suatu percobaan acak dengan ruang sampel C. Suatu fungsi X, yang
memetakan setiap elemen c C satu dan hanya satu bilangan riil X(c) = x,
disebut variabel acak [Hogg-Craig 5th
ed.; 1995].
Ruang nilai dari variabel acak X adalah himpunan dari bilangan-bilangan riil
A = {x | x = X(c), c C}.
2.4 Fungsi Kepadatan Probabilitas
Misalkan X menyatakan suatu variabel acak dengan ruang nilai satu
dimensi A. Misalkan A berisi nilai-nilai bilangan yang terhitung. Ruang A yang
demikian disebut himpunan diskret dari nilai-nilai.
Hal yang serupa berlaku juga untuk variabel acak kontinu, tetapi A berisi
nilai-nilai bilangan yang tidak terhitung.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
6
Universitas Indonesia
Untuk kasus diskret, misalkan X menyatakan variabel acak dengan ruang satu
dimensi A, yang memuat titik-titik bilangan yang terhitung. Misalkan f(x) adalah
suatu fungsi sedemikian sehingga f(x) ≥ 0, x , dan ( ) 1f x A
.
Ketika suatu fungsi himpunan probabilitas P(A), A A, dapat dinyatakan
dalam bentuk
( ) Pr( ) ( )A
P A X A f x , (2.1)
maka X disebut sebagai variabel acak tipe diskret dan f(x) disebut sebagai fungsi
kepadatan probabilitas (f.k.p) dari X.
Untuk kasus kontinu, misalkan X menyatakan variabel acak dengan ruang
satu dimensi A, yang memuat suatu interval atau gabungan dari interval-interval.
Misalkan f(x) adalah suatu fungsi sedemikian sehingga f(x) ≥ 0, x , dan
( ) 1f x dx A .
Ketika suatu fungsi himpunan probabilitas P(A), A A, dapat dinyatakan
dalam bentuk
( ) Pr( ) ( )A
P A X A f x dx , (2.2)
maka X disebut variabel acak tipe kontinu dan f(x) disebut fungsi kepadatan
probabilitas (f.k.p) dari X.
2.5 Fungsi Distribusi
Misalkan variabel acak X mempunyai fungsi himpunan probabilitas P(A),
di mana A adalah himpunan satu dimensi.
Ambil bilangan rill x dan perhatikan himpunan A yang merupakan
himpunan yang tidak terbatas dari – ∞ sampai x, termasuk titik x itu sendiri.
Untuk setiap himpunan A yang demikian, diperoleh P(A) = Pr(X A) = Pr(X ≤ x).
Probabilitas ini bergantung pada nilai x; yaitu, probabilitas ini adalah fungsi dari
x. Fungsi nilai ini dinyatakan dengan
F(x) = Pr (X ≤ x). (2.3)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
7
Universitas Indonesia
Fungsi F(x) dikenal dengan sebutan fungsi distribusi, atau fungsi distribusi
kumulatif (f.d.k) dari variabel acak X. Karena F(x) = Pr (X ≤ x), maka dengan f(x)
adalah f.k.p, diperoleh:
Untuk X variabel acak diskret:
( ) ( )w x
F x f w
. (2.4)
Untuk X variabel acak kontinu:
( ) ( )x
F x f w dw
, sehingga ( ) ( )F' x f x . (2.5)
Berikut diberikan sifat-sifat dari suatu fungsi distribusi.
1. 0 F(x) 1.
2. F(x) merupakan fungsi tidak turun.
3. F(∞) = 1 dan F(– ∞) = 0.
4. F(x) kontinu kanan.
2.6 Ekspektasi dari Variabel Acak
Misalkan X adalah suatu variabel acak yang mempunyai f.k.p. f(x)
sedemikian sehingga dimiliki kekonvergenan absolut; dalam kasus diskret,
| | ( )x
x f x konvergen ke suatu batas berhingga,
atau, dalam kasus kontinu,
| | ( )x f x dx
konvergen ke suatu batas berhingga.
Ekspektasi dari suatu variabel acak adalah
( ) ( )x
E X xf x , dalam kasus diskret, (2.6)
atau
( ) ( )E X xf x dx
, dalam kasus kontinu. (2.7)
Ekspektasi E(X) disebut juga sebagai ekspektasi matematika dari X atau nilai
harapan dari X.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
8
Universitas Indonesia
Perhatikan suatu fungsi dari variabel acak X dengan ruang nilai A.
Misalkan fungsi ini adalah Y = u(X). Misalkan X merupakan variabel acak yang
bertipe kontinu dan y = u(x) merupakan fungsi kontinu naik dari X dengan invers
fungsinya x = w(y), yang juga merupakan fungsi naik. Jadi, Y adalah suatu
variabel acak dan fungsi distribusinya adalah
G(y) = Pr(Y ≤ y) = Pr[u(X) ≤ y] = Pr[X ≤ w(y)]
( )
( )w y
f x dx
di mana f(x) adalah f.k.p dari X.
Dengan salah satu bentuk dari Teorema Dasar Kalkulus,
g(y) = G'(y) = f[w(y)]w'(y) , y B, (2.8)
= 0 , lainnya,
di mana
B = {y | y = u(x), x A}.
Dengan definisi, nilai harapan dari Y adalah
( ) ( )E Y yg y dy
. (2.9)
Dengan menggunakan teknik perubahan variabel dari integrasi melalui y = u(x)
atau, secara ekivalen, x = w(y). Karena
( ) 0dx
w' ydy
, (2.10)
diperoleh
( ) ( )E Y yg y dy
1
( ) [ ( )][ ( )]
u x g u x dxw' u x
( ) ( )u x f x dx
. (2.11)
Hal ini benar secara umum dan juga tidak ada perbedaan apakah X variabel acak
bertipe diskret atau kontinu dan Y = u(X) tidak harus merupakan fungsi naik dari
X. Jadi, jika Y = u(X) mempunyai ekspektasi, dapat diperoleh dari (2.11) bahwa
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
9
Universitas Indonesia
[ ( )] ( ) ( )E u X u x f x dx
, (2.12)
untuk kasus kontinu, dan
[ ( )] ( ) ( )x
E u X u x f x , (2.13)
untuk kasus diskret.
Berikut ini diberikan beberapa sifat dari ekspektasi matematika:
1. Jika k adalah sebuah konstanta, maka E(k) = k.
2. Jika k adalah sebuah konstanta dan V adalah suatu variabel acak, maka
E(kV) = kE(V).
3. Jika k1, k2, ..., km adalah konstanta-konstanta dan V1, V2, ..., Vm adalah
variabel-variabel acak, maka E(k1V1 + k2V2 + ... + kmVm ) =
k1E(V1) + k2E(V2) + ... kmE(Vm).
2.7 Variansi
Misalkan X adalah suatu variabel acak yang mempunyai f.k.p f(x).
Variansi dari suatu variabel acak X adalah suatu ekspektasi matematika dari
(X – μ)2, dengan μ = E(X).
Var(X) = E[(X - μ)2]
= E(X2 – 2μX + μ
2)
= E(X2) – E(2μX) + E(μ
2)
= E(X2) – 2μE(X) + E(μ
2)
= E(X2) – 2μE(X) + μ
2
= E(X2) – 2μ.μ. + μ
2
= E(X2) – 2μ
2 + μ
2
= E(X2) – μ
2
= E(X2) – [E(X)]
2. (2.14)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
10
Universitas Indonesia
2.8 Fungsi Pembangkit Momen
Misalkan terdapat suatu bilangan positif h sedemikian sehingga untuk
– h < t < h ekspektasi matematika tXE e ada. Jadi,
( )tX txE e e f x dx
, (2.15)
jika X adalah variabel acak tipe kontinu, atau
( )tX tx
x
E e e f x , (2.16)
jika X adalah variabel acak tipe diskret.
Ekspektasi matematika ini dikenal dengan sebutan fungsi pembangkit
momen (f.p.m.) dari variabel acak X (atau dari distribusi) dan dinyatakan dengan
M(t) atau MX(t).
( ) tX
XM t E e . (2.17)
Jika t = 0, diperoleh MX(0) = 1. Tidak semua distribusi memiliki f.p.m,
tetapi jika f.p.m. ada, fungsi ini unik dan menentukan distribusi dari variabel acak.
Jadi, jika dua variabel acak memiliki f.p.m. yang sama, berarti keduanya memiliki
distribusi yang sama.
Momen ke-k dari distribusi dari variabel acak X dinotasikan dengan
( ) (0)k
XM , di mana ( ) (0)k k
XM E X . E(X) dan E(X2) merupakan momen pertama
dan kedua dari suatu distribusi, yang dinyatakan sebagai
( ) (0)'
XE X M ,
2 (0)''
XE X M . (2.18)
Jadi, mean dan variansi dari variabel acak X adalah
( ) (0)'
XE X M , (2.19)
2
Var( ) (0) (0)'' '
X XX M M . (2.20)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
11
Universitas Indonesia
2.9 Aturan Leibnitz
Aturan Leibnitz.
Misalkan f(x, t) merupakan suatu fungsi kontinu dan mempunyai turunan /f t
yang kontinu pada domain dari bidang-xt yang di dalamnya termasuk persegi
a x b, t1 t t2. Maka untuk t1 t t2,
( , ) ( , )b b
a a
d ff x t dx f x t dx
dt t
. (2.21)
Dengan kata lain, diferensiasi dan integrasi dapat ditukar.
Bukti:
Misalkan ( ) ( , )b
a
fg t x t dx
t
, untuk t1 t t2.
Karena /f t kontinu, maka g(t) kontinu untuk t1 t t2.
Untuk t1 t3 t2, diperoleh
3 3
1 1
( ) ( , )t t b
t t a
fg t dt x t dxdt
t
3
1
( , )b t
a t
fx t dtdx
t
3 1( , ) ( , )b
af x t f x t dx
3 1( , ) ( , )b b
a af x t dx f x t dx
3 1( ) ( )F t F t , (2.22)
dengan F(t) didefinisikan sebagai ( ) ( , )b
aF t f x t dx .
Jika dimisalkan t3 merupakan variabel t, berarti t1 t t2 dan diperoleh
11( ) ( ) ( )
t
tF t F t g u du . (2.23)
Kedua sisi dari (2.23) kemudian dapat diturunkan terhadap t. Dengan Teorema
Dasar Kalkulus, diperoleh
11
( )( ) ( )t
td g u dud F t F t
dt dt
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
12
Universitas Indonesia
( ) ( ) ( , )
b
a
fF' t g t x t dx
t
(2.24)
( , ) ( , )b b
a a
d ff x t dx f x t dx
dt t
.
Jadi, terbukti bahwa jika f(x, t) merupakan suatu fungsi kontinu dan
mempunyai turunan /f t yang kontinu pada domain dari bidang-xt yang di
dalamnya termasuk persegi a x b, t1 t t2, maka untuk t1 t t2,
( , ) ( , )b b
a a
d ff x t dx f x t dx
dt t
.
2.10 Kemencengan
Misalkan X adalah suatu variabel acak. E(X) = μ disebut momen pertama
dan E(X2) momen kedua dari distribusi dari variabel acak X. Secara umum, E(X
k)
disebut momen ke-k dari X dan E[(X – μ)k] disebut momen tengah ke-k dari X.
Momen tengah ketiga yang distandardisasi yang dinyatakan oleh
3
3 3
E X
, (2.25)
disebut kemencengan dari distribusi dari variabel acak X.
Kemencengan mengukur ketidaksimetrisan dari suatu distribusi. Jika
kemencengan bernilai 0 berarti distribusi tersebut simetris. Jika kemencengan
bernilai negatif, berarti distribusi probabilitas datanya menceng negatif, atau
disebut juga menceng kiri (mempunyai tail kiri yang lebih panjang). Jika
kemencengan bernilai positif, berarti distribusi probabilitas datanya menceng
positif, atau disebut juga menceng kanan (mempunyai tail kanan yang lebih
panjang). Dalam kasus distribusi yang tidak simetris, derajat ketidaksimetrisan
disebut kemencengan. Formula untuk kemencengan ini adalah
3
3
atau dapat juga 3
32
, (2.26)
di mana
3
3
1( )i i
i
f x xN
, (2.27)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
13
Universitas Indonesia
dan
3
23 21
( )i i
i
f x xN
. (2.28)
Definisi kemencengan yang seringkali digunakan adalah definisi menurut Karl
Pearson, yaitu
mean moduskemencengan
standar deviasi
. (2.29)
2.11 Distribusi Normal
Perhatikan integral
2
exp2
yI dy
.
Integral ini ada karena integran (fungsi yang diintegralkan) merupakan fungsi
yang kontinu positif yang terbatas oleh suatu fungsi yang dapat diintegralkan,
yaitu
2
0 exp exp | | 1 , 2
yy y ,
dan
exp | | 1 2y dy e
.
Untuk menghitung nilai integral I, ingat bahwa I > 0 dan I2 dapat ditulis sebagai
2 22 exp
2
y zI dydz
.
Integral ini dapat dihitung dengan mengubahnya ke koordinat polar. Jika
y = rcos dan z = rsin, diperoleh
222 /2
0 0
rI e rdrd
2
02
d .
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
14
Universitas Indonesia
Dari hasil tersebut, diperoleh 2I dan
2 /211
2
ye dy
.
Jika diperkenalkan suatu variabel baru dari integrasi, sebut x, dengan menulis
, 0
x a
y bb
,
Integral / 2I menjadi
2
2
1 ( )exp 1
22
x ady
bb
.
Karena b > 0, hal ini mengakibatkan
2
2
1 ( )( ) exp ,
22
x af x x
bb
(2.30)
memenuhi kondisi-kondisi untuk menjadi suatu f.k.p. dari variabel acak kontinu.
Variabel acak bertipe kontinu yang mempunyai f.k.p. dengan bentuk f(x) disebut
mempunyai distribusi normal, dan sebarang f(x) dari bentuk ini disebut f.k.p.
normal.
F.p.m dari distribusi normal dapat diperoleh dengan menggunakan (2.15),
yaitu:
2
2
1 ( )( ) exp
22
tx x aM t e dx
bb
(2.31)
2 2 2
2
1 2 2exp
22
tx b tx x ax ae dx
bb
.
Pada M(t) di atas, dengan menggunakan kuadrat sempurna diperoleh:
2 2 2 2 2
2 2
( ) 1 ( )( ) exp exp
2 22
a a b t x a b tM t dx
b bb
2 2
exp2
b tat
(2.32)
karena integran dari bentuk integral 2 2
2
1 ( )exp
22
x a b tdx
bb
merupakan
f.k.p. normal dengan parameter a pada (2.30) disubstitusikan dengan a + b2t,
maka integral tersebut bernilai 1.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
15
Universitas Indonesia
Mean µ dan variansi ζ2 dari distribusi normal akan dicari melalui M(t) dengan
menggunakan (2.18), (2.19), dan (2.20).
2 22 2( ) exp ( ) ( )( )
2
b tM' t at a b t M t a b t
dan
2 2 2 22 2 2( ) exp ( ) exp
2 2
b t b tM'' t at a b t at b
2 2 2( )( ) ( )M t a b t M t b .
Maka, mean distribusi normal adalah
µ = M'(0)
= M(0).a
= a, (2.33)
dan variansinya adalah
ζ2 = M''(0) - µ
2
= M(0)b2 + M(0)a
2 – a
2
= b2 + M(0)a
2 – a
2 = b
2. (2.34)
Jadi, bentuk f.k.p normal adalah
2
2
1 ( )( ) exp ,
22
xf x x
, (2.35)
Suatu bentuk yang menunjukkan secara eksplisit nilai-nilai dari µ dan ζ2.
f.p.m. M(t) dapat ditulis sebagai
2 2
( ) exp2
tM t t
. (2.36)
Untuk penghitungan probabilitas Pr(X x), digunakan standardisasi ke
distribusi normal standar N(0, 1), yaitu dengan mendefinisikan
XZ
, (2.37)
sehingga
Pr PrX x
X x
Prx
Z
. (2.38)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
16
Universitas Indonesia
Nilai-nilai probabilitas Pr(Z z) dengan x
z
diberikan pada bagian
Lampiran 3.
2.12 Fungsi T-Owen
Fungsi T-Owen memiliki bentuk
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
, h > – ∞, α < + ∞. (2.39)
Sifat-sifat dari fungsi T-Owen adalah:
1. T(h, α) merupakan fungsi turun dari h.
Bukti:
Ambil sebarang 1 2,h h di mana h1 < h2.
Karena h1 < h2 maka, 2 2
1 2h h dan 2 2
1 2
1 1
2 2h h .
Karena 1 + x2 > 0, maka diperoleh 2 2 2 2
1 2
1 11 1
2 2h x h x .
Karena 2 2 2 2
1 2
1 11 1
2 2h x h x , diperoleh
2 2 2 2
1 2
1 1exp 1 exp 1
2 2h x h x
dan
2 2 2 2
1 2
1 1 1 1exp 1 exp 1
2 2 2 2h x h x
. Karena 1 + x2 > 0, maka
2 2 2 2
1 2
2 2
1 1exp 1 exp 1
1 12 2
2 21 1
h x h x
x x
.
Sesuai dengan sifat fungsi yang dapat diintegralkan, diperoleh
2 2 2 2
1 2
2 20 0
1 1exp 1 exp 1
1 12 2
2 21 1
h x h x
dx dxx x
, atau
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
17
Universitas Indonesia
2 2 2 2
1 2
2 20 0
1 1exp 1 exp 1
1 12 2
2 21 1
h x h x
dx dxx x
.
Berarti diperoleh T(h1, α) > T(h2, α).
Jadi, diperoleh bahwa T(h1, α) > T(h2, α) untuk sebarang h1 < h2, atau berarti
terbukti bahwa T(h, α) merupakan fungsi turun dari h.
2. – T(h, α) = T(h, – α). (2.40)
Bukti:
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
, h > – ∞, α < + ∞.
Jika α disubstitusi dengan – α, diperoleh
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
.
Misalkan:
x = – p; dx = – dp.
Jadi, diperoleh
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
2 2
20
1exp 1
1 2( )
2 1
h p
dpp
2 2
20
1exp 1
1 2( , )
2 1
h p
T h dpp
( , )T h .
Jadi, terbukti bahwa – T(h, α) = T(h, – α).
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
18
Universitas Indonesia
3. T(– h, α) = T(h, α). (2.41)
Bukti:
Fungsi T-Owen adalah
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
, h > – ∞, α < + ∞.
Jika h disubstitusi dengan – h, diperoleh
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
( , )T h
Jadi, terbukti bahwa T(– h, α) = T(h, α).
4. 2T(h, 1) = Φ(h)Φ(– h). (2.42)
Bukti:
2 2
20
1exp 1
1 2( , ) , ,
2 1
h x
T h dx hx
.
Dari [Owen, 1956], diperoleh persamaan
1 1 1( , ) ( ) ( ) ( ) ( ) ,
2 2T h h h h h T h
.
Jadi, untuk α = 1,
1 1( ,1) ( ) ( ) ( ) ( ) ( ,1)
2 2T h h h h h T h
2T(h,1) = (h) – (h)(h)
2T(h,1) = (h)[1 – (h)]
2T(h,1) = (h)(– h).
Jadi, terbukti bahwa 2T(h,1) = (h)(– h).
Nilai-nilai dari fungsi T-Owen disajikan pada bagian Lampiran 4.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
19
Universitas Indonesia
2.13 Distribusi Folded-Normal
Misalkan X adalah variabel acak yang berdistribusi normal N(μ, ζ2).
Perhatikan f.k.p dari X, yaitu
2 2( ) /21( ) ,
2
xf x e x
(2.43)
di mana μ dan ζ2 adalah mean dan variansinya secara berurutan.
Misalkan Y = |X|.
A = {x | – ∞ < x < ∞}.
B = {y | 0 ≤ y < ∞}.
y = |x| bukan merupakan transformasi satu-satu.
Ambil A1 dan A2 di mana A1, A2 A, A1 A2 = A, dan A1 A2 = .
A1 = {x | – < x < 0}.
A2 = {x | 0 ≤ x < }.
Pemetaannya dengan transformasi y = |x| adalah:
A1 = {x | – < x < 0} → {y | 0 < y < }.
A2 = {x | 0 ≤ x < } → {y | 0 ≤ y < }.
Hasil pemetaan yang diperoleh berbeda, letak perbedaannya yaitu pada y = 0.
Maka dari itu, ruang nilai akan didefinisikan kembali untuk mengatasi
permasalahan ini.
Didefinisikan kembali untuk x = 0, y = 0.
Jadi, ruang nilai-ruang nilai yang baru adalah:
A = {x | – < x < , x 0}.
B = {y | 0 < y < }.
Inversnya adalah:
x = – y ; x = y,
dx = – dy ; dx = dy.
Jacobian-nya:
J1 = – 1 ; J2 = 1,
| J1 | = 1 ; | J2 | = 1.
Misalkan B B.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
20
Universitas Indonesia
A3 = {x | x = – y, y B} A1.
A4 = {x | x = y, y B} A2.
3 4Pr( ) Pr( ) Pr( )Y B X A X A
3 4
( ) ( )A A
f x dx f x dx
1 2( ) | | ( ) | |B B
f y J dy f y J dy
( ) 1 ( ) 1B B
f y dy f y dy
( ) ( )B B
f y dy f y dy
2 2
2 2
( ) ( )
2 21 1
2 2
y y
B B
e dy e dy
2 2
2 2
( ) ( )
2 21 1
2 2
y y
B B
e dy e dy
2 2
2 2
( ) ( )
2 21 1
2 2
y y
B
e e dy
2 2
2 2
( ) ( )
2 21
2
y y
B
e e dy
2 2
2 2
( ) ( )
2 21
2
y y
B
e e dy
.
Jadi, f.k.p dari variabel acak Y adalah
2 2
2 2
1 ( ) ( )( ) exp exp , 0
2 22
0 , lainnya.
y yg y y
(2.44)
Variabel acak yang mempunyai f.k.p tersebut dinamakan dengan variabel acak
yang berdistribusi folded-normal.
Distribusi half-normal adalah bentuk khusus dari distribusi folded-normal,
yaitu ketika μ = 0.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
21
Universitas Indonesia
2 2
2 2
1( ) exp exp
2 22
y yg y
2
2
12exp
22
y
2
2
2exp
22
y
.
Jadi, variabel acak yang berdistribusi half-normal mempunyai f.k.p
2
2
2( ) exp , 0
22
0 , lainnya.
yg y y
(2.45)
Fungsi distribusi dari variabel acak Y adalah
2
20
2( ) exp
22
y yG y dy
2
20
2exp
22
y ydy
, (2.46)
dan f.p.m dari variabel acak Y dapat dicari sesuai (2.15), yaitu
( ) tY
YM t E e
2
20
2exp( ) exp
22
yty dy
2
20
2exp( )exp
22
yty dy
2
20
2exp
22
yty dy
2 2
20
2 2exp
22
y tydy
2 2 2 4 2 4
20
2 2exp
22
y ty t tdy
2 2 2 4 2 4
2 20
2 2exp
2 22
y ty t tdy
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
22
Universitas Indonesia
2 2 2 4 2 4
2 20
2 2( ) exp exp
2 22Y
y ty t tM t dy
2 4 2 2 2 4
2 20
2 2exp exp
2 22
t y ty tdy
2 2 2 2 2 4
20
2 2exp exp
2 22
t y ty tdy
222 2
20
2exp exp
2 22
y ttdy
. (2.47)
Kemudian dengan menggunakan metode substitusi:
Misalkan:
y = p + tζ2; dy = dp.
Batas integrasinya:
Jika y = 0, maka p = – tζ2; jika y = ∞, maka p = ∞.
Jadi, diperoleh:
2
22 2
20
2( ) exp exp
2 22Y
y ttM t dy
2
2 2 2
2
2exp exp
2 22t
t pdp
. (2.48)
Misalkan:
p = – s; dp = – ds.
Batas integrasinya:
Jika p = – tζ2, maka s = tζ
2; jika p = ∞, maka s = – ∞.
Jadi, diperoleh
2
2 2 2
2
2( ) exp exp
2 22Y
t
t pM t dp
2
2 2 2
2
2exp exp ( )
2 22t
t sds
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
23
Universitas Indonesia
22 2 2
2
2( ) exp exp
2 22
t
Y
t sM t ds
22 2 2
2
12exp exp
2 22
tt sds
.
Jadi, f.p.m dari variabel acak Y yang berdistribusi half-normal adalah
22 2 2
2
1( ) 2exp exp
2 22
t
Y
t sM t ds
. (2.49)
Mean dan variansinya dapat dicari dengan mencari turunan pertama dan kedua
dari f.p.m dari variabel acak Y terlebih dahulu.
22 2 22
2
1( ) 2exp exp
2 22
t'
Y
t sM t t ds
2 2 2 4
22exp exp
2 22
t t
22 2 2
2
2
12 exp exp
2 22
tt st ds
2 2 2 22
exp exp2 22
t t
22 2 2
2
2
1 22 exp exp
2 22 2
tt st ds
. (2.50)
22 2 22
2
1( ) 2 exp exp
2 22
t''
Y
t sM t ds
22 2 2
2 2
2
12 exp exp
2 22
tt st t ds
2 2 2 4
2
22 exp exp
2 22
t tt
22 2 22
2
1( ) 2 exp exp
2 22
t''
Y
t sM t ds
22 2 2
2 4
2
12 exp exp
2 22
tt st ds
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
24
Universitas Indonesia
3 2 2 2 22
exp exp2 22
t t t
22 2 2
2
2
12 exp exp
2 22
tt sds
22 2 2 3
2 4
2
1 22 exp exp
2 22 2
tt s tt ds
. (2.51)
Kemudian mencari momen pertama dan kedua, serta variansinya dengan
menggunakan persamaan (2.18), (2.19), dan (2.20).
2 2( ) (0)
2
'
YE Y M
. (2.52)
2 2 21(0) 2
2
''
YE Y M
. (2.53)
Dengan menggunakan persamaan (2.14), diperoleh
22Var( ) ( )Y E Y E Y
2
2 2
2
2
2 4
2
2
2 2
2 21
. (2.54)
Jadi, mean dan variansi dari variabel acak Y adalah
2( )E Y
,
2 2Var( ) 1Y
.
Berikut ini diberikan gambar grafik dari distribusi half-normal, yaitu
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
25
Universitas Indonesia
Gambar 2.1 Grafik Distribusi Half-Normal
2.14 Bentuk Khusus dari Distribusi Half-Normal
Misalkan variabel acak Y berdistribusi half-normal dengan parameter ζ2.
Sesuai dengan (2.45), f.k.p dari Y adalah
2
2
2( ) exp , 0
22
0 , lainnya.
yg y y
Untuk ζ = 1, maka
22( ) exp , 0
22
0 , lainnya.
yg y y
(2.55)
Akan ditunjukkan bahwa jika Z ~ N(0, 1), maka |Z| dan Y pada saat ζ = 1
berdistribusi identik.
Misalkan Z ~ N(0, 1), dan f.k.p dari variabel acak Z adalah
2
21
( ) , 2
z
h z e z
.
Misalkan W = |Z|.
A = {z | – ∞ < z <∞}.
Dengan transformasi w = |z| diperoleh
B = {w | 0 ≤ w < ∞}.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
26
Universitas Indonesia
Karena A = {z | – ∞ < z < ∞}dan B = {w | 0 ≤ w < ∞}, maka, w = |z| bukan
transformasi satu-satu.
Ambil A1 dan A2 di mana A1, A2 A, A1 A2 = A, dan A1 A2 = .
A1 = {z | – < z < 0}.
A2 = {z | 0 ≤ z < }.
Pemetaannya dengan transformasi w = |z| adalah:
A1 = {z | – < z < 0} → {w | 0 < w < }.
A2 = {z | 0 ≤ z < } → {w | 0 ≤ w < }.
Hasil pemetaan yang diperoleh berbeda, letak perbedaannya yaitu pada w = 0.
Maka dari itu, ruang nilai akan didefinisikan kembali untuk mengatasi
permasalahan ini.
Didefinisikan kembali untuk z = 0, w = 0.
Jadi, ruang nilai-ruang nilai yang baru adalah:
A = {z | – < z < , z 0}.
B = {w | 0 < w < }.
Inversnya adalah:
z = – w
; z = w,
dz = – dw
; dz = dw,
Jacobian-nya:
J1 = – 1 ; J2 = 1,
| J1| = 1 ; | J2| = 1.
Misalkan B B.
A3 = {z | z = – w, w B} A1.
A4 = {z | z = w, w B} A2.
Kemudian diperoleh
3 4Pr( ) Pr( ) Pr( )W B Z A Z A
3 4
( ) ( )A A
h z dz h z dz
1 2( ) | | ( ) | |B B
h w J dw h w J dw
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
27
Universitas Indonesia
2 2
2 21 2
1 1Pr( ) | | | |
2 2
w w
B B
W B e J dw e J dw
2 2
2 21 1
1 12 2
w w
B B
e dw e dw
2 2
2 21 1
2 2
w w
B B
e dw e dw
2 2
2 21 1
2 2
w w
B
e e dw
2
22
2
w
B
e dw
.
Jadi, f.k.p dari variabel acak W adalah
2
22
( ) , 02
0 , lainnya.
w
k w e w
(2.56)
Karena f.k.p W = |Z| dan f.k.p Y sama, maka distribusi Y dan W = |Z| identik.
Jadi,dapat dikatakan bahwa |Z| berdistribusi half-normal dengan ζ = 1.
f.p.m dari variabel acak Y dapat dicari dengan menggunakan (2.49), yaitu
22 2 2
2
1( ) 2exp exp
2 22
t
Y
t sM t ds
.
Untuk ζ = 1, maka
2 21( ) 2exp exp
2 22
t
Y
t sM t ds
. (2.57)
2
2exp ( )2
tt
. (2.58)
Dengan menggunakan persamaan (2.52) dan (2.54), diperoleh mean dan variansi
dari variabel acak Y untuk ζ = 1, yaitu
2 2( )
2E Y
, (2.59)
2Var( ) 1Y
. (2.60)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
28
Universitas Indonesia
2.15 Distribusi Gamma dan Distribusi Chi-Square
Perhatikan bentuk integral
1
0
yy e dy
.
Integral tersebut ada untuk α > 0, dan nilai integral tersebut positif.
Integral tersebut disebut fungsi gamma dari α, dan ditulis
1
0( ) yy e dy
.
Jika α = 1, jelas bahwa
0(1) 1ye dy
.
Jika α > 1, dengan menggunakan integral parsial diperoleh bahwa
2
0( ) ( 1) ( 1) ( 1)yy e dy
.
Jika α adalah bilangan bulat positif yang lebih dari 1, maka
Γ(α) = (α – 1)( α – 2)...(3)2(1)Γ(1) = (α – 1)!
Karena Γ(1) = 1, hal ini berarti 0! = 1.
Misalkan:
xy
, di mana β > 0.
1dy dx
.
Batas integrasinya:
Jika y = 0, maka x = 0; jika x = ∞, maka y = ∞.
Jadi, diperoleh
1
/
0
1( ) xx
e dx
1
/
10
1xxe dx
1
/
10
1 xxe dx
1
/
0
xxe dx
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
29
Universitas Indonesia
1 /
0
1( ) xx e dx
,
atau, ekivalen dengan
1 /
0
1
1( )
xx e dx
1/
0
11
( )
xxe dx
1 /
0
11
( )
xx e dx
.
Karena α > 0, β > 0, dan Γ(x) > 0, diperoleh bahwa
1 /1( ) , 0
( )
0 , lainnya
xf x x e x
(2.61)
adalah f.k.p dari variabel acak yang bertipe kontinu. Suatu variabel acak X yang
mempunyai f.k.p dengan bentuk demikian disebut mempunyai distribusi gamma
dengan parameter α dan β, atau dinyatakan dengan X ~ Γ(α, β); dan sebarang f(x)
yang demikian disebut dengan f.k.p gamma.
Kemudian akan dicari f.p.m dari distribusi gamma dengan menggunakan
(2.15), yaitu:
1 /
0
1( )
( )
tx xM t e x e dx
1 /
0
1
( )
tx xx e e dx
1 /
0
1
( )
tx xx e dx
1 ( 1)/
0
1
( )
x tx e dx
1 (1 )/
0
1
( )
x tx e dx
.
Misalkan:
p = x(1 – βt)/β, t < 1/β,
x = βp/(1 – βt);
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
30
Universitas Indonesia
1dx dp
t
.
Batas integrasinya:
Jika x = 0, maka p = 0; jika x = ∞, maka p = ∞.
Jadi, diperoleh
1
0
1( )
( ) 1 1
ppM t e dp
t t
1 1
10
1
( ) 11
ppe dp
tt
1
10
1 1
( ) 11
ppe dp
tt
1
0
1
( ) 1
ppe dp
t
1
0
1 1
( )1
pp e dpt
11
1 t
1
1 t
.
1 1( ) ,
1M t t
t
. (2.62)
1
( ) ( )1
M' tt
11 t
. (2.63)
2
( 1)( ) ( )
1M'' t
t
2
2
( 1)
1 t
. (2.64)
( ) (0)E X M' . (2.65)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
31
Universitas Indonesia
2 2(0) ( 1)E X M'' . (2.66)
22Var( ) ( )X E X E X
2 2( 1) ( )
2 2 2 2 2
2 . (2.67)
Jadi, mean dan variansi dari variabel acak X yang berdistribusi gamma adalah
E(X) = M'(0) = αβ,
Var(X) = αβ2.
Berikut diberikan kasus khusus dari distribusi gamma, yaitu distribusi chi-square.
Misalkan X ~ Γ(α, β). Misalkan α = r/2, di mana r adalah bilangan bulat positif
dan β = 2. Berarti f.k.p dari variabel acak X adalah:
2
1/22
1( ) , 0
22
0 , lainnya,
r
r
xf x x e xr
(2.68)
dan f.p.m-nya adalah
2
1 1( ) ,
21 2
rM t t
t
. (2.69)
Variabel acak X yang mempunyai f.k.p demikian dikatakan berdistribusi chi-
square.
Mean dan variansinya adalah:
μ = αβ = (r/2)(2) = r, (2.70)
ζ2 = αβ
2 = (r/2)(2
2) = 2r, (2.71)
di mana r merupakan parameter dari distribusi chi-square, dan disebut derajat
bebas. Jika X berdistribusi chi-square dengan derajat bebas r, maka ditulis
2
rX .
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
32
Universitas Indonesia
2.16 Distribusi Bivariat
Pada bagian ini akan dijelaskan beberapa bagian, yaitu mengenai
distribusi-distribusi dari dua variabel acak, distribusi dan ekspektasi bersyarat,
koefisien korelasi.
2.16.1 Fungsi Kepadatan Probabilitas
Definisi 2.3
Diberikan suatu percobaan acak dengan ruang sampel C. Perhatikan dua variabel
acak X1 dan X2, yang memetakan setiap elemen c dari C ke satu dan hanya satu
pasangan terurut dari bilangan-bilangan X1(c) = x1, X2(c) = x2. Ruang dari X1 dan
X2 merupakan himpunan dari pasangan-pasangan terurut A = {(x1, x2) | x1 = X1(c),
x2 = X2(c), c C}.
Misalkan A merupakan ruang yang dihubungkan dengan dua variabel
acak X1 dan X2, dan misalkan A adalah subhimpunan dari A. Probabilitas dari
kejadian A dinyatakan dengan Pr[(X1, X2) A]. Ambil C = {c | c C dan
[X1(c), X2(c] A}, di mana C adalah ruang sampel. Kemudian definisikan
Pr[(X1, X2) A] = P(C), di mana P adalah fungsi himpunan probabilitas yang
didefinisikan untuk subhimpunan-subhimpunan C dari C. Pr[(X1, X2) A] dapat
dinyatakan dengan fungsi himpunan probabilitas 1 2, ( )X XP A , atau yang lebih
dikenal, ditulis
P(A) = Pr[(X1, X2) A]. (2.72)
Notasi dari f.k.p dari variabel acak X dapat diperluas untuk notasi dari
f.k.p dari variabel-variabel acak bivariat. Di bawah batasan-batasan tertentu pada
ruang A dan fungsi pada A, dua variabel acak X dan Y disebut berdistribusi
probabilitas tipe diskret atau kontinu, dan mempunyai distribusi sesuai tipenya,
berdasarkan fungsi himpunan probabilitas P(A), A A, dapat dinyatakan sebagai
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
33
Universitas Indonesia
( ) Pr[( , ) ] ( , )A
P A X Y A f x y , (2.73)
atau sebagai
( ) Pr[( , ) ] ( , )A
P A X Y A f x y dxdy . (2.74)
Dalam kedua kasus, f disebut f.k.p dari variabel-variabel acak X dan Y. Untuk
setiap kasus, diwajibkan P(A) = 1.
Definisi dari suatu f.k.p f(x, y) dapat diperluas pada keseluruhan bidang-xy
dengan menggunakan “nol untuk yang lainnya”. Setelah ini dilakukan, gantikan
( , )f x y dxdyA
dengan ( , )f x y dxdy
, (2.75)
untuk kasus kontinu, dan untuk kasus diskret adalah
( , )f x yA
dengan ( , )y x
f x y . (2.76)
Fungsi f, baik untuk satu atau dua variabel, pada dasarnya memenuhi
kondisi-kondisi untuk menjadi suatu f.k.p jika
(a) f didefinisikan dan bernilai nonnegatif untuk semua bilangan riil, dan
(b) jika integralnya (untuk kasus kontinu), atau jumlahannya (untuk kasus diskret)
pada seluruh bilangan riil bernilai 1.
2.16.2 Fungsi Distribusi
Misalkan variabel-variabel acak X dan Y mempunyai fungsi himpunan
probabilitas P(A), di mana A adalah himpunan dua dimensi. Jika A adalah
himpunan {(u, v) | u ≤ x, v ≤ y} yang tidak terbatas, di mana x dan y adalah
bilangan-bilangan riil, maka
P(A) = Pr[(X, Y) A] = Pr(X ≤ x, Y ≤ y). (2.77)
Fungsi pada titik (x, y) ini disebut fungsi distribusi dari variabel acak X dan Y, dan
dinyatakan oleh
F(x, y) = Pr(X ≤ x, Y ≤ y). (2.78)
Jika X dan Y adalah variabel-variabel acak yang berdistribusi probabilitas kontinu
yang mempunyai f.k.p f(x, y), maka
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
34
Universitas Indonesia
( , ) ( , )y x
F x y f u v dudv
, (2.79)
Sehingga, pada titik-titik kontinuitas dari f(x, y),
2 ( , )( , )
F x yf x y
x y
. (2.80)
Dalam setiap kasus,
Pr(a < X ≤ b, c < Y ≤ d) = F(b, d) – F(b, c) – F(a, d) + F(a, c), (2.81)
untuk setiap konstanta riil a < b, c < d.
2.16.3 Fungsi Kepadatan Probabilitas Marjinal
Misalkan f(x1, x2) adalah f.k.p dari variabel-variabel acak X1 dan X2.
Untuk selanjutnya, dalam rangka penekanan dan penjelasan, f.k.p atau fungsi
distribusi dari variabel acak yang lebih dari satu akan disebut f.k.p bersama atau
fungsi distribusi bersama. Jadi, f(x1, x2) adalah f.k.p bersama dari variabel-variabel
acak X1 dan X2.
Perhatikan kejadian a < X1 < b, a < b. Kejadian ini dapat terjadi jika dan
hanya jika kejadian a < X1 < b, – ∞ < X2 < ∞ terjadi; yaitu, kedua kejadian
ekivalen, sehingga probabilitasnya sama. Namun, probabilitas dari
a < X1 < b, – ∞ < X2 < ∞ telah didefinisikan oleh
1 2 1 2 2 1Pr( , ) ( , )b
aa X b X f x x dx dx
(2.82)
untuk kasus kontinu, dan
1 2
1 2 1 2Pr( , ) ( , )a x b x
a X b X f x x
(2.83)
untuk kasus diskret. Masing-masing dari
1 2 2( , )f x x dx
dan 2
1 2( , )x
f x x (2.84)
adalah fungsi dari x1 saja, sebut f1(x1). Jadi, untuk setiap a < b, diperoleh
1 1 1 1Pr( ) ( )b
aa X b f x dx , untuk kasus kontinu, (2.85)
1
1 1 1Pr( ) ( )a x b
a X b f x
, untuk kasus diskret, (2.86)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
35
Universitas Indonesia
sehingga f1(x1) adalah f.k.p dari X1 saja. Fungsi f1(x1) ini disebut dengan f.k.p
marjinal dari X1. Serupa untuk X2,
2 2 1 2 1( ) ( , )f x f x x dx
, untuk kasus kontinu, (2.87)
1
2 2 1 2( ) ( , )x
f x f x x
, untuk kasus diskret, (2.88)
adalah f.k.p marjinal dari X2.
2.16.4 Mean
Misalkan X1 dan X2 adalah variabel-variabel acak dengan f.k.p f(x1, x2),
untuk (x1, x2) A, dengan A adalah ruang nilai dua dimensi. Ekspektasi
matematika dari X1, dan dari X2 adalah
1 1 1 1 1( ) ( )E X x f x dx
1 1 2 2 1( , )x f x x dx dx
1 1 2 2 1( , )x f x x dx dx
. (2.89)
2 2 2 2 2( ) ( )E X x f x dx
2 1 2 1 2( , )x f x x dx dx
2 1 2 1 2( , )x f x x dx dx
. (2.90)
E(X1) dan E(X2) dapat dinyatakan dengan E(X1) = μ1 dan E(X2) = μ2.
Misalkan terdapat suatu fungsi u(X1, X2). Ekspektasi matematika dari
fungsi u(X1, X2) dinyatakan oleh
1 2 1 2 1 2 1 2( , ) ( , ) ( , )E u X X u x x f x x dx dx
. (2.91)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
36
Universitas Indonesia
2.16.5 Variansi dan Kovariansi
Misalkan X1 dan X2 adalah variabel-variabel acak dengan f.k.p f(x1, x2),
untuk (x1, x2) A. Variansi dari X1 dan X2, sesuai dengan persamaan (2.14) adalah
2
1 1 1Var X E X E X
2
1 1 1 2 2 1( , )X E X f x x dx dx
2
1 1 1 2 2 1( , )X f x x dx dx
. (2.92)
2
2 2 2Var X E X E X
2
2 2 1 2 1 2( , )X E X f x x dx dx
2
2 2 1 2 1 2( , )X f x x dx dx
, (2.93)
dan kovariansi dari variabel-variabel acak X1 dan X2 adalah
1 2 1 1 2 2Cov ,X X E X E X X E X
1 2 1 2 1 2 1 2E X X X E X E X X E X E X
1 2 1 2 1 2 1 2E X X X X
1 2 1 2 1 2 1 2E X X E X E X E
1 2 2 1 1 2 1 2E X X E X E X
1 2 2 1 1 2 1 2E X X
1 2 1 2E X X . (2.94)
2.16.6 Koefisien Korelasi
Misalkan terdapat dua variabel acak X1 dan X2 dengan f.k.p f(x1, x2), untuk
(x1, x2) A. Misalkan mean dari X1 dinyatakan dengan μ1 = E(X1) dan mean dari
X2 dinyatakan dengan μ2 = E(X2). Variansi dari X1 dan X2, masing-masing
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
37
Universitas Indonesia
dinyatakan dengan 2
1 1Var X dan 2
2 2Var X . Koefisien korelasi dari X1
dan X2 adalah
1 1 2 2 1 2
1 21 2
Cov ,
Var Var
E X X X X
X X
. (2.95)
2.16.7 Variabel-variabel Acak yang Saling Bebas
Misalkan terdapat dua variabel acak X1 dan X2. Sehubungan dengan
kovariansi dan koefisien korelasi, jika X1 dan X2 saling bebas, maka nilai
Cov(X1, X2) = 0 sehingga ρ = 0, tetapi tidak berlaku sebaliknya, yaitu jika
Cov(X1, X2) = 0 atau berarti ρ = 0, belum tentu X1 dan X2 saling bebas.
Definisi 2.4.
Misalkan variabel-variabel acak X1 dan X2 mempunyai f.k.p bersama f(x1, x2),
f.k.p marjinal f1(x1) dan f2(x2). Variabel acak X1 dan variabel acak X2 dikatakan
saling bebas (independen) jika dan hanya jika f(x1, x2) ≡ f1(x1)f2(x2). Variabel-
variabel acak yang tidak independen disebut saling bergantung.
Catatan terhadap Definisi 2.4:
1. Perkalian 2 fungsi nonnegatif f1(x1), f2(x2) harus nonnegatif pada suatu product
space, yaitu jika f1(x1) dan f2(x2) positif pada ruang A1 dan A2, maka f(x1, x2)
positif di product space A = {(x1, x2) | x1 A1, x2 A2}.
2. Mungkin ada titik-titik tertentu (x1, x2) A di mana f(x1, x2) ≠ f1(x1)f2(x2). Jika
hal ini terjadi, maka caranya adalah: jika A = {(x1, x2) | f(x1, x2) ≠ f1(x1)f2(x2)},
maka P(A) = 0.
Teorema 2.1.
Misalkan variabel-variabel acak X1 dan X2 mempunyai f.k.p bersama f(x1, x2).
Maka X1 dan X2 saling bebas jika dan hanya jika f(x1, x2) dapat ditulis sebagai
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
38
Universitas Indonesia
perkalian dari suatu fungsi nonnegatif dari x1 saja dan suatu fungsi nonnegatif dari
x2 saja; yaitu,
f(x1, x2) ≡ g(x1)h(x2), (2.96)
di mana g(x1) > 0, x1 A1, nol untuk lainnya, dan h(x2) > 0, x2 A2, nol untuk
lainnya.
Teorema 2.2.
Jika X1 dan X2 merupakan variabel-variabel acak yang saling bebas dengan f.k.p
marjinal f1(x1) dan f2(x2), secara berurutan, maka
Pr(a < X1 < b, c < X2 < d) = Pr(a < X1 < b)Pr(c < X2 < d) (2.97)
untuk setiap a < b dan c < d, di mana a, b, c, dan d adalah konstanta.
Teorema 2.3.
Misalkan variabel-variabel acak X1 dan X2 yang saling bebas mempunyai f.k.p
marjinal f1(x1) dan f2(x2), secara berurutan. Nilai ekspektasi dari perkalian dari
suatu fungsi u(X1) dari X1 saja dan suatu fungsi v(X2) dari X2 saja adalah,
tergantung ada atau tidak, sama dengan perkalian dari nilai harapan dari u(X1) dan
nilai harapan dari v(X2); yaitu,
E[u(X1)v(X2)] = E[u(X1)]E[v(X2)]. (2.98)
Teorema 2.4.
Misalkan X1 dan X2 menyatakan variabel-variabel acak yang mempunyai f.k.p
f(x1, x2) dan f.k.p marjinal f1(x1) dan f2(x2), secara berurutan. Lebih jauh lagi,
misalkan M(t1, t2) menyatakan f.p.m dari distribusi. Maka X1 dan X2 saling bebas
jika dan hanya jika
M(t1, t2) = M(t1, 0)M(0, t2). (2.99)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
39
Universitas Indonesia
2.17 Hubungan Independensi Variabel Acak Normal Standar dan Half-Normal
Misalkan Z1 dan Z2 adalah variabel-variabel acak N(0,1) yang saling
bebas. Sesuai dengan bagian 2.14, |Z1| adalah variabel acak yang berdistribusi
half-normal.
Akan ditunjukkan bahwa jika Z1, Z2 adalah variabel-variabel acak N(0, 1)
yang saling bebas, maka |Z1| dan Z2 saling bebas.
Misalkan Z1, Z2 adalah variabel-variabel acak N(0, 1) yang saling bebas,
dengan f.k.p
2
21
( ) , 2
iz
i if z e z
, untuk i = 1, 2. (2.100)
Maka,
1 2 1 2( , ) ( ) ( )g z z f z f z
2 21 2
2 21 1
2 2
z z
e e
2 21 2
2 21
2
z z
e
2 21 2
21
2
z z
e
.
Jadi, f.k.p bersama dari Z1 dan Z2 adalah
2 21 2
21 2 1 2
1( , ) , ,
2
z z
g z z e z z
. (2.101)
Misalkan W1 = |Z1| dan W2 = Z2.
A = {(z1, z2) | – < z1 < , – < z2 < }.
Dengan transformasi w1 = |z1| diperoleh
B = {(w1, w2) | 0 ≤ w1 < , – < w2 < }.
Karena A = {(z1, z2) | – < z1 < , – < z2 < } dan
B = {(w1, w2) | 0 ≤ w1 < , – < w2 < }, maka, w1 = |z1| bukan
transformasi satu-satu.
Ambil A1 dan A2 di mana A1, A2 A, A1 A2 = A, dan A1 A2 = .
A1 = {(z1, z2) | – < z1 < 0, – < z2 < }.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
40
Universitas Indonesia
A2 = {(z1, z2) | 0 ≤ z1 < , – < z2 < }.
Pemetaannya dengan transformasi y = |x| adalah:
A1 = {(z1, z2) | – < z1 < 0, – < z2 < } → {(w1, w2) | 0 < w1 < ,
– < w2 < }.
A2 = {(z1, z2) | 0 ≤ z1 < , – < z2 < } → {(w1, w2) | 0 ≤ w1 < ,
– < w2 < }.
Hasil pemetaan yang diperoleh berbeda, letak perbedaannya yaitu pada w1 = 0.
Maka dari itu, ruang nilai akan didefinisikan kembali untuk mengatasi
permasalahan ini.
Didefinisikan kembali untuk z1 = 0, w1 = 0.
Jadi, ruang nilai-ruang nilai yang baru adalah:
A = {(z1, z2) | – < z1 < , – < z2 < , z1 0}.
B = {(w1, w2) | 0 < w1 < , – < w2 < }.
Inversnya adalah:
z1 = – w1 ; z1 = w1,
z2 = w2 ; z2 = w2,
1
1
1z
w
; 1
1
1z
w
,
1
2
0z
w
; 1
2
0z
w
,
2
1
0z
w
; 2
1
0z
w
,
2
2
1z
w
; 2
2
1z
w
,
1 1
1 2
1
2 2
1 2
1 01
0 1
z z
w wJ
z z
w w
;
1 1
1 2
2
2 2
1 2
1 01
0 1
z z
w wJ
z z
w w
,
|J1| = 1 ; |J2| = 1.
Misalkan B B.
A3 = {(z1, z2) | z1 = – w1, z2 = w2, (z1, z2) B} A1.
A4 = {(z1, z2) | z1 = w1, z2 = w2, (z1, z2) B} A2.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
41
Universitas Indonesia
Kemudian diperoleh
Pr(Y B) = Pr(X A3) + Pr(X A4)
3 4
1 2 1 2 1 2 1 2( , ) ( , )A A
g z z dz dz g z z dz dz
1 2 1 1 2 1 2 2 1 2( , ) | | ( , ) | |
B B
g w w J dw dw g w w J dw dw
1 2 1 2 1 2 1 2( , ) 1 ( , ) 1
B B
g w w dw dw g w w dw dw
1 2 1 2 1 2 1 2( , ) ( , )
B B
g w w dw dw g w w dw dw
2 2 2 21 2 1 2
2 21 2 1 2
1 1
2 2
w w w w
B B
e dw dw e dw dw
2 21 2
21 2
1w w
B
e dw dw
.
Jadi, f.k.p bersama dari variabel W1 dan W2 adalah
2 21 2
21 2 1 2
1( , ) , 0 ,
0 , lainnya,
w w
h w w e w w
(2.102)
dan f.k.p marjinal dari W1 adalah:
1 1 2 2( ) ( , )h w h w w dw
2 21 2
22
1w w
e dw
2 21 2
22
1 2
2 2
w w
e dw
2 21 2 2 2
2
2 1
2 2
w w
e dw
2 21 2
2 22
2 1
2 2
w w
e e dw
2 21 2
2 22
2 1
2 2
w w
e e dw
(2.103)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
42
Universitas Indonesia
21
21
2( ) 1
2
w
h w e
(2.104)
21
22
2
w
e
.
Perhatikan persamaan (2.103) dan (2.104). Karena integral
22
22
1
2
w
e dw
bernilai 1, dan fungsi
22
21
02
w
e
untuk – ∞ < w2 < ∞, berarti fungsi tersebut
merupakan f.k.p dari variabel acak W2. Jadi, f.k.p marjinal untuk variabel acak W1
adalah
21
21 2
2( ) , 0
2
0 , lainnya.
w
h w e w
, (2.105)
dan f.k.p marjinal untuk variabel acak W2 adalah
22
22 2
1( ) ,
2
w
h w e w
. (2.106)
Pembuktian bahwa W1 = |Z1| dan W2 = Z2 saling bebas menggunakan
Definisi 2.4, yaitu:
Definisi 2.4.
Misalkan variabel-variabel acak X1 dan X2 mempunyai f.k.p bersama f(x1, x2),
f.k.p marjinal f1(x1) dan f2(x2). Variabel acak X1 dan variabel acak X2 dikatakan
saling bebas jika dan hanya jika f(x1, x2) ≡ f1(x1)f2(x2).
2 21 2
2 21 2
2 1( ) ( )
2 2
w w
h w h w e e
2 21 2
2 22
2
w w
e
2 21 2
21
w w
e
1 2( , )h w w .
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
43
Universitas Indonesia
Berdasarkan Definisi 2.4, maka terbukti bahwa W1 = |Z1| dan W2 = Z2 saling
bebas.
2.18 Sifat Ketertutupan
Pada bagian ini dibahas sifat-sifat ketertutupan dari variabel-variabel acak
terkait distribusi probabilitas dari variabel-variabel acak tersebut.
Misalkan X1, X2, ..., Xn adalah variabel-variabel acak yang berdistribusi
probabilitas tertentu (dapat bertipe diskret atau kontinu, dapat saling bebas atau
tidak), sebut distribusi A. Misalkan terdapat suatu operator biner *. Distribusi A
dikatakan mempunyai sifat tertutup terhadap operator *, jika X1 * X2 * ... * Xn
merupakan variabel acak yang berdistribusi A. Contoh: misalkan variabel-variabel
acak X1 dan X2 saling bebas di mana 2
1 1 1,X N dan 2
2 2 2,X N . Hasil
penjumlahan kedua variabel acak tersebut yaitu 2 2
1 2 1 2 1 2,X X N .
Misalkan X1, X2, ..., Xn adalah variabel-variabel acak yang berdistribusi
probabilitas tertentu (dapat bertipe diskret atau kontinu, dapat saling bebas atau
tidak), sebut distribusi B. Jika distribusi bersama dari variabel-variabel acak X1,
X2, ..., Xn adalah distribusi B, maka dikatakan distribusi B tertutup dalam
perluasan ke multivariat.
Misalkan X1, X2, ..., Xn memiliki distribusi bersama tertentu, sebut
distribusi C. Jika distribusi dari variabel acak Xi, i = 1, 2, ..., n adalah distribusi C,
maka dikatakan distribusi C tertutup terhadap marjinalisasi.
2.19 Parameter Location dan Scale
Parameter location merupakan parameter yang menentukan lokasi, atau
pergeseran dari distribusi. Parameter scale adalah parameter yang menentukan
skala, atau penyebaran dari data. Suatu kelas dari distribusi disebut membentuk
famili parameter location dan scale jika distribusi dari setiap variabel acak X di
dalam kelas tersebut dapat ditulis sebagai
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
44
Universitas Indonesia
Pr( )x
X x F
, (2.107)
di mana θ disebut parameter location dan η disebut parameter scale; di sini F
adalah suatu fungsi distribusi dari semua distribusi di dalam kelas. Variabel acak
X dapat distandardisasi dengan mendefinisikan
XZ
. (2.108)
Maka parameter location dan scale dari Z, masing-masing adalah 0 dan 1, dan
fungsi distribusi dari Z adalah Pr(Z ≤ z) = F(z).
Contoh paling sederhana dari famili parameter location dan scale adalah
famili dari distribusi-distribusi normal. Jika X ~ N(μ, ζ2), maka fungsi distribusi
dari X diberikan oleh
Pr( ) Prx x
X x Z
, (2.109)
di mana Φ(.) adalah fungsi distribusi normal standar. Distribusi ini memiliki
bentuk (2.107), di mana μ adalah parameter location dan ζ adalah parameter
scale.
Parameter location dan scale ini akan digunakan di dalam perluasan
distribusi skew-normal pada subbab 3.6.
2.20 Matriks dan Sifat-sifat Matriks
2.20.1 Notasi Matriks dan Terminologi
Definisi 2.5.
Matriks adalah suatu susunan bilangan berbentuk persegi. Bilangan-bilangan
dalam susunan tersebut disebut anggota dari matriks tersebut.
Setiap matriks memiliki ukuran, yang dinyatakan dengan banyaknya baris
dan kolom. Matriks berukuran m × n merupakan matriks dengan m baris dan n
kolom. Misalkan matriks A dengan anggota-anggotanya adalah (aij).
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
45
Universitas Indonesia
11 12 1
21 22 2
1 2
n
n
m m mn
a a a
a a a
a a a
A .
Matriks A dapat juga dinyatakan dengan bentuk
11 12 1
21 22 2
1 2
n
n
m m mn
a a a
a a a
a a a
A .
Matriks dengan hanya satu kolom disebut matriks kolom, atau vektor
kolom. Matriks dengan hanya satu baris disebut matriks baris, atau vektor baris.
Matriks dengan n baris dan n kolom disebut dengan matriks persegi orde-n.
2.20.2 Operasi-operasi Matriks
Definisi 2.6.
Dua matriks didefinisikan sama jika kedua matriks tersebut memiliki ukuran yang
sama dan anggota-anggotanya yang bersesuaian yang sama.
Definisi 2.7.
Jika A dan B adalah matriks-matriks yang berukuran sama, maka penjumlahan
A + B adalah matriks yang diperoleh dengan anggota-anggotanya merupakan
penambahan dari anggota-anggota di B ke anggota-anggota di A yang
bersesuaian, dan selisih A – B adalah matriks yang diperoleh dengan mengurangi
anggota-anggota dari B dari anggota-anggota dari A yang bersesuaian. Matriks-
matriks yang berbeda ukuran tidak dapat ditambah atau dikurang.
Definisi 2.8.
Jika A adalah sebarang matriks dan c adalah sebarang skalar, maka perkalian cA
adalah matriks yang diperoleh dengan mengalikan setiap anggota dari A dengan
skalar c.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
46
Universitas Indonesia
Definisi 2.9.
Jika A adalah matriks berukuran m × r dan B adalah matriks berukuran r × n,
maka perkalian AB adalah matriks berukuran m × n di mana anggota-anggotanya
ditentukan dengan cara berikut. Untuk mencari anggota di baris ke-i dan kolom
ke-j dari AB, kalikan baris ke-i dari A dengan kolom ke-j dari B.
2.20.3 Transpos dari Matriks
Definisi 2.10
Jika A adalah sebarang matriks berukuran m × n,
11 12 1
21 22 2
1 2
n
n
m m mn
a a a
a a a
a a a
A . (2.110)
Maka transpos dari A adalah
11 21 1
12 22 2
1 2
m
m
n n mn
a a a
a a a'
a a a
A . (2.111)
Teorema 2.5.
Jika ukuran-ukuran dari matriks adalah sedemikian sehingga operasi-operasi yang
diindikasikan dapat dilakukan, maka
(a) (A')' = A. (2.112)
(b) (A + B)' = A' + B' dan (A – B)' = A' – B'. (2.113)
(c) (kA)' = kA', di mana k adalah sebarang skalar. (2.114)
(d) (AB)' = B'A'. (2.115)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
47
Universitas Indonesia
2.20.4 Sifat-sifat dari Operasi-operasi Matriks
Teorema 2.6.
Anggap bahwa ukuran-ukuran dari matriks adalah sedemikian sehingga operasi-
operasi yang diindikasikan dapat dilakukan, aturan-aturan dari matriks aritmatik
berikut valid.
(a) A + B = B + A. (2.116)
(b) A + (B + C) = (A + B) + C. (2.117)
(c) A(BC) = (AB)C. (2.118)
(d) A(B + C) = AB + AC. (2.119)
(e) (B + C)A = BA + CA. (2.120)
(f) A(B – C) = AB – AC. (2.121)
(g) (B – C)A = BA – CA. (2.122)
(h) a(B + C) = aB + aC. (2.123)
(i) a(B – C) = aB – aC. (2.124)
(j) (a + b)C = aC + bC. (2.125)
(k) (a – b)C = aC – bC. (2.126)
(l) a(bC) = (ab)C. (2.127)
(m) a(BC) = (aB)C = B(aC). (2.128)
2.20.5 Matriks-matriks Nol
Definisi 2.11.
Suatu matriks, yang semua anggota-anggotanya adalah nol, disebut matriks nol.
Matriks nol dinyatakan dengan 0.
Teorema 2.7.
Anggap bahwa ukuran-ukuran dari matriks adalah sedemikian sehingga operasi-
operasi yang diindikasikan dapat dilakukan. Aturan-aturan dari matriks aritmatika
berikut valid.
(a) A + 0 = 0 + A = A. (2.129)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
48
Universitas Indonesia
(b) A – A = 0. (2.130)
(c) 0 – A = – A. (2.131)
(d) A0 = 0; 0A = 0. (2.132)
2.20.6 Matriks-matriks Identitas
Definisi 2.12.
Suatu matriks, dengan semua diagonal utama bernilai satu dan anggota-anggota
nondiagonal bernilai nol, disebut matriks identitas dan dinyatakan dengan I. Jika
penting untuk menekankan ukuran dari matriks ini, ditulis In untuk matriks
identitas berukuran n × n.
2.20.7 Invers dari Matriks
Definisi 2.13.
Jika A adalah matriks persegi, dan jika matriks B dengan ukuran yang sama
dengan A dapat ditemukan sedemikian sehingga AB = BA = I, maka A disebut
mempunyai invers dan B disebut invers dari A. Invers dari matriks A dapat
dinyatakan dengan A–1
.
Teorema 2.8.
Jika B dan C merupakan invers-invers dari matriks A, maka B = C.
Teorema 2.9.
Matriks
a b
c d
A
mempunyai invers jika ad – bc ≠ 0, dengan invers dari A adalah
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
49
Universitas Indonesia
1 1
d b
d b ad bc ad bc
c a c aad bc
ad bc ad bc
A . (2.133)
Teorema 2.10.
Jika A dan B adalah matriks-matriks yang mempunyai invers dengan ukuran yang
sama, maka:
(a) AB mempunyai invers.
(b) (AB)–1
= B–1
A–1
. (2.134)
Teorema 2.11.
Jika A adalah matriks yang mempunyai invers, maka A' juga mempunyai invers
dan
(A')–1
= (A–1
)'. (2.135)
2.20.8 Matriks-matriks Diagonal, Segitiga, dan Simetris
Definisi 2.14.
Suatu matriks persegi di mana semua anggota-anggota nondiagonalnya bernilai
nol disebut matriks diagonal. Matriks diagonal D berukuran n × n secara umum
dapat ditulis sebagai
1
2
0 0
0 0
0 0 n
d
d
d
D . (2.136)
Teorema 2.12.
Suatu matriks diagonal mempunyai invers jika dan hanya jika semua anggota
diagonalnya bernilai tidak nol. Dalam hal ini, inversnya adalah
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
50
Universitas Indonesia
1
21
1/ 0 0
0 1/ 0
0 0 1/ n
d
d
d
D , (2.137)
dan
DD–1
= D–1
D = I. (2.138)
Teorema 2.13.
Jika D adalah matriks diagonal dan k adalah bilangan bulat positif, maka
1
2
0 0
0 0
0 0
k
k
k
k
n
d
d
d
D . (2.139)
Definisi 2.15.
Matriks persegi di mana semua anggota di atas diagonal utamanya bernilai nol
disebut segitiga bawah, dan matriks persegi di mana semua anggota di bawah
diagonal utamanya bernilai nol disebut segitiga atas. Matriks segitiga atas atau
segitiga bawah disebut matriks segitiga.
Teorema 2.14.
(a) Transpos dari matriks segitiga bawah adalah matriks segitiga atas, dan
transpos dari matriks segitiga atas adalah matriks segitiga bawah.
(b) Perkalian dari matriks-matriks segitiga bawah adalah matriks segitiga bawah,
dan perkalian dari matriks-matriks segitiga atas adalah matriks segitiga atas.
(c) Matriks segitiga mempunyai invers jika dan hanya jika semua anggota-
anggota diagonalnya tak-nol.
(d) Invers dari matriks segitiga bawah yang mempunyai invers adalah matriks
segitiga bawah, dan invers dari matriks segitiga atas yang mempunyai invers
adalah matriks segitiga atas.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
51
Universitas Indonesia
Definisi 2.16.
Matriks persegi A disebut simetris jika
A = A'. (2.140)
Teorema 2.15.
Jika A dan B adalah matriks-matriks simetris dengan ukuran yang sama, dan jika k
adalah sebarang skalar, maka
(a) A' simetris.
(b) A + B dan A – B simetris.
(c) kA simetris.
Teorema 2.16.
Jika A adalah matriks yang mempunyai invers, maka AA' dan A'A juga
mempunyai invers.
Catatan terhadap Teorema 2.16.
Hasil kali matriks berbentuk AA' dan A'A muncul dalam berbagai penerapan. Jika
A adalah suatu matriks m × n, maka A adalah suatu matriks n × m, sehingga hasil
kali AA' dan A'A keduanya adalah matriks-matriks persegi; matriks AA'
mempunyai ukuran m × m dan matriks A'A mempunyai ukuran n × n.
Hasil kali ini selalu simetris karena
(AA')' = (A')'A' = AA' dan (A'A)' = A'(A')' = A'A. (2.141)
2.20.9 Matriks Definit Positif
Definisi 2.17.
Suatu bentuk kuadratik x'Ax disebut definit positif jika x'Ax > 0 untuk setiap
x ≠ 0, dan suatu matriks simetris A disebut matriks definit positif jika x'Ax
merupakan bentuk kuadratik yang definit positif.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
52
Universitas Indonesia
Teorema 2.17.
Suatu matriks simetris A merupakan matriks yang definit positif jika dan hanya
jika semua nilai eigen dari A bernilai positif.
2.20.10 Pangkat dari Matriks
Definisi 2.18.
Jika A adalah matriks persegi, maka pangkat bilangan bulat nonnegatif dari A
didefinisikan oleh
A0 = I, (2.142)
sebanyak
n
n
A AA A (n > 0). (2.143)
Jika A mempunyai invers, maka pangkat bilangan bulat negatif dari A
didefinisikan oleh
1 1 1 1
sebanyak
nn
n
A A A A A (2.144)
Teorema 2.18.
Jika A adalah matriks persegi dan r dan s adalah bilangan-bilangan bulat, maka
ArA
s = A
r + s, (A
r)s = A
rs. (2.145)
Teorema 2.19.
Jika A adalah matriks yang mempunyai invers, maka
(a) A–1
mempunyai invers dan (A–1
) –1
= A. (2.146)
(b) An mempunyai invers dan (A
n) –1
= (A–1
)n untuk n = 0, 1, 2, ... (2.147)
(c) Untuk sebarang skalar tak-nol k, matriks kA mempunyai invers dan
1 11( )k
k
A A . (2.148)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
53
Universitas Indonesia
2.20.11 Fungsi Determinan dan Sifat-sifatnya
Definisi 2.19.
Anggap A adalah suatu matriks persegi. Fungsi determinan dinyatakan dengan
det, dan didefinisikan det(A) sebagai jumlah semua hasil kali dasar bertanda dari
A. Angka det(A) disebut determinan A.
det(A) dapat dinyatakan juga dalam bentuk |A|.
Teorema 2.20.
Anggap A adalah suatu matriks persegi.
(a) Jika A mempunyai sebuah baris nol atau sebuah kolom nol, maka det(A) = 0.
(b) det(A) = det(A'). (2.150)
Teorema 2.20.
Jika A adalah suatu matriks segitiga n × n (segitiga atas, segitiga bawah, atau
diagonal), maka det(A) adalah hasil kali anggota-anggota pada diagonal
utamanya; yaitu
det(A) = a11a22 ... amn. (2.151)
Teorema 2.22.
Suatu matriks persegi A mempunyai invers jika dan hanya jika det(A) ≠ 0.
Teorema 2.23.
Jika A dan B adalah matriks-matriks persegi berukuran sama, maka
det(AB) = det(A)det(B). (2.152)
Teorema 2.24.
Jika A mempunyai invers, maka
1 1det
det
AA
. (2.153)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
54
Universitas Indonesia
2.20.12 Ruang Berdimensi-n Euclidean
Definisi 2.20.
Jika n adalah suatu bilangan bulat positif, maka ganda-n berurut adalah sederet n
bilangan riil (a1, a2, ..., an). Himpunan semua ganda-n berurut disebut ruang
berdimensi-n dan dinyatakan dengan Rn.
Definisi 2.20.
Dua vektor u = (u1, u2, ..., un) dan v = (v1, v2, ..., vn) dalam Rn disebut sama jika
u1 = v1, u2 = v2, ..., un = vn. (2.154)
Jumlah u + v didefinisikan sebagai
u + v = (u1 + v1, u2+ v2, ..., un+ vn), (2.155)
dan jika k adalah sebarang skalar, perkalian skalar ku didefinisikan sebagai
(ku1, ku2, ..., kun). (2.156)
Teorema 2.25.
Jika u = (u1, u2, ..., un), v = (v1, v2, ..., vn), dan w = (w1, w2, ..., wn) adalah vektor-
vektor dalam Rn dan k serta l adalah skalar, maka
(a) u + v = v + u. (2.157)
(b) u + (v + w) = (u + v) + w. (2.158)
(c) u + 0 = 0 + u = u. (2.159)
(d) u + (– u) = 0; yaitu, u – u = 0. (2.160)
(e) k(lu) = (kl)u. (2.161)
(f) k(u + v) = ku + kv. (2.162)
(g) (k + l)u = ku + lu. (2.163)
(h) 1u = u. (2.164)
Definisi 2.20.
Jika u = (u1, u2, ..., un) dan v = (v1, v2, ..., vn) adalah sebarang vektor dalam Rn,
maka hasil kali dalam Euclidean u · v didefinisikan sebagai
u · v = u1v1 + u2v2 + ... + unvn. (2.165)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
55
Universitas Indonesia
Teorema 2.26.
Jika u, v, dan w adalah vektor-vektor dalam Rn dan k adalah sebarang skalar, maka
(a) u · v = v · u. (2.166)
(b) (u + v) · w = u · w + v · w. (2.167)
(c) (ku) · v = k(u · v). (2.168)
(d) v · v > 0 jika v ≠ 0, dan v · v = 0, jika dan hanya jika v = 0. (2.169)
Definisi 2.22.
Norma Euclidean (atau panjang Euclidean) dari suatu vektor u = (u1, u2, ..., un)
dalam Rn didefinisikan sebagai
2 2 2
1 2 nu u u u . (2.170)
Definisi 2.23.
Dua vektor u dan v dalam Rn disebut ortogonal jika
u · v = 0. (2.171)
2.20.13 Ruang-ruang Vektor Riil
Definisi 2.24.
Anggap V adalah sebarang himpunan tak-kosong dari objek di mana dua operasi
didefinisikan, yaitu penjumlahan dan perkalian dengan skalar (bilangan).
Penjumlahan adalah suatu aturan yang menghubungkan setiap pasangan objek u
dan v dalam V dengan suatu objek u + v, yang disebut sebagai jumlah u dan v;
perkalian skalar adalah suatu aturan yang menghubungkan setiap skalar k dan
setiap objek u dalam V dengan objek ku, yang disebut perkalian skalar dari u
dengan k. Jika aksioma berikut ini dipenuhi oleh semua objek u, v, w dalam V dan
semua skalar k dan l, maka kita sebut V sebagai ruang vektor dan kita sebut objek
dalam V sebagai vektor.
(1) Jika u dan v adalah objek-objek dalam V, maka u + v ada di dalam V.
(2) u + v = v + u
(3) u + (v + w) = (u + v) + w
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
56
Universitas Indonesia
(4) Ada suatu objek 0 dalam V, yang disebut suatu vektor nol untuk V,
sedemikian sehingga 0 + u = u + 0 = u untuk semua u dalam V.
(5) Untuk setiap u dalam V, ada suatu objek – u dalam V, yang disebut negatif
dari u, sedemikian sehingga u + (– u) = (– u) + u = 0.
(6) Jika k adalah sebarang skalar dan u adalah sebarang objek dalam V, maka
ku ada di dalam V.
(7) k(u + v)= ku + kv
(8) (k + l)u = ku + lu
(9) k(lu) = (kl)u.
(10) 1u = u.
Teorema 2.27.
Anggap V adalah suatu ruang vektor, u suatu vektor dalam V, dan k suatu skalar;
maka
(a) 0u = 0. (2.172)
(b) k0 = 0. (2.173)
(c) (– 1)u = – u. (2.174)
(d) Jika ku = 0, maka k = 0 atau u = 0. (2.175)
2.20.14 Kebebasan Linier
Definisi 2.25.
Jika S = {v1, v2, ..., vr} adalah suatu himpunan vektor tak-kosong, maka persamaan
vektor
k1v1 + k2v2 + ... + krvr = 0 (2.176)
mempunyai paling tidak satu penyelesaian, yaitu
k1 = 0, k2 = 0, ... kr = 0. (2.177)
Jika ini adalah satu-satunya penyelesaian, maka S disebut suatu himpunan yang
bebas secara linier. Jika ada penyelesaian-penyelesaian lainnya, maka S disebut
himpunan yang tak-bebas secara linier.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
57
Universitas Indonesia
Teorema 2.28.
Suatu himpunan S dengan dua atau lebih vektor, disebut
(a) Tak-bebas secara linier jika dan hanya jika paling tidak salah satu vektor
dalam S dapat dinyatakan sebagai suatu kombinasi linier dari vektor-vektor
lainnya dalam S.
(b) Bebas secara linier jika dan hanya jika tidak ada vektor dalam S yang dapat
dinyatakan sebagai suatu kombinasi linier dari vektor-vektor lain dalam S.
2.20.15 Hasil Kali Dalam
Definisi 2.26.
Suatu hasil kali dalam pada suatu ruang vektor riil V adalah suatu fungsi yang
menghubungkan suatu bilangan riil ,u v dengan setiap pasangan vektor u dan v
dalam V dengan cara sedemikian sehingga aksioma-aksioma berikut dipenuhi
untuk semua vektor u, v, dan w dalam V dan semua skalar k.
(1) , ,u v v u . (2.178)
(2) , , , u v w u w v w . (2.179)
(3) , ,k ku v v u . (2.180)
(4) , 0v v dengan , 0v v jika dan hanya jika v = 0. (2.181)
Suatu ruang vektor riil dengan suatu hasil kali dalam disebut ruang hasil kali
dalam riil.
Definisi 2.27.
Jika V adalah suatu ruang hasil kali dalam, maka norma suatu vektor u dalam V
dinyatakan dengan |u| dan didefinisikan sebagai
1/2,u u u . (2.182)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
58
Universitas Indonesia
Teorema 2.29.
Jika u dan v adalah vektor-vektor dalam suatu ruang hasil kali dalam V, dan jika k
adalah sebarang skalar, maka
(a) |u| ≥ 0. (2.183)
(b) |u| = 0 jika dan hanya jika u = 0. (2.184)
(c) |ku| = |k||u|. (2.185)
(d) |u + v| |u| + |v|. (2.186)
2.20.16 Keortogonalan
Definisi 2.28.
Dua vektor u dan v dalam suatu ruang hasil kali dalam disebut ortogonal jika
, 0u v . (2.187)
Definisi 2.29.
Suatu himpunan vektor dalam suatu ruang hasil kali dalam disebut suatu
himpunan ortogonal jika semua pasangan vektor-vektor yang berbeda dalam
himpunan tersebut ortogonal. Suatu himpunan ortogonal di mana setiap vektor
mempunyai normal bernilai satu disebut ortonormal.
Definisi 2.30.
Suatu matriks persegi A dengan sifat
A–1
= A' (2.188)
disebut suatu matriks ortogonal.
Teorema 2.30.
(a) Invers dari suatu matriks ortogonal adalah ortogonal.
(b) Hasil kali matriks-matriks ortogonal adalah ortogonal.
(c) Jika A ortogonal, maka det(A) = 1 atau det(A) = – 1.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
59
Universitas Indonesia
2.20.17 Nilai Eigen dan Vektor Eigen
Definisi 2.31.
Jika A adalah suatu matriks n × n, maka vektor tak-nol x pada Rn disebut suatu
vektor eigen dari A jika Ax adalah suatu penggandaan skalar dari x; yaitu,
Ax = λx
untuk suatu skalar λ. Skalar λ disebut nilai eigen dari A, dan x disebut suatu vektor
eigen dari A yang bersesuaian dengan λ.
Teorema 2.31.
Jiika A adalah suatu matriks segitiga n × n (segitiga atas, segitiga bawah, atau
diagonal), maka nilai eigen dari A adalah anggota-anggota diagonal utama A.
Teorema 2.32.
Jika A adalah suatu matriks n × n dan λ adalah suatu bilangan riil, maka
pernyataan-pernyataan berikut ekivalen.
(a) λ adalah suatu nilai eigen dari A.
(b) Sistem persamaan (λI – A)x = 0 mempunyai penyelesaian tak-trivial.
(c) Ada suatu vektor tak-nol x pada Rn sedemikian sehingga Ax = λx.
(d) λ merupakan suatu penyelesaian dari persamaan karakteristik (λI – A) = 0.
Teorema 2.33.
Suatu matriks persegi A mempunyai invers jika dan hanya jika λ = 0 bukanlah
suatu nilai eigen dari A.
2.20.18 Diagonalisasi
Definisi 2.32.
Suatu matriks persegi A dikatakan dapat didiagonalkan jika ada suatu matriks P
yang mempunyai invers sedemikian sehingga P–1
AP adalah suatu matriks
diagonal; matriks P dikatakan mendiagonalkan A.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
60
Universitas Indonesia
Teorema 2.34.
Jika A adalah suatu matriks n × n, maka pernyataan-pernyataan berikut ekivalen.
(a) A dapat didiagonalkan.
(b) A mempunyai n vektor eigen yang bebas secara linier.
Teorema 2.35.
Jika v1, v2, ..., vk adalah vektor-vektor eigen dari A yang bersesuaian dengan nilai-
nilai eigen yang berbeda-beda λ1, λ2, ..., λk, maka {v1, v2, ..., vk} adalah suatu
himpunan yang bebas secara linier.
Teorema 2.36.
Jika suatu matriks A, n × n, mempunyai nilai-nilai eigen yang berbeda-beda, maka
A dapat didiagonalkan.
Teorema 2.37.
Jika A adalah suatu matriks berukuran n × n yang dapat didiagonalkan, dengan
nilai-nilai eigen λ1, λ2, ..., λk, maka det(A) = λ1.λ2...λk.
2.20.19 Diagonalisasi Ortogonal
Teorema 2.38.
Jika A adalah suatu matriks n × n, maka pernyataan-pernyataan berikut ekivalen.
(a) A dapat didiagonalkan secara ortogonal.
(b) A mempunyai suatu himpunan n vektor eigen yang ortonormal.
(c) A simetris.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
61
Universitas Indonesia
2.20.20 Matriks Akar Kuadrat.
Definisi 2.33.
Misalkan A adalah suatu matriks simetris definit positif berukuran n × n. Misalkan
vektor-vektor eigen yang ortonormal menjadi kolom dari matriks P. Maka
A = PDP–1
(2.189)
di mana PP' = P'P = I dan D adalah matriks diagonal.
Misalkan D1/2
menyatakan matriks diagonal dengan i sebagai elemen diagonal
ke-i. Matriks PD1/2
P' disebut akar kuadrat dari A dan dinotasikan dengan A1/2
,
yaitu
A1/2
= PD1/2
P'. (2.190)
Teorema 2.39.
Misalkan A matriks simetris definit positif berukuran n × n. Akar kuadrat dari A
memiliki sifat-sifat:
(1) (A1/2)' = A
1/2, jadi A
1/2 simetris. (2.191)
(2) A1/2A
1/2 = A. (2.192)
(3) (A1/2)–1
= PD–1/2
P' (2.193)
di mana D–1/2
adalah matriks diagonal dengan 1/ i sebagai elemen diagonal
ke-i.
(4) A1/2A
–1/2 = A
–1/2A
1/2 = I, dan A
–1/2A
–1/2 = A
–1, (2.194)
di mana A–1/2
= (A1/2
)–1
.
2.20.21 Vektor Acak
Definisi 2.34.
Suatu vektor acak adalah vektor di mana anggota-anggotanya terdiri dari variabel-
variabel acak. Serupa dengan itu, matriks acak adalah matriks di mana anggota-
anggotanya adalah variabel-variabel acak.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
62
Universitas Indonesia
Misalkan X = {Xij} adalah matriks acak berukuran n × p. Ekspektasi dari
X, dinotasikan dengan E(X), adalah matriks n × p yang beranggotakan bilangan-
bilangan riil (jika nilai dari masing-masing E(Xij) ada)
11 12 1
21 22 2
1 2
( )
p
p
n n np
E X E X E X
E X E X E XE
E X E X E X
X (2.195)
di mana E(Xij) adalah ekspektasi dari variabel acak Xij dengan f.k.p terkait (dapat
berupa variabel acak bertipe diskrit atau kontinu).
Teorema 2.40.
Misalkan X dan Y adalah matriks-matriks acak dengan dimensi yang sama, dan
misalkan A dan B adalah matriks-matriks konstanta yang sesuai. Maka
E(X + Y) = E(X) + E(Y), (2.196)
E(AXB) = AE(X)B. (2.197)
Definisi 2.35.
Misalkan X = (X1, X2, ..., Xp) ' adalah vektor acak berukuran p × 1. Maka setiap
anggota dari X merupakan variabel acak dengan distribusi probabilitas marjinal
tertentu. Vektor mean, kovariansi, dan korelasi dinyatakan sebagai:
Vektor mean:
1 1
2 2( )
pp
E X
E XE
E X
X . (2.198)
Matriks kovariansi:
Cov( ) X
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
63
Universitas Indonesia
( )( )E ' X X
11 12 1
21 22 2
1 2
p
p
p p pp
, (2.199)
dengan 2 Var( )ii i iX dan ζij = Cov(Xi, Xj), untuk i = 1, 2, ..., p.
Matriks korelasi:
112
11 22 11
212
11 22 22
1 2
11 22
1
1
1
p
pp
p
pp
p p
pp pp
(2.200)
dengan ij
ij
ii jj
, untuk i, j = 1, 2, ..., p adalah koefisien-koefisien korelasi
dari variabel-variabel acak Xi dan Xj.
2.20.22 Turunan Terhadap Vektor
Pada bagian ini dibahas mengenai turunan dari vektor terhadap vektor.
Berikut ini diberikan definisi mengenai turunan terhadap vektor.
Definisi 2.36.
Misalkan terdapat suatu vektor u = (u1, u2, ..., um)' berukuran m × 1, dan vector
v = (v1, v2, ..., vn)' berukuran n × 1. Turunan dari vektor u terhadap vektor v
dinyatakan dengan
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
64
Universitas Indonesia
1 2
1 1 1
1 2
2 2 2
1 2
m
m
m
n n n
uu u
v v v
uu u
v v v
uu u
v v v
u
v. (2.201)
Definisi 2.37.
Misalkan terdapat suatu vektor u = (u1, u2, ..., um)' berukuran m × 1, dan vektor
v = (v1, v2, ..., vn)' berukuran n × 1. Turunan vektor u terhadap vektor v'
diturunkan kembali terhadap vektor v dinyatakan oleh
2
1 1 2 1
22
2 1 2 2
2
1 2
m
m
m m m
u u u
v v v v v
u u u
v v v v v'
u u u
v v v v v
u
v v. (2.202)
2.21 Distribusi Normal Multivariat
Misalkan A adalah suatu matriks simetris dan definit positif yang
berukuran n × n. Misalkan μ adalah matriks berukuran n × 1 sedemikian sehingga
μ' = (μ1, μ2, ..., μn) di mana μi adalah konstanta-konstanta riil. Misalkan x adalah
matriks berukuran n × 1 sedemikian sehingga x' = (x1, x2, ..., xn). Akan
ditunjukkan bahwa jika C adalah konstanta positif, maka fungsi nonnegatif
1 2
( ) ( )( , , , ) exp
2n
'Af x x x C
x x , , 1,2, ,ix i n . (2.203)
adalah f.k.p bersama dari variabel-variabel acak X1, ..., Xn yang bertipe kontinu.
Berarti, akan ditunjukkan bahwa
1 2 1( , , , ) 1n nf x x x dx dx
. (2.204)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
65
Universitas Indonesia
Misalkan t adalah matriks berukuran n × 1 sedemikian sehingga t' = (t1, ..., tn), di
mana t1, ..., tn adalah bilangan-bilangan riil sebarang. Selanjutnya akan dihitung
1
( ) ( )exp
2n
'AC ' dx dx
x xt x
1
( ) ( )exp
2n
'AC ' dx dx
x xt x
. (2.205)
Jika t1 = t2 = ... = tn = 0, maka bentuk (2.205) akan sama dengan ruas kiri
persamaan (2.204).
Misalkan:
y = x – μ, di mana y = (y1, y2, ..., yn)'.
Inversnya:
x = y + μ.
Jadi, Jacobian-nya adalah:
J = 1,
|J| = |1| = 1.
Batas integrasinya:
Jika xi = – ∞, maka yi = – ∞, i = 1, 2, ..., k;
Jika xi = ∞, maka yi = ∞, i = 1, 2, ..., k.
Jadi, ky .
Maka, integral (2.205) menjadi
1
( ) ( )exp
2n
'AC ' dx dx
x xt x
1exp ( ) | |2
n
'AC ' J dx dy
y yt y
1exp ( ) 12
n
'AC ' dy dy
y yt y
1exp ( ) 12
n
'AC ' dy dy
y yt y
1exp2
n
'AC ' ' dy dy
y yt y t
1exp( )exp2
n
'AC ' ' dy dy
y yt t y
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
66
Universitas Indonesia
1exp( ) exp2
n
'AC ' ' dy dy
y yt t y (2.206)
Karena A adalah matriks simetris yang definit positif, maka nilai-nilai eigen dari
matriks A, yaitu a1, a2, ..., an bernilai positif. Berarti terdapat matriks ortogonal L
yang berukuran n × n sedemikian sehingga
1
2
0 0
0 0
0 0 n
a
a'
a
L AL , (2.207)
atau biasa ditulis
L'AL = diag(a1, a2, ..., an). (2.208)
Misalkan:
z = L–1
y, di mana z' = (z1, z2, ..., zn).
Inversnya:
y = Lz.
Jadi, Jacobian-nya adalah:
J = |L|.
Karena L matriks ortogonal, maka |L'L| = |L2| = |L|
2 = 1, jadi, |L| = ±1.
|J| = |1| = 1.
Batas integrasinya:
Jika yi = – ∞, maka zi = – ∞, i = 1, 2, ..., k;
Jika yi = ∞, maka zi = ∞, i = 1, 2, ..., k.
Jadi, diperoleh
1exp( ) exp2
n
'AC ' ' dy dy
y yt t y
1
( ) ( )exp( ) exp ( ) | |
2n
'AC ' ' J dz dz
Lz Lzt t Lz
1
( ) ( )exp( ) exp ( ) 1
2n
'AC ' ' dz dz
Lz Lzt t Lz
1
( ) ( )exp( ) exp ( )
2n
'AC ' ' dz dz
Lz Lzt t Lz
1
( )exp( ) exp
2n
' 'AC ' ' dz dz
z L L zt t Lz (2.209)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
67
Universitas Indonesia
Misalkan:
w' = t'L, di mana w' = (w1, w2, ..., wn).
Jadi, diperoleh
1
( )exp( ) exp
2n
' 'AC ' ' dz dz
z L L zt t Lz
1
1
( )exp( ) exp
2n
' 'AC ' ' dz dz
z L L zw L w z
2
1 11
1
exp( ) exp2
n
i ini
i i n
i
a z
C ' w z dz dz
w L
2
1
1
exp( ) exp2
ni i
i i n
i
a zC ' ' w z dz dz
w L
2
1
exp( ) exp2
ni i
i i i
i
a zC ' ' w z dz
w L
2
1
exp( ) exp( )exp2
ni i
i i i
i
a zC ' ' w z dz
w L
2
1
exp( ) exp( )exp2 /
ni
i i i
i i
zC ' ' w z dz
a
w L
2
1
exp( )exp2 /2
exp( )2
ii in
i
i
i i
i
zw z
aC ' ' dz
a
a
w L
2
1
exp( )exp2 /2
exp( )2
ii in
i
i
i i
i
zw z
aC ' ' dz
a
a
w L . (2.210)
Perhatikan bentuk integral
2
exp( )exp2 /
2
ii i
i
i
i
zw z
adz
a
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
68
Universitas Indonesia
Fungsi
2
exp( )exp2 /
2
ii i
i
i
zw z
a
a
merupakan f.p.m dari variabel acak Zi yang
berdistribusi normal dengan mean 0 dan variansi 1/ai, dengan t diganti dengan wi.
Jadi,
2
2exp( )exp 12 /
exp 022
ii i
ii i
i i
i
zw z wa a
dz w
a
.
Jadi, diperoleh
2
1
exp( )exp2 /2
exp( )2
ii in
i
i
i i
i
zw z
aC ' ' dz
a
a
w L
2
1
12
exp( ) exp 02
n ii
i
i i
wa
C ' ' wa
w L
2
1
2exp( ) exp
2
ni
i i i
wC ' '
a a
w L
22
1
1 1
2 2exp( ) exp exp
2 2
n
n n
wwC ' '
a a a a
w L
22
1
1 1
(2 ) (2 )exp( ) exp
2 2
n
n n
wwC ' '
a a a a
w L
2
11
(2 )exp( ) exp
2
n ni
in i
wC ' '
a a a
w L . (2.211)
Seperti diketahui sebelumnya, bahwa L adalah matriks ortogonal, yaitu berarti
bahwa L–1
= L', maka
1 1 1 1( ) ( )' ' L AL L A L
1 1 1( )' L A L
1' L A L
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
69
Universitas Indonesia
1
12
1 0 0
10 0( )
10 0n
a
a'
a
L AL
1 2
1 1 1diag , , ,
na a a
. (2.212)
Berarti:
21
1
( )2
ni
i i
w' '
a
w L A L w
1' ' w L A Lw
1( ) ( )' Lw A Lw
1' t A t . (2.213)
1 1' A L A L
1 2
1 1 1
na a a . (2.214)
Dengan mensubstitusikan (2.205) dan (2.206) ke (2.203), maka diperoleh
2
11
(2 )exp( ) exp
2
n ni
in i
wC ' '
a a a
w L
11exp( ) (2 ) exp
2
n 'C '
t A tt A
11exp( ) (2 ) exp
2
n 'C '
t A tt A . (2.215)
Seperti telah dikemukakan sebelumnya bahwa jika t1 = t2 = ... = tn = 0, maka
integral (2.205) menjadi ruas kiri (2.204). Berarti bahwa jika t1 = t2 = ... = tn = 0,
maka bentuk (2.207) menjadi
11 1exp( ) (2 ) exp (2 )
2
n n'C ' C
t A tt A A ,
dan karena bentuk (2.215) adalah hasil dari penurunan integral (2.205), maka
1(2 ) 1nC A
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
70
Universitas Indonesia
1
1
(2 )nC
A. (2.216)
Jadi, terbukti bahwa
1 21
1 ( ) ( )( , , , ) exp
2(2 )n
n
'f x x x
x A x
A
,
, 1,2, ,ix i n (2.217)
adalah suatu f.k.p bersama dari variabel-variabel acak X1, X2, ..., Xn, yang bertipe
kontinu. F.k.p ini disebut f.k.p normal multivariat nonsingular.
Karena f(x1, x2, ..., xn) adalah f.k.p, maka integral (2.205) adalah f.p.m dari
X1, X2, ..., Xn yaitu
1
( ) ( )exp
2n
'C ' dx dx
x A xt x
11exp( ) (2 ) exp
2
n 'C '
t A tt A
11
1
1exp( ) (2 ) exp
2(2 )
n
n
''
t A tt A
A
1
exp( )exp2
''
t A tt
1
exp2
''
t A tt .
Jadi,
1
1( ) ( , ) exp2
n
'M M t t '
t A tt t . (2.218)
Matriks A–1
yaitu
11 12 1
21 22 21
1 2
n
n
n n nn
A (2.219)
adalah matriks kovariansi dari distribusi normal multivariat dan dinotasikan
dengan V. Jadi pada f.k.p dari distribusi normal multivariat dapat ditulis
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
71
Universitas Indonesia
1
1 2
1 ( ) ( )( , , , ) exp
2(2 )n
n
'f x x x
x V x
V
,
, 1,2, ,ix i n , (2.220)
dan f.p.m-nya adalah
( ) exp2
'M '
t Vtt t . (2.221)
2.22 Notasi Integral
Pada kasus multivariat, yaitu pada bab empat, akan digunakan notasi
integral tertentu yang jarang digunakan. Oleh karena itu pada bagian ini akan
didefinisikan suatu notasi integral yang akan digunakan selanjutnya.
Misalkan terdapat suatu vektor acak X = (X1, X2, ..., Xk)' dan terdapat suatu
fungsi u(X). Maka,
1 2 1 1( , , , ) ( )kk k ku x x x dx dx dx u d
x x , (2.222)
dengan 1 2, , , | , 1,2, ,k
k ix x x x i k .
2.23 Distribusi Nonsentral-t
Definisi 2.38.
Misalkan variabel acak W berdistribusi N(ε, 1), misalkan variabel acak V
berdistribusi 2
r , dan W dan V saling bebas. Bentuk
WT
Vr
(2.223)
disebut berdistribusi nonsentral-t dengan derajat bebas r dan parameter
ketidaksentralan ε dan dinyatakan oleh T ~ Tε;m. Jika ε = 0, dikatakan T
berdistribusi sentral-t (distribusi t).
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
72 Universitas Indonesia
BAB 3
VARIABEL ACAK YANG BERDISTRIBUSI
SKEW-NORMAL UNIVARIAT
Distribusi probabilitas data adalah penyebaran probabilitas data terkait
dengan suatu kejadian tertentu. Distribusi probabilitas sangat terkait dengan
variabel acak. Ada dua jenis variabel acak, yaitu variabel acak yang berdistribusi
probabilitas diskret dan kontinu. Setiap variabel acak memiliki ruang nilai.
Variabel acak yang berdistribusi probabilitas diskret adalah variabel acak yang
memiliki ruang nilai yang terhitung, sedangkan variabel acak yang berdistribusi
probabilitas kontinu adalah variabel acak yang memiliki ruang nilai yang tidak
terhitung.
Dalam banyak aplikasi, terdapat distribusi probabilitas data yang sangat
dikenal dan disukai karena karakteristik-nya, yaitu distribusi normal. Banyak
orang seringkali menggunakan distribusi ini di dalam menganalisis data. Namun,
pada kenyataannya banyak data yang ada di dalam kehidupan nyata tidak persis
berdistribusi normal, bahkan ada yang melenceng jauh. Pada kondisi demikian,
seringkali orang tetap menggunakan distribusi normal untuk menganalisis data.
Hasilnya, analisis data kurang memuaskan. Hasilnya menjadi kurang atau tidak
realistis. Oleh karena itu, tidak disarankan untuk melakukan analisis data dengan
menggunakan distribusi normal, pada keadaan di mana data tidak berdistribusi
normal, khususnya ketika data memiliki distribusi probabilitas data yang menceng
dan mempunyai heavy-tail.
Untuk mengatasi permasalahan tersebut, diperlukan distribusi probabilitas
data yang lain. Distribusi probabilitas tersebut adalah distribusi skew-normal.
Distribusi skew-normal merupakan perluasan dari distribusi normal dengan
memasukkan faktor kemencengan. Selain permasalahan yang telah disebutkan,
distribusi probabilitas ini juga dapat memfasilitasi data yang memiliki distribusi
probabilitas yang terpusat di sektar mean tetapi kurang atau tidak simetris.
Pada bab ini akan dibahas mengenai variabel acak yang berdistribusi skew-
normal untuk kasus univariat. Pada pembahasan di bab ini, akan terlihat bahwa
distribusi skew-normal ini dibangun dengan menggunakan distribusi normal
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
73
Universitas Indonesia
standar, tetapi memiliki bentuk distribusi yang berbeda dari distribusi normal
standar. Bentuk khusus dari distribusi ini merupakan distribusi normal standar,
yaitu jika faktor kemencengannya bernilai 0.
Seperti distribusi-distribusi probabilitas lainnya, distribusi skew-normal
juga mempunyai karakteristik-karakteristik tertentu. Pada bab ini akan dibahas
karakteristik-karakteristik dari distribusi skew-normal tersebut dan distribusi
skew-normal yang diperluas dengan memasukkan parameter location dan scale.
Karakteristik-karakteristik yang akan dibahas adalah fungsi kepadatan
probabilitas (f.k.p), fungsi distribusi, fungsi pembangkit momen (f.p.m), mean,
variansi, dan sifat-sifat distribusi skew-normal. Pada bagian akhir bab ini akan
diberikan perbandingan grafik f.k.p dari distribusi normal dan skew-normal, dan
contoh perhitungan probabilitas.
3.1 Fungsi Kepadatan Probabilitas
Misalkan Z adalah suatu variabel acak yang berdistribusi normal standar
N(0, 1), dengan fungsi kepadatan
2 /21( ) ,
2
zz e z
, (3.1)
dan fungsi distribusi
( ) ( )z
z u du
, (3.2)
serta berlaku
( ) ( )z z , (3.3)
( ) ( ) 1z z . (3.4)
Bentuk perkalian dari fungsi (3.1) dan (3.2) menghasilkan suatu fungsi
dari variabel acak yang memiliki distribusi probabilitas yang baru. Lebih jelasnya,
misalkan terdapat suatu variabel acak X, di mana untuk setiap bilangan rill α,
fungsi
fα(x) = 2(x)Φ(αx), – < x < (3.5)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
74
Universitas Indonesia
merupakan suatu fungsi dari variabel acak X. (x) adalah f.k.p dari variabel acak
yang berdistribusi N(0, 1). Φ(αx) adalah fungsi distribusi dari variabel acak yang
berdistribusi N(0 ,1), yaitu
( ) Pr ( )x
x Z x u du
. (3.6)
Selanjutnya, melalui syarat-syarat f.k.p, akan dibuktikan bahwa fungsi
(3.5) merupakan f.k.p dari variabel acak X.
Bukti:
Misalkan terdapat suatu variabel acak X dan fα(x) = 2(x)Φ(αx) adalah fungsi dari
variabel acak X yang memiliki ruang nilai {x | – < x < }, dan dinotasikan
dengan A.
(i) Akan dibuktikan bahwa fα(x) ≥ 0 x A = {x | – < x < } di mana
fα(x) = 2(x)Φ(αx),
Bukti:
Sesuai persamaan (3.1), (x) merupakan f.k.p dari variabel acak yang
berdistribusi N(0, 1), maka sesuai dengan syarat suatu f.k.p, (x) ≥ 0
x (– ∞, ∞).
Sesuai persamaan (3.2), Φ(αx) adalah fungsi distribusi dari variabel acak
X. Sesuai dengan sifat dari fungsi distribusi, pada bagian 2.5, maka
0 ≤ Φ(αx) ≤ 1.
Berarti Φ(αx) merupakan fungsi bernilai nonnegatif.
Maka, perkalian dari fungsi nonnegatif dengan fungsi nonnegatif akan
bernilai nonnegatif.
Jadi, terbukti fα(x) = 2(x)Φ(αx) ≥ 0 x A = {x | – < x < }
(ii) Akan dibuktikan bahwa 1f x dx
Bukti:
( ) 2 ( ) ( )f x dx x x dx
0
02 ( ) ( ) 2 ( ) ( )x x dx x x dx
(3.7)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
75
Universitas Indonesia
Perhatikan integral di bagian kiri dari (3.7), yaitu 0
2 ( ) ( )x x dx
.
Misalkan:
x = – p. dx = – dp.
Batas integrasinya:
Jika x = – ∞, maka p = ∞; jika x = 0, maka p = 0.
Jadi, diperoleh
0 0
2 ( ) ( ) 2 ( ) [ ( )]x x dx p p dx
0
2 ( ) [ ( )]( )p p dp
0
2 ( ) [ ( )]p p dp
0
2 ( ) [ ( )]p p dp
0
2 ( ) ( )p p dp
0
2 ( ) 1 ( )p p dp
0
2 ( ) 1 ( )x x dx
(3.8)
Substitusikan (3.8) ke (3.7), diperoleh
0
0( ) 2 ( ) ( ) 2 ( ) ( )f x dx x x dx x x dx
0
2 ( ) 1 ( ) 2 ( ) ( )x x x x dx
0
2 ( ) 1 ( ) ( )x x x dx
0
2 ( ) 1x dx
0
2 ( )x dx
0
2 ( )x dx
1
22
1 .
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
76
Universitas Indonesia
Jadi, terbukti bahwa ( ) 1f x dx
.
Karena terbukti bahwa fungsi (3.5) memenuhi syarat-syarat f.k.p, berarti
fungsi (3.5) merupakan suatu f.k.p. Jadi, fungsi (3.5) merupakan f.k.p dari
variabel acak X dengan ruang nilai A = {x | – < x < }.
Pembuktian bahwa fungsi (3.5) adalah suatu f.k.p, dapat diperkuat dengan
menggunakan suatu lemma.
Lemma 3.1.
Jika f0 adalah fungsi kepadatan probabilitas satu dimensi yang simetris terhadap 0,
dan G adalah fungsi distribusi satu dimensi sedemikian sehingga G' ada dan
merupakan fungsi kepadatan yang simetris terhadap 0, maka
f(z) = 2f0(z)G{w(z)} (– < z < ) (3.9)
adalah fungsi kepadatan, dengan w(z) adalah sebarang fungsi ganjil.
Sebelum digunakan untuk memperkuat pembuktian bahwa fungsi (3.5)
adalah suatu f.k.p, berikut ini akan diuraikan pembuktian dari Lemma 3.1.
Bukti:
Misalkan Y dan X adalah variabel-variabel acak yang saling bebas.
f0(y) adalah f.k.p dari variabel acak Y, dan simetris terhadap 0.
G(x) adalah fungsi distribusi dari variabel acak X sedemikian sehingga G'(x) ada
dan merupakan f.k.p dari variabel acak X, dan simetris terhadap 0.
Perhatikan bentuk fungsi f(z) = 2f0(z)G{w(z)} yang memiliki ruang nilai
A = {z | – < z < }, di mana w(z) adalah sebarang fungsi ganjil.
f0(z) adalah f.k.p dari variabel acak Y dengan y = z.
G{w(z)} adalah fungsi distribusi dari variabel acak X, di mana x = w(z).
Akan dibuktikan bahwa fungsi f(z) = 2f0(z)G{w(z)} merupakan suatu f.k.p.
(i) Akan dibuktikan bahwa fungsi f(z) = 2f0(z)G{w(z)} ≥ 0 untuk – < z < .
Bukti:
f0(z) adalah f.k.p dari variabel acak Y, di mana y = z.
Maka, f0(z) ≥ 0 untuk – < z < , yaitu f0(z) fungsi yang nonnegatif.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
77
Universitas Indonesia
G{w(z)} adalah fungsi distribusi dari variabel acak X, di mana x = w(z).
Berdasarkan sifat fungsi distribusi yang dibahas pada bagian 2.5, maka
0 ≤ G{w(z)} ≤ 1. Berarti G{w(z)} adalah fungsi yang nonnegatif.
Karena f0(z) dan G{w(z)} adalah fungsi-fungsi yang nonnegatif, maka
perkalian kedua fungsi tersebut juga nonnegatif.
Jadi, terbukti bahwa 2f0(z)G{w(z)} ≥ 0 untuk – < z < .
(ii) Akan dibuktikan bahwa ( ) 1f z dz
.
Bukti:
f(z) = 2f0(z)G{w(z)}
0( ) 2 ( ) ( )f z dz f z G w z dz
0
0 00
2 ( ) ( ) 2 ( ) ( )f z G w z dz f z G w z dz
. (3.10)
Perhatikan integral di bagian kiri, yaitu 0
02 ( ) { ( )}f z G w z dz .
Misalkan:
z = – p; z = – dp.
Batas integrasinya:
Jika z = – ∞, maka p = ∞; jika z = 0, maka p = 0.
Jadi, diperoleh
0 0
0 02 ( ) ( ) 2 ( ) ( ) ( )f z G w z dz f p G w p dp
00
2 ( ) ( ) ( )f p G w p dp
00
2 ( ) ( )f p G w p dp
00
2 ( ) ( )f p G w p dp
00
2 ( ) ( )f p G w p dp
00
2 ( ) 1 ( )f p G w p dp
00
2 ( ) 1 ( )f z G w z dz
. (3.11)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
78
Universitas Indonesia
Kemudian, substitusikan (3.11) ke (3.10), diperoleh
0
0 00
( ) 2 ( ) ( ) 2 ( ) ( )f z dz f z G w z dz f z G w z dz
0 00 0
2 ( ) 1 ( ) 2 ( ) ( )f z G w z dz f z G w z dz
0 00
2 ( ) 1 ( ) 2 ( ) ( )f z G w z f z G w z dz
00
2 ( ) 1 ( ) ( )f z G w z G w z dz
00
2 ( ) 1f z dz
00
2 ( )f z dz
00
2 ( )f z dz
1
22
1 . (3.12)
Jadi, terbukti bahwa ( ) 1f z dz
.
Selanjutnya akan dibahas pembuktian bahwa fungsi (3.5) merupakan f.k.p
dengan menggunakan Lemma 3.1.
Bukti:
Perhatikan fungsi fα(x) = 2(x)Φ(αx), – < x < .
(x) merupakan f.k.p dari variabel acak yang berdistribusi normal standar, yang
simetris terhadap 0.
Φ(x) merupakan fungsi distribusi dari variabel acak yang berdistribusi normal
standar.
Sesuai pada bagian 2.5, Φ'(x) = (x).
Selanjutnya akan dibuktikan terlebih dahulu bahwa αx merupakan fungsi ganjil.
Misalkan w(x) = αx, α .
w(– x) = α(– x)
= – αx
= – w(x). (3.13)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
79
Universitas Indonesia
Karena w(– x) = – w(x), maka terbukti αx merupakan fungsi ganjil.
Jadi, dengan menggunakan Lemma 3.1, diperfoleh bahwa fungsi
fα(x) = 2(x)Φ(αx), – < x <
merupakan suatu f.k.p, dalam hal ini merupakan f.k.p dari variabel acak X.
Misalkan ruang nilai dari X adalah A = {x | – < x < }. Jadi, fungsi
fα(x) = 2(x)Φ(αx) adalah f.k.p dari variabel acak X dengan ruang nilai A.
Dari hasil bahwa fungsi fα(x) = 2(x)Φ(αx) adalah suatu f.k.p dari variabel
acak X dengan ruang nilai A = {x | – < x < }, diperoleh definisi:
Definisi 3.1.
Jika suatu variabel acak X mempunyai fungsi kepadatan
fα(x) = 2(x)Φ(αx) (– < x < )
di mana dan Φ secara berurutan adalah f.k.p dan fungsi distribusi normal standar
N(0, 1), maka X adalah variabel acak berdistribusi skew-normal dengan parameter
α; atau dikatakan juga X adalah SN(α), atau dapat dinyatakan sebagai X ~ SN(α).
3.2 Fungsi Distribusi
Misalkan X ~ SN(α) dengan f.k.p fα(x), maka fungsi distribusi dari variabel
acak X dinotasikan dengan Fα(x). f.k.p dari variabel acak X adalah
fα(x) = 2(x)Φ(αx), – < x < . Untuk memperoleh fungsi distribusi dari variabel
acak yang berdistribusi skew-normal, diperlukan suatu fungsi yang disebut fungsi
T-Owen. Sesuai pada bagian 2.12, dari persamaan (2.39) fungsi T-Owen adalah
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
, h > – ∞, α < + ∞.
Fungsi distribusi dari variabel acak X adalah
( ) Pr( )F x X x
2 ( ) ( )x
u u du
(3.14)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
80
Universitas Indonesia
( ) 2 ( ) ( )x u
F x u p dpdu
0
02 ( ) ( ) ( )
x u
u p dp p dp du
0
12 ( ) ( )
2
x u
u p dp du
( adalah f.k.p
normal standar)
0
( ) 2 ( ) ( )x x u
u du u p dpdu
0
( ) 2 ( ) ( )x u
x u p dpdu
. (3.15)
Perhatikan integral di bagian kanan, yaitu 0
2 ( ) ( )x u
u p dpdu
.
Misalkan:
p = βu; dp = u dβ.
Batas integrasinya:
Jika p = 0, maka β = 0; jika p = αu, maka β = α.
Jadi, diperoleh
0 02 ( ) ( ) 2 ( ) ( )
x u x
u p dpdu u u ud du
02 ( ) ( )
x
u u ud du
02 ( ) ( )
x
u u udud
02 ( ) ( )
x
u u u dud
2 2( )
2 2
0
1 12
2 2
u ux
u e e dud
2 2 2
2 2
0
1 12
2 2
u ux
u e e dud
2 2 2
2 2
0
1 12
2 2
u ux
ue e dud
2 2 2
2 2
0
2
2
u ux
ue e dud
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
81
Universitas Indonesia
2 2 2
2 2
0 0
22 ( ) ( )
2
u ux u x
u p dpdu ue dud
2 2 2
2
0
2
2
u ux
ue dud
2 21
2
0
2
2
ux
ue dud
. (3.16)
Misalkan:
t = u2(1 + β
2), 2
21
tu
,
21
tu
.
2 2 2
22 1 2 1 2 1
1
tdt u du du t du
.
Batas integrasinya:
Jika u = – ∞, maka t = ∞; jika u = x, maka t = x2(1 + β
2).
Jadi, diperoleh
2 21
2
0 0
22 ( ) ( )
2
ux u x
u p dpdu ue dud
2 212
2 20
2
2 1 2 1
tx t dt
e dt
2 212
20
2
2 2 1
tx dt
e d
2 212
20
2 1
2 2 1
tx
e dtd
2 212
20
2 1lim
2 2 1
tx
bbe dtd
2 21
220
2 1lim
2 1
xt
bb
e d
2 21
2 220
2 1lim
2 1
x b
be e d
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
82
Universitas Indonesia
2 21
220 0
2 12 ( ) ( )
2 1
xx u
u p dpdu e d
2 21
220
1 12
2 1
x
e d
2 ( , )T x . (3.17)
Substitusikan (3.17) ke (3.15), maka diperoleh fungsi distribusi dari variabel acak
X, yaitu
( ) ( ) 2 ( , )F x x T x . (3.18)
3.3 Fungsi Pembangkit Momen
Misalkan X ~ SN(α). Untuk mencari f.p.m dari variabel acak X, akan
digunakan suatu lemma, yaitu:
Lemma 3.2.
Jika U adalah variabel acak yang berdistribusi normal standar N(0, 1), maka
21
kE hU k
h
. (3.19)
untuk sebarang ,h k .
Sebelum digunakan untuk mencari f.p.m dari variabel acak X, Lemma 3.2
akan dibuktikan terlebih dahulu.
Bukti Lemma 3.2.:
Misalkan U ~ N(0, 1).
( ) ( )hu k
hu k p dp
, untuk sebarang ,h k . (3.20)
[ ( )] ( ) ( )E hU k hu k u du
. (3.21)
Kemudian ekspektasi (3.21) diturunkan terhadap k.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
83
Universitas Indonesia
( ) ( )[ ( )]
hu k u duE hU k
k k
( ) ( )hu k u
duk
(Aturan Leibnitz)
( )
( )hu k
u duk
(3.22)
Perhatikan bagian ( )hu k
k
pada (3.22).
( )( )hu k
p dphu k
k k
(3.23)
Misalkan:
p = hu + s; dp = ds.
Batas integrasinya:
Jika p = – ∞, maka s = – ∞; jika p = hu + k, maka s = k.
Jadi, diperoleh
( )( )hu k
p dphu k
k k
( )
k
hu s ds
k
( )hu k . (3.24)
Substitusikan (3.24) ke (3.22), diperoleh
( )[ ( )]( )
hu kE hU ku du
k k
( ) ( )hu k u du
2 21 ( ) 1exp exp
2 22 2
hu k udu
2 21 ( )exp exp
2 2 2
hu k udu
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
84
Universitas Indonesia
2 2[ ( )] 1 ( )exp
2 2 2
E hU k hu k ue du
k
2 21 ( )exp
2 2 2
hu k udu
2 21 1exp ( )
2 2hu k u du
2 2 2 21 1
exp 22 2
h u hku k u du
2 2 2 21 1
exp 22 2
u h u hku k du
2 2 21 1
exp 1 22 2
u h hku k du
2
2 2 2
2
1 1 1exp 1 2
2 2 1
hu h hku k du
h
2 2 2
2 2
2
1 1exp 1 2
2 2 1
k h ku h hku du
h
2 21 1exp 1 2
2 2u h hku
2 2 2
2 21 1
h k kdu
h h
2 2
2
1 1 2exp 1
2 2 1
hkuh u
h
2 2 2
2 22 11
h k kdu
hh
2 2
2
1 1 2exp 1
2 2 1
hkuh u
h
2 2 2
2 22 2 11
h k kdu
hh
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
85
Universitas Indonesia
2 22 2
222
[ ( )] 1 1 2exp 1
2 2 1 1
E hU k hku h kh u
k h h
2
2exp
2 1
kdu
h
2
2
2
1 1exp 1
2 2 1
hkh u
h
2
2exp
2 1
kdu
h
.
2
2
2
1 1exp exp 1
2 22 1
kh
h
2
21
hku du
h
. (3.25)
Misalkan:
2
21
1
hkt h u
h
;
21dt h du atau 21
dtdu
h
.
Batas integrasinya:
Jika u = – ∞, maka t = – ∞; jika u = ∞, maka t = ∞.
Jadi, diperoleh
22
2
[ ( )] 1 1exp exp 1
2 22 1
E hU k kh
k h
2
21
hku du
h
22
2 2
1 1exp exp
2 22 1 1
k dtt
h h
22
22
1 1 1exp exp
2 22 11
kt dt
hh
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
86
Universitas Indonesia
2
22
[ ( )] 1 1 1exp
2 2 2 11
E hU k k
k hh
21exp
2t dt
22
22
1 1 1 1exp exp
22 22 11
kt dt
hh
2
22
1 1exp 1
2 2 11
k
hh
2
22
1 1exp
2 2 11
k
hh
2
22
1 1exp
2 2 11
k
hh
2 2
[ ( )] 1
1 1
E hU k k
k h h
. (3.26)
2 2
[ ( )] 1
1 1
k kE hU p pdp dp
p h h
. (3.27)
Misalkan:
21
pu
h
;
21
dpdu
h
.
Batas integrasinya:
Jika p = – ∞, maka u = – ∞; jika p = k, maka 21
ku
h
.
Jadi, diperoleh
2 2
1[ ( )]
1 1
k pE hU k dp
h h
2 21
2
11
1
k
h u h duh
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
87
Universitas Indonesia
21[ ( )] ( )k
hE hU k u du
21
k
h
. (3.28)
Jadi, terbukti bahwa 21
kE hU k
h
untuk sebarang ,h k .
Kemudian akan dicari f.p.m dari variabel acak X dengan menggunakan
Lemma 3.2.
( ) tX
XM t E e
( )txe f x dx
2 ( ) ( )txe x x dx
2 ( ) ( )txe x x dx
2
21
2 ( )2
x
txe e x dx
2
21
2 ( )2
x
txe e x dx
2
21
2 ( )2
xtx
e x dx
2 2
21
2 ( )2
x tx
e x dx
2 2 22
21
2 ( )2
x tx t t
e x dx
2 2( )
21
2 ( )2
x t t
e x dx
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
88
Universitas Indonesia
2 2( )
2 21
( ) 2 ( )2
x t t
XM t e e x dx
2 2( )
2 21
2 ( )2
t x t
e e x dx
. (3.29)
Misalkan:
u = x – t; du = dx.
Batas integrasinya:
Jika x = – ∞, maka u = – ∞; jika x = ∞, maka u = ∞.
Jadi, diperoleh
2 2( )
2 21
( ) 2 ( )2
t x t
XM t e e x dx
2 2
2 21
2 [ ( )]2
t u
e e u t du
. (3.30)
Bentuk fungsi
2
21
2
u
e
merupakan f.k.p dari variabel acak U yang berdistribusi
N(0, 1). Misalkan
2
21
( )2
u
u e
. Maka, diperoleh
2
2( ) 2 ( ) [ ( )]t
XM t e u u t du
2
22 { [ ( )]}t
e E U t
2
22 [ ( )]t
e E U t . (3.31)
Dengan menggunakan lemma 3.2, dengan h = α, k = αt, diperoleh
2
2( ) 2 { ( )}t
XM t e E U t
2
2
22
1
tt
e
. (3.32)
Didefinisikan δ di mana:
21
,
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
89
Universitas Indonesia
dengan , sehingga
2( 1,1)
1
. (3.33)
Maka f.p.m dari X adalah
2
2( ) 2 ( )t
XM t e t . (3.34)
3.4 Sifat-sifat dari Variabel Acak yang Berdistribusi Skew-Normal
Pada bagian 3.4 ini akan diuraikan sifat-sifat dari variabel acak yang
berdistribusi skew-normal, serta pembuktian dari sifat-sifatnya. Misalkan
X ~ SN(α), maka variabel acak X memiliki sifat-sifat:
1. Jika α = 0, maka X = Z, dan jika α → ± , maka X = ±|Z|, di mana Z ~ N(0, 1).
Bukti:
Misalkan X ~ SN(α) dan Z ~ N(0, 1).
Maka, f.k.p dari Z adalah 21
( ) ,22
zz e z
, dan f.k.p dari X
adalah fα(x) = 2(x)Φ(αx), – ∞ < x < ∞.
Pembuktian sifat ini akan terbagi menjadi tiga kasus, yaitu:
(i) Kasus pertama, untuk α = 0.
(ii) Kasus kedua, untuk α → + .
(iii) Kasus ketiga, untuk α → –
Kasus pertama, misalkan α = 0, berarti
0( ) 2 ( ) (0 )f x x x
2 ( ) (0)x
0
2 ( ) ( )x u du
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
90
Universitas Indonesia
0
1( ) 2 ( )
2f x x
( )x .
Karena f0(x) = (x), dan (x) adalah f.k.p dari variabel acak Z yang
berdistribusi normal standar, maka berarti terbukti X = Z untuk α = 0.
Kasus kedua, misalkan α → + .
Perhatikan untuk dua kasus lebih lanjut, yaitu kasus – < x 0 dan
0 < x < .
Untuk kasus – < x 0,
lim ( ) lim 2 ( ) ( )f x x x
2 2
2 21 1
lim 22 2
x ux
e e du
2 2
2 22 1
2 2
x u
e e du
2
22
02
x
e
0 .
Untuk kasus 0 < x < ,
lim ( ) lim 2 ( ) ( )f x x x
2 2
2 21 1
lim 22 2
x ux
e e du
2 2
2 22 1
2 2
x u
e e du
2
22
12
x
e
2
22
2
x
e
.
Jadi, untuk α → + ,
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
91
Universitas Indonesia
2
22
( ) , 02
0 , 0
x
f x e x
x
(3.35)
Karena fα(x) pada (3.35) merupakan f.k.p dari variabel acak |Z|, maka terbukti
bahwa untuk α → + , X = |Z| di mana Z ~ N(0, 1).
Kasus ketiga, misalkan α → – .
Perhatikan untuk dua kasus lebih lanjut, yaitu kasus – < x < 0 dan
0 x < .
Untuk kasus – < x < 0,
lim ( ) lim 2 ( ) ( )f x x x
2 2
2 21 1
lim 22 2
x ux
e e du
2 2
2 22 1
2 2
x u
e e du
2
22
12
x
e
2
22
2
x
e
.
Untuk kasus 0 x < ,
lim ( ) lim 2 ( ) ( )f x x x
2 2
2 21 1
lim 22 2
x ux
e e du
2 2
2 22 1
2 2
x u
e e du
2
22
02
x
e
0 .
Jadi, untuk α → – ,
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
92
Universitas Indonesia
2
22
( ) , 02
0 , 0.
x
f x e x
x
(3.36)
Karena fα(x) pada (3.36) merupakan f.k.p dari variabel acak – |Z|, maka
terbukti bahwa untuk α → – , X = – |Z| di mana Z ~ N(0, 1).
Jadi, dari pembuktian ketiga kasus yang ada, terbukti bahwa jika α = 0,
maka X = Z, dan jika α → ± , maka X = ±|Z|, di mana Z ~ N(0, 1).
2. Jika X ~ SN(α), maka – X ~ SN(– α).
Bukti:
Misalkan X ~ SN(α), berarti fα(x) = 2(x)Φ(αx), – ∞ < x < ∞.
Misalkan Y = – X.
A = {x | – < x < }
Dengan transformasi y = – x diperoleh
B = {y | – < y < }
Karena A = {x | – < x < } dan B = {y | – < y < }, maka, y = – x adalah
transformasi satu-satu.
Inversnya adalah:
x = – y; dx = – dy.
Jacobian-nya:
| J | = 1.
Maka dapat diperoleh
g(y) = fα(– y)| J |
= 2(– y)Φ{α(– y)}.1
= 2(– y)Φ{α(– y)}
= 2(y)Φ{α(– y)}
= 2(y)Φ{(– α)y)}. (3.37)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
93
Universitas Indonesia
Persamaan (3.37) merupakan bentuk f.k.p dari variabel acak yang
berdisitribusi skew-normal univariat dengan parameter kemencengan – α. Jadi,
Y ~ SN(– α). Karena Y = – X, maka terbukti bahwa – X ~ SN(– α).
3. Jika X ~ SN(α), maka |X| dan |Z| berdistribusi identik.
Bukti:
Karena Z ~ N(0, 1), maka berdasarkan pada bagian 2.14, |Z| adalah variabel
acak yang berdistribusi half-normal, dengan ζ2 = 1.
Misalkan W = |Z|.
Maka, variabel acak W = |Z| yang berdistribusi half-normal memiliki f.k.p:
2
22
( ) , 02
0 , lainnya.
w
h w e w
(3.38)
Kemudian akan dicari distribusi dari |X|.
Misalkan X ~ SN(α).
Berarti fα(x) = 2(x)Φ(αx), – ∞ < x < ∞.
Misalkan Y = |X|.
A = {x | – < x < }.
Dengan transformasi y = |x| diperoleh
B = {y | 0 ≤ y < }.
Karena A = {x | – < x < } dan B = {y | 0 ≤ y < }, maka, y = |x| bukan
transformasi satu-satu.
Ambil A1 dan A2 di mana A1, A2 A, A1 A2 = A, dan A1 A2 = .
A1 = {x | – < x < 0}.
A2 = {x | 0 ≤ x < }.
Pemetaannya dengan transformasi y = |x| adalah:
A1 = {x | – < x < 0} → {y | 0 < y < }.
A2 = {x | 0 ≤ x < } → {y | 0 ≤ y < }.
Hasil pemetaan yang diperoleh berbeda, letak perbedaannya yaitu pada y = 0.
Maka dari itu, ruang nilai akan didefinisikan kembali untuk mengatasi
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
94
Universitas Indonesia
permasalahan ini.
Didefinisikan kembali untuk x = 0, y = 0.
Jadi, ruang nilai-ruang nilai yang baru adalah:
A = {x | – < x < , x 0}.
B = {y | 0 < y < }.
Inversnya adalah:
x = – y ; x = y,
dx = – dy ; dx = dy,
Jacobian-nya:
J1 = – 1 ; J2 = 1,
| J1 | = 1 ; | J2 | = 1.
Misalkan B B.
A3 = {x | x = – y, y B} A1.
A4 = {x | x = y, y B} A2.
Kemudian diperoleh
3 4Pr( ) Pr( ) Pr( )Y B X A X A
3 4
( ) ( )A A
f x dx f x dx
1 2( ) | | ( ) | |B B
f y J dy f y J dy
( ) 1 ( ) 1B B
f y dy f y dy
( ) ( )B B
f y dy f y dy
2 ( ) { ( )} 2 ( ) ( )B B
y y dy y y dy
2 ( ) ( ) 2 ( ) ( )B B
y y dy y y dy
2 ( ) ( ) 2 ( ) ( )B B
y y dy y y dy
2 ( ) 1 ( ) 2 ( ) ( )B B
y y dy y y dy
2 ( ) 1 ( ) ( )B
y y y dy
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
95
Universitas Indonesia
Pr( ) 2 ( ) 1B
Y B y dy
2 ( )B
y dy
2
21
22
y
B
e dy
2
22
2
y
B
e dy
. (3.39)
Jadi, f.k.p dari variabel acak Y adalah:
2
22
( ) , 02
0 , lainnya.
y
g y e y
(3.40)
Karena, f.k.p dari variabel acak Y = |X| dan f.k.p dari variabel acak W = |Z|
sama, maka terbukti bahwa |X| dan |Z| memiliki distribusi identik, yaitu
distribusi half-normal, dengan ζ = 1.
4. 1 – Fα(– x) = F– α(x).
Bukti:
Misalkan X ~ SN(α).
Fungsi kepadatan dari variabel acak X adalah fα(x) = 2(x)Φ(αx), untuk ruang
nilai A = {x | – < x < }.
( ) 2 ( ) ( ) 2 ( ) ( )x x
F x u u du u u du
.
( ) 2 ( ) ( )x
F x u u du
. (3.41)
1 ( ) 1 2 ( ) ( )x
F x u u du
2 ( ) ( ) 2 ( ) ( )x
u u du u u du
2 ( ) ( )x
u u du
. (3.42)
Dengan menggunakan metode substitusi:
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
96
Universitas Indonesia
Misalkan:
u = – p ; du = – dp.
Batas integrasinya:
Jika u = – x, maka p = x; jika u = ∞, maka p = – ∞.
Jadi, diperoleh
1 ( ) 2 ( ) { ( )}( )x
F x p p dp
2 ( ) { ( )}( )x
p p dp
2 ( ) { ( )}x
p p dp
2 ( ) { ( )}x
p p dp
2 ( ) {( ) }x
p p dp
( )F x . (3.43)
Jadi terbukti bahwa 1 – Fα(– x) = F– α(x).
5. F1(x) = {Φ(x)}2.
Bukti:
Misalkan X ~ SN(α).
Fungsi distribusi dari variabel acak X sesuai (3.18) adalah
Fα(x) = Φ(x) – 2T(x, α).
Fungsi T-Owen mempunyai sifat (2.42):
2T(h, 1) = Φ(h)Φ(– h), h > 0.
Dari (3.18) dan dengan menggunakan sifat fungsi T-Owen, maka dapat
diperoleh:
F1(x) = Φ(x) – 2T(x, 1)
= Φ(x) – Φ(x)Φ(– x)
= Φ(x) – Φ(x)[1 – Φ(x)]
= Φ(x) – Φ(x) + {Φ(x)}2
= {Φ(x)}2.
(3.44)
Jadi, terbukti bahwa F1(x) = {Φ(x)}2.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
97
Universitas Indonesia
6. Jika X ~ SN(α), maka 2 2
1~X , yaitu suatu variabel acak berdistribusi chi-
square dengan derajat bebas = 1.
Bukti:
Misalkan X ~ SN(α).
Fungsi kepadatan dari variabel acak X adalah fα(x) = 2(x)Φ(αx), – < x < .
Misalkan Y = X2.
A = {x | – < x < }.
Dengan transformasi y = x2 diperoleh
B = {y | 0 ≤ y < }.
Karena A = {x | – < x < } dan B = {y | 0 ≤ y < }, maka, y = x2 bukan
transformasi satu-satu.
Ambil A1 dan A2 di mana A1, A2 A, A1 A2 = A, dan A1 A2 = .
A1 = {x | – < x < 0}.
A2 = {x | 0 ≤ x < }.
Pemetaannya dengan transformasi y = |x| adalah:
A1 = {x | – < x < 0} → {y | 0 < y < }.
A2 = {x | 0 ≤ x < } → {y | 0 ≤ y < }.
Hasil pemetaan yang diperoleh berbeda, letak perbedaannya yaitu pada y = 0.
Maka dari itu, ruang nilai akan didefinisikan kembali untuk mengatasi
permasalahan ini.
Didefinisikan kembali untuk x = 0, y = 0.
Jadi, ruang nilai-ruang nilai yang baru adalah:
A = {x | – < x < , x 0}.
B = {y | 0 < y < }.
Inversnya adalah:
x y ; x y ,
1
2dx dy
y
; 1
2dx dy
y ,
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
98
Universitas Indonesia
Jacobian-nya:
1
1
2J
y ; 2
1
2J
y ,
1
1| |
2J
y ; 2
1| |
2J
y .
Misalkan B B.
3 1{ | , }A x x y y B A .
4 2{ | , }A x x y y B A .
Kemudian diperoleh
3 4Pr( ) Pr( ) Pr( )Y B X A X A
3 4
( ) ( )A A
f x dx f x dx
1 2| | | |B B
f y J dy f y J dy
1 1
2 2B B
f y dy f y dyy y
12
2B
y y dyy
12
2B
y y dyy
1 1
B B
y y dy y y dyy y
1
B
y y y dyy
11
B
y dyy
1
B
y dyy
21 1
2
y
B
e dyy
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
99
Universitas Indonesia
1
2 21
Pr( )2
y
B
Y B y e dy
1
2 21
2
y
B
y e dy
. (3.45)
Jadi, f.k.p dari variabel acak Y adalah:
1
2 21
( ) , 02
0 , lainnya.
y
g y y e y
(3.46)
Bentuk fungsi 1
2 21
( )2
y
g y y e
merupakan f.k.p dari variabel acak yang
berdistribusi Gamma dengan α = ½ dan β = 2, atau Y ~ Γ(½, 2), atau berarti
2
1~Y .
Karena Y = X2, berarti terbukti bahwa X ~ SN(α), maka 2 2
1~X .
7. Sebuah variabel acak X mempunyai f.k.p fα(x) = 2(x)Φ(αx), – < x < , jika
dan hanya jika X mempunyai representasi
2
1 21X Z Z , (3.47)
di mana Z1, Z2 adalah variabel-variabel acak N(0, 1) yang saling bebas, dan
2( 1,1)
1
. (3.48)
Bukti:
Misalkan Z1, Z2 adalah variabel-variabel acak N(0, 1) yang saling bebas.
Dari bagian 2.17, telah dibuktikan bahwa |Z1| dan Z2 saling bebas.
Selanjutnya akan dibuktikan bahwa sifat ke-7 dari distribusi skew-normal ini
berlaku.
Bukti akan dibagi ke dalam dua bagian, bukti () dan bukti ().
() Akan dibuktikan bahwa: jika variabel acak X mempunyai representasi
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
100
Universitas Indonesia
2
1 21X Z Z , di mana Z1, Z2 adalah variabel-variabel acak N(0, 1)
yang saling bebas, dan 2
( 1,1)1
, maka X mempunyai f.k.p
fα(x) = 2(x)Φ(αx), – < x < .
Bukti:
Misalkan variabel acak X mempunyai representasi 2
1 21X Z Z , di
mana Z1, Z2 adalah variabel-variabel acak N(0, 1) yang saling bebas, dan
2( 1,1)
1
.
Dari (2.58), diperoleh f.p.m dari |Z1|, yaitu
1
2
| |( ) 2exp ( )2
Z
tM t t
,
dan dari (2.36), diperoleh f.p.m dari Z2, yaitu
2
2
( ) exp2
Z
tM t
.
Dengan menggunakan teknik f.p.m, dapat diperoleh:
( ) tX
XM t E e
2
1 2exp 1E t Z Z
2
1 2exp 1E t Z t Z
2
1 2exp exp 1E t Z t Z
2
1 2exp exp 1E t Z E t Z
2
22 1( )
2exp ( ) exp2 2
ttt
2 22 2 1
2exp ( ) exp2 2
ttt
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
101
Universitas Indonesia
2 22 2 1( ) 2exp exp ( )
2 2X
ttM t t
2 22 2 1
2exp ( )2 2
ttt
2 2 2 21
2exp ( )2
t tt
2 2 21
2exp ( )2
tt
2 1
2exp ( )2
tt
2
2exp ( )2
tt
. (3.49)
Karena sifat f.p.m yang unik untuk suatu distribusi probabilitas tertentu, sesuai
dengan hasil di atas, maka diperoleh bahwa X merupakan variabel acak yang
berdistribusi skew-normal dengan faktor kemencengan α.
Karena X ~ SN(α), berarti f.k.p dari X adalah fungsi fα(x) = 2(x)Φ(αx),
– < x < , maka terbukti bahwa jika variabel acak X mempunyai
representasi 2
1 21X Z Z , di mana Z1, Z2 adalah variabel-variabel
acak N(0, 1) yang saling bebas, dan 2
( 1,1)1
, maka X mempunyai
f.k.p fα(x) = 2(x)Φ(αx), – < x < .
() Akan dibuktikan bahwa: jika variabel acak X mempunyai f.k.p (3.5),
maka X mempunyai representasi 2
1 21X Z Z , di mana Z1, Z2 adalah
variabel-variabel acak N(0, 1) yang saling bebas, dan
2( 1,1)
1
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
102
Universitas Indonesia
Bukti:
Misalkan variabel acak X mempunyai f.k.p fα(x) = 2(x)Φ(αx), untuk ruang
nilai A = {x |– < x < }.
Dengan membalik cara kerja bukti ():
( ) tX
XM t E e
2
2exp ( )2
tt
2 2 2( 1 )2exp ( )
2
tt
2 2 2 2(1 )
2exp ( )2
t tt
2 2 2 2(1 )
2exp ( )2 2
t tt
2 2 2 2(1 )
2exp exp ( )2 2
t tt
2 2 2 2(1 )
2exp ( )exp2 2
t tt
22
2 1( )2exp ( ) exp
2 2
ttt
22
2 1( )2exp ( ) exp
2 2
ttt
2
1 2exp exp 1E t Z E t Z
2
1 2exp exp 1E t Z t Z
2
1 2exp 1E t Z t Z
2
1 2exp 1E t Z Z
. (3.50)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
103
Universitas Indonesia
Karena sifat f.p.m yang unik untuk suatu distribusi yang spesifik, dan
2
1 2exp 1tXE e E t Z Z
, maka terbukti bahwa variabel acak X
mempunyai representasi 2
1 21X Z Z .
Jadi, terbukti bahwa suatu variabel acak X mempunyai f.k.p (3.5) jika dan
hanya jika X mempunyasi representasi (3.47), di mana Z1 dan Z2 merupakan
variabel-variabel acak yang berdistribusi N(0, 1) yang saling bebas, dan
2( 1,1)
1
.
8. Misalkan Z1, Z2 merupakan variabel acak yang berdistribusi normal standar
N(0, 1) dan saling bebas. Jika variabel acak X mempunyai representasi
X = a|Z1| + bZ2, maka
2 2 1/2 2 2 1/2 2 2 1/2
1 22
( ) ( ) | | ( ) ~1
a b X a b a Z a b bZ SN
, (3.51)
di mana 2 2 1/2( )a b a adalah koefisien dari |Z1|.
Bukti:
Misalkan Z1, Z2 merupakan variabel acak yang berdistribusi N(0, 1) yang
saling bebas, dan misalkan X mempunyai representasi X = a|Z1| + bZ2.
Jadi diperoleh:
2 2 1/2 2 2 1/2 2 2 1/2
1 2( ) ( ) | | ( )a b X a b a Z a b bZ .
Misalkan 2 2 1/2
1 1( ) | |W a b a Z dan 2 2 1/2
2 2( )W a b bZ .
Berdasarkan (2.36) dan (2.58), diperoleh:
1
1
2| |
| |( ) 2exp ( )2
t Z
Z
tM t E e t
.
2
2
2
( ) 2exp2
tZ
Z
tM t E e
.
Dengan teknik f.p.m dapat dicari f.p.m marjinal dari W1 dan W2, yaitu
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
104
Universitas Indonesia
1
1( ) tW
WM t E e
2 2 1/2
1( ) | |t a b a ZE e
21/2
2 2
2 2 1/22exp ( )2
t a b a
a b at
12 2 2 2
2 2 1/22exp ( )2
t a b aa b at
2 2
2 2 2 22exp
2
a t at
a b a b
. (3.52)
2
2( ) tW
WM t E e
1/22 2
2t a b bZE e
21/2
2 2
exp2
a b bt
12 2 2 2
exp2
a b b t
2 2
2 2exp
2
b t
a b
. (3.53)
Misalkan 1 2Y W W . Maka, dengan menggunakan teknik f.p.m dapat
diperoleh
( ) tY
YM t E e
1 2( )t W WE e
1 2tW tWE e
1 2tW tWE e e
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
105
Universitas Indonesia
1 2( ) tW tW
YM t E e E e
2 2 2 2
2 2 2 22 22exp exp
2 2
a t at b t
a b a ba b
2 2 2 2
2 2 2 2 2 22exp exp
2 2
a t b t at
a b a b a b
2 2 2 2
2 2 2 2 2 22exp
2 2
a t b t at
a b a b a b
2 2 2 2
2 2 2 22exp
2
a t b t at
a b a b
2 2 2
2 2 2 22exp
2
a b t at
a b a b
2
2 22exp
2
t at
a b
. (3.54)
Bentuk persamaan (3.54) merupakan bentuk f.p.m dari suatu variabel acak
yang berdistribusi skew-normal, dengan 2 2
a
a b
. Dari (3.33), diketahui
bahwa 2
( 1,1)1
. Maka diperoleh
21
.
Karena sifat f.p.m yang unik untuk suatu distribusi tertentu, maka variabel
acak Y berdistribusi skew-normal dengan parameter kemencengan
21
, dengan
2 2
a
a b
. Karena
1 2Y W W , dan
2 2 1/2
1 1( ) | |W a b a Z dan 2 2 1/2
2 2( )W a b bZ , jadi terbukti bahwa
2 2 1/2 2 2 1/2 2 2 1/2
1 2( ) ( ) | | ( )a b X a b a Z a b bZ ~21
SN
,
di mana 2 2 1/2( )a b a adalah koefisien dari |Z1|.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
106
Universitas Indonesia
9. Jika X ~ SN(α) dan Z ~ N(0, 1) saling bebas, maka
2 2 2 2 2~
(1 )
aZ bX bSN
a b a b
(3.55)
untuk sebarang ,a b .
Bukti:
Misalkan X ~ SN(α) dan Z ~ N(0, 1) saling bebas. Dari (3.34) dan (2.36):
2
( ) 2exp ( )2
tX
X
tM t E e t
.
2
( ) exp2
tZ
Z
tM t E e
.
Misalkan 2 2
aZW
a b
dan
2 2
bXY
a b
.
Dengan menggunakan teknik f.p.m, dapat dicari f.p.m-f.p.m dari variabel-
variabel acak W dan Y, yaitu:
( ) Wt
WM t E e
2 2
aZt
a bE e
2
2 2
exp2
at
a b
2 2
2 2
exp2
a t
a b
2 2
2 2exp
2
a t
a b
. (3.56)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
107
Universitas Indonesia
( ) tY
YM t E e
2 2
bXt
a bE e
2
2 2
2 22exp
2
bt
ba bt
a b
2 2
2 2
2 22exp
2
b t
bta b
a b
2 2
2 2 2 22exp
2
b t bt
a b a b
. (3.57)
Misalkan U = W + Y, dari f.p.m W dan Y, maka dapat diperoleh f.p.m dari U
dengan menggunakan teknik f.p.m, yaitu
( ) tU
UM t E e
( )t W YE e
tW tYE e
tW tYE e e
tW tYE e E e
2 2 2 2
2 2 2 2 2 2exp 2exp
2 2
a t b t bt
a b a b a b
2 2 2 2
2 2 2 2 2 2exp exp 2
2 2
a t b t bt
a b a b a b
2 2 2 2
2 2 2 2 2 2exp 2
2 2
a t b t bt
a b a b a b
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
108
Universitas Indonesia
2 2 2 2
2 2 2 2( ) exp 2
2U
a t b t btM t
a b a b
2 2 2
2 2 2 2exp 2
2
a b t bt
a b a b
2
2 2exp 2
2
t bt
a b
2
2 22exp
2
t bt
a b
2
2 22exp
2
t bt
a b
. (3.58)
Bentuk persamaan (3.58) merupakan bentuk f.p.m dari U adalah bentuk f.p.m
dari variabel acak yang berdistribusi skew-normal dengan faktor kemencengan
2
**
*1
dan dengan
*
2 2
b
a b
.
Dari (3.33), diketahui bahwa 2
( 1,1)1
, dan diperoleh bahwa
21
.
Karena 2
**
*1
dan
*
2 2
b
a b
, maka diperoleh
2
**
*1
2 2
2
2 21
b
a b
b
a b
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
109
Universitas Indonesia
2 2*
2 2
2 21
b
a b
b
a b
2 2
2 2 2 2
2 2
b
a b
a b b
a b
2 2
2 2 2 22 2
b a b
a b ba b
2 2 2 2
b
a b b
. (3.59)
Karena 21
, maka
*
2 2 2 2
b
a b b
2
2
2 2 2
2
1
1
b
a b b
2
22 2 2
2
1
1
b
a b b
2
2 22 2
2
1
1
b
ba b
2
2 2 2 2 2 2
2
1
1 1
1
b
a b b
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
110
Universitas Indonesia
2*
2 2 2 2 2 2 2
2
1
1
1
b
a b b b
2
2 2 2
2
1
1
1
b
a b
2
2 2 22
1
11
b
a b
2 2 21
b
a b
. (3.60)
Karen sifat f.p.m yang unik untuk suatu distribusi tertentu, maka variabel acak
2 2
aZ bXU
a b
berdistribusi skew-normal dengan faktor kemencengan
*
2 2 21
b
a b
.
Karena 2 2 2 2 2 2
aZ bX aZ bXU W Y W
a b a b a b
, maka terbukti
bahwa
2 2 2 2 21
aZ bX bSN
a b a b
.
10. Jika X ~ SN(α) dan Z ~ N(0, 1) saling bebas, maka
2~
2 2
X ZSN
. (3.61)
Bukti:
Misalkan X ~ SN(α) dan Z ~ N(0, 1) saling bebas.
2
X Z merupakan bentuk khusus dari
2 2
aZ bX
a b
, yaitu pada saat a = b = 1.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
111
Universitas Indonesia
Berdasarkan sifat 9,
2 2 2 2 21
aZ bX bSN
a b a b
, maka, jika a = b = 1
diperoleh
2 22 2 2 2
1
1 1 21 1 1 1
b
a b
. (3.62)
Jadi, terbukti bahwa 2
~2 2
X ZSN
.
11. Jika Xi ~ SN(αi) saling bebas dengan αi 0, i = 1, 2. Maka, secara umum,
X1 + X2 bukan variabel acak skew-normal.
Bukti:
Misalkan X1 ~ SN(α1) dan X2 ~ SN(α2) saling bebas dengan αi 0, i = 1, 2.
1 2
1 2( )
t X X
X XM t E e
1 2tX tXE e
1 2tX tXE e e
1 2tX tXE e E e
2 2
1 22exp ( ) 2exp ( )2 2
t tt t
2
1 24exp ( ) ( )t t t . (3.63)
Karena bentuk (3.63) berbeda dari f.p.m dari variabel acak skew-normal,
yaitu
2
2( ) 2 ( )t
XM t e t , maka X1 + X2 tidak berdistribusi skew-normal.
Jadi, terbukti bahwa jika Xi ~ SN(αi) saling bebas dengan αi 0, i = 1, 2,
maka secara umum, X1 + X2 bukan variabel acak skew-normal. Sifat 11 ini
menunjukkan bahwa distribusi skew-normal univariat ini tidak memiliki sifat
ketertutupan terhadap operasi penjumlahan.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
112
Universitas Indonesia
3.5 Mean dan Variansi
Misalkan X ~ SN(α). Untuk mencari mean dan variansi dari variabel acak
X, akan digunakan f.p.m (3.34), yaitu
2
( ) 2exp ( )2
tM t t
,
dengan 2
( 1,1)1
.
Dengan menggunakan (2.19) dan (2.20), mean dan variansi dari variabel acak X
adalah:
( ) (0)'
XE X M ,
2
2 2 2Var( ) ( ) (0) (0)'' ''
X XX E X E X M M .
Dari (3.34) diperoleh:
2 2
( ) 2exp ( ) 2exp ( )2 2
t
X
t tM t t u du
.
Mean dan variansi dari variabel acak X akan dicari dengan menggunakan f.p.m,
yaitu mencari turunan pertama dan kedua dari f.p.m dari variabel acak X terlebih
dahulu.
2 2
( ) 2exp ( ) 2exp ( )2 2
t'
X
t tM t t u du t
2 2
2 exp ( ) 2exp ( )2 2
tt tt u du t
2 2
2 exp 2 exp ( )2 2
t tt t t
. (3.64)
2 2
( ) 2exp ( ) 2 exp ( )2 2
t t''
X
t tM t u du t t u du
2 2
2 exp ( ) 2 exp ( )2 2
t tt t t t
2
22 exp ( ) ( )2
tt t
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
113
Universitas Indonesia
2 22( ) 2exp ( ) 2 exp ( )
2 2
t t''
X
t tM t u du t u du
2 2
34 exp ( ) 2 exp ( )2 2
t tt t t t
2 2 2
22exp 2 exp 4 exp ( )2 2 2
t t tt t t t t
2
32 exp ( )2
tt t
. (3.65)
1 2(0) 2 (0) 2
2M'
. (3.66)
0 1(0) 2 ( ) 2 1
2M'' u du
. (3.67)
Kemudian dicari momen pertama dan kedua, serta variansinya dengan
menggunakan persamaan (2.18), (2.19), dan (2.20).
2( ) (0)E X M'
. (3.68)
2( ) (0) 1E X M'' . (3.69)
22Var( ) ( )X E X E X
2
21
2 21
22
1
. (3.70)
Jadi, mean dan variansi dari variabel acak X adalah
2( )E X
,
22Var( ) 1X
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
114
Universitas Indonesia
3.6 Perluasan: Famili Location-Scale
Bentuk distribusi skew-normal yang dibahas pada subbab-subbab
sebelumnya merupakan bentuk distribusi skew-normal yang hanya memfasilitasi
distribusi probabilitas data di sekitar 0. Sedangkan kenyataannya ada banyak data
yang memiliki distribusi probabilitas data tidak hanya di sekitar 0. Oleh karena
itu, pada subbab 3.6 ini akan dibahas bentuk perluasan dari distribusi skew-normal
yang telah dibahas sebelumnya, yaitu dengan memasukkan dua parameter baru,
yaitu parameter location dan scale, yang secara berurutan dinyatakan oleh dan
, di mana dan > 0.
Jadi, untuk sebarang variabel acak X ~ SN(α), didefinisikan variabel
acak skew-normal yang umum oleh
Y = + X, (3.71)
dan Y ditulis Y ~ SN(, , α) untuk variabel acak ini.
Pada subbab ini juga akan dibahas dan diperkenalkan karakteristik-
karakteristik dari distribusi skew-normal yang diperluas ini.
3.6.1 Fungsi Kepadatan Probabilitas
Untuk memperoleh f.k.p dari variabel acak Y, akan digunakan teknik
transformasi variabel.
Misalkan X ~ SN(α). Maka, sesuai persamaan (3.5), f.k.p dari variabel acak X
adalah
fα(x) = 2(x)Φ(αx), – < x < .
Misalkan Y = + X.
A = {x | – < x < }.
B = {y | – < y < }.
y = + x adalah transformasi satu-satu.
Inversnya adalah:
yx
;
1dx dy
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
115
Universitas Indonesia
Jacobian-nya:
1J
;
1| |J
.
Jadi, diperoleh
( ) | |y
g y f J
1y
f
1
2y y
2 y y
.
Jadi, f.k.p untuk variabel acak Y = + X adalah
2( ; , , ) ,
y yg y y
. (3.72)
3.6.2 Fungsi Distribusi
Misalkan Y ~ SN(, , α). Dari persamaan (3.72), diperoleh f.k.p dari
variabel acak Y, yaitu
2( ; , , ) ,
y yg y y
.
Dengan menggunakan definisi dari fungsi distribusi, maka fungsi distribusi dari
dari variabel acak Y adalah
( ) Pr( )G y Y y
2y u u
du
2
( )u
y up dpdu
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
116
Universitas Indonesia
0
0
2( ) ( ) ( )
uy u
G y p dp p dp du
0
2 1( )
2
uy u
p dp du
0
1 2( )
uy yu u
du p dpdu
. (3.73)
Perhatikan integral di bagian kiri, yaitu 1y u
du
.
Misalkan:
ut
;
1dt du
.
Batas integrasinya:
Jika u = – ∞, maka t = – ∞; jika u = y, maka y
t
.
Jadi, diperoleh
1( )
yy u y
du t dt
. (3.74)
Substitusikan (3.74) ke (3.73), sehingga diperoleh
0
2( ) ( )
uyy u
G y p dpdu
. (3.75)
Perhatikan integral di bagian kanan, yaitu 0
2( )
uy u
p dpdu
.
Misalkan:
ur
;
1dr du
.
Batas integrasinya:
Jika u = – ∞, maka r = – ∞; jika u = y, maka y
r
.
Jadi, diperoleh
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
117
Universitas Indonesia
0 0
2 2( ) ( ) ( ) ( )
u yy ru
p dpdu r p dp dr
0
2( ) ( )
yr
r p dpdr
0
2 ( ) ( )y
r
r p dpdr
. (3.76)
Misalkan:
p r ; dp rd .
Batas integrasinya:
Jika p = 0, maka β = 0; jika p = αr, maka β = α.
Jadi, diperoleh
0 0
2( ) 2 ( ) ( )
u yy ru
p dpdu r p dpdr
0
2 ( ) ( )y
r r rd dr
0
2 ( ) ( )y
r r rd dr
0
2 ( ) ( )y
r r rdrd
0
2 ( ) ( )y
r r rdrd
2 2( )
2 2
0
1 12
2 2
y r r
e e rdrd
2 2( )
2 2
0
1 12
2 2
y r r
e e rdrd
2 2( )
2 2
0
12
2
y r r
e e rdrd
2 2( )
2 2
0
12
2
y r r
e e rdrd
2 2 2
2 2
0
2
2
y r r
e e rdrd
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
118
Universitas Indonesia
2 2 2
2 2
0 0
2 2( )
2
u y r ry u
p dpdu e rdrd
2 2 2
2
0
2
2
y r r
e rdrd
2 21
2
0
2
2
ry
e rdrd
. (3.77)
Misalkan:
2 21s r ; 22 1ds r dr .
Batas integrasinya:
Jika r = – ∞, maka s = ∞; Jika y
r
, maka
2
21y
.
Jadi, diperoleh
2 21
2
0 0
2 2( )
2
ru yy u
p dpdu e rdrd
2
212
20
2 1
2 2 1
y s
e dsd
2
212
20
2 1
2 2 1
y s
e dsd
221
0
2lim
2
y
bb
2
2
1
2 1
s
e dsd
20
2 1lim
2 2 1b
2
21
22
ys
b
e d
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
119
Universitas Indonesia
20 0
2 2 1( ) lim
2 2 1
uy
b
up dpdu
221
22 2
y
be e d
2
21
2
20
2 12
2 2 1
y
e d
2
21
2
20
2 1
2 1
y
e d
2
21
2
20
1 12
2 1
y
e d
2 ,y
T
. (3.78)
Substitusikan (3.78) ke (3.75), sehingga diperoleh fungsi distribusi dari variabel
acak Y, yaitu
( ) 2 ,y y
G y T
. (3.79)
3.6.3 Fungsi Pembangkit Momen
Misalkan X ~ SN(α). Dari persamaan (3.34), diketahui f.p.m dari variabel
acak X adalah
2
( ) 2exp ( )2
tX
X
tM t E e t
.
Dengan menggunakan teknik f.p.m, dapat diperoleh f.p.m dari variabel acak Y,
yaitu:
Misalkan Y = + X.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
120
Universitas Indonesia
( ) tY
YM t E e
t XE e
t t XE e
t t XE e e
t t Xe E e
2( )
exp( ) 2exp { ( )}2
tt t
2( )
2exp( )exp { ( )}2
tt t
2( )
2exp { ( )}2
tt t
2 2
2exp { ( )}2
tt t
2 2
2exp { ( )}2
tt t
2 2
2exp { ( )}2
tt t
2 2
2exp ( )2
tt t
.
Jadi, f.p.m dari variabel acak Y ~ SN(, , α) adalah
2 2
( ) 2exp ( )2
Y
tM t t t
. (3.80)
3.6.4 Mean dan Variansi
Pada bagian ini akan diuraikan cara memperoleh mean dan variansi
dari variabel acak Y. Cara yang digunakan serupa dengan cara memperoleh
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
121
Universitas Indonesia
mean dan variansi dari variabel acak skew-normal X pada subbab 3.5.
Misalkan Y ~ SN(, , α). Dari (3.80) diperoleh:
2 2
( ) 2exp ( )2
Y
tM t t t
2 2
2exp ( )2
ttt u du
.
Mean dan variansi dari variabel acak Y akan dicari dengan menggunakan f.p.m,
yaitu mencari turunan pertama dan kedua dari f.p.m dari variabel acak Y terlebih
dahulu.
2 2
2( ) 2exp ( )2
t'
Y
tM t t t u du
2 2
2exp ( )2
tt t
2 2
22 exp ( )2
ttt t u du
2 2
2 exp ( )2
tt t
2 2
22 exp2
tt t t
2 2
2 exp ( )2
tt t
. (3.81)
2 22( ) 2 exp ( )
2
t''
Y
tM t t u du
2 2
2 22 exp ( )2
ttt t t u du
2 2
22 exp ( )2
tt t t
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
122
Universitas Indonesia
2 2
22 exp ( )2
tt t t
2 2
2 22 exp ( )2
tt t t
.
2 2
22 2( ) 2 exp ( ) 2
2
''
Y
tM t t t t
2 2 2 2
2exp ( ) 2 exp ( )2 2
t tt t t t t
2 2
22 exp ( )2
tt t t
2 2
3 32 exp ( )2
tt t t
2 2
22 22 exp ( ) 2
2
tt t t
2 2 2 2
2exp ( ) 4 exp ( )2 2
t tt t t t t
2 2
3 32 exp ( )2
tt t t
. (3.82)
Setelah diperoleh turunan pertama dan kedua dari f.p.m dari variabel acak Y,
kemudian dicari momen pertama dan kedua dari variabel acak Y.
0
(0) 2 ( ) 2 (0)'
YM u du
1 12 2
2 2
2
2
2
. (3.83)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
123
Universitas Indonesia
2 2(0) 2 (0) 2 (0) 4 (0)''
YM
2 21 1 12 2 4
2 2 2
2 2 22
. (3.84)
Dengan menggunakan (2.18), (2.19), dan (2.20) diperoleh:
2( ) (0)YE Y M
'
. (3.85)
2 2 2 2(0) 2YE Y M
''
. (3.86)
22Var( ) ( )Y E Y E Y
2
2 2 2 22
2 2 2 2 22 2 2
2 2
2 2 22
22 2
1
. (3.87)
Jadi, mean dan variansi dari Y adalah
2( ) (0)YE Y M
'
,
22 2
Var( ) 1Y
.
3.7 Perbandingan Grafik Normal dan Skew-Normal
Pada bagian ini akan diberikan perbandingan antara grafik f.k.p dari
distribusi normal dengan grafik f.k.p dari distribusi skew-normal.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
124
Universitas Indonesia
Gambar 3.1 Grafik Distribusi Normal Standar
Gambar 3.2 Grafik Distribusi Skew-Normal
Pada Gambar 3.1 diberikan contoh grafik distribusi normal standar. Pada
Gambar 3.2 diberikan grafik dari distribusi skew-normal dengan f.k.p (3.5) ketika
faktor kemencengan α = 0, ± 1, ± 4. Terlihat bahwa grafik distribusi skew-normal
pada α = 0 berbentuk simetris, sama seperti pada Gambar 3.1. Dari Gambar 3.2
terlihat bahwa semakin tinggi nilai α, grafik semakin menceng ke kanan (menceng
positif). Begitu juga sebaliknya, semakin rendah nilai α, grafik semakin menceng
ke kiri (menceng negatif). Bentuk grafik untuk nilai α dan – α sama, hanya
berbeda arah kemencengan.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
125
Universitas Indonesia
3.8 Contoh
Pada bagian 3.8 ini akan diberikan contoh perhitungan probabilitas dari
suatu variabel acak yang berdistribusi skew-normal.
Misalkan X ~ SN(α). Berarti f.k.p dari variabel acak X adalah
fα(x) = 2(x)Φ(αx), – < x < .
Dari (3.18), fungsi distribusi dari variabel acak X adalah
( ) ( ) 2 ( , )F x x T x ,
dengan
2 2
20
1exp 1
1 2( , )
2 1
h x
T h dxx
, h > – ∞, α < + ∞.
Nilai-nilai dari T(h, α) diberikan pada bagian tabel.
Misalkan α = 0.
Pr(X 1) = F0(1)
= Φ(1) – 2T(1, 0)
= 0,8413 – 2.0
= 0,8413.
Misalkan α = 0.
Pr(X – 1) = F0(– 1)
= Φ(– 1) – 2T(– 1, 0)
= 1 – 0,8413 – 2.0
= 0,1587.
Misalkan α = 1.
Pr(X 1) = F1(1)
= Φ(1) – 2T(1, 1)
= 0,8413 – 2(0,066742)
= 0,707816.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
126
Universitas Indonesia
Misalkan α = – 1.
Pr(X 1) = F–1(1)
= Φ(1) – 2T(1, –1)
= Φ(1) + 2T(1, 1)
= 0,8413 + 2(0,066742)
= 0,97484.
Misalkan α = 1.
Pr(X –1) = F1(–1)
= Φ(–1) – 2T(–1, 1)
= 1 – Φ(1) – 2T(1, 1)
= 1 – 0,8413 – 2(0,066742)
= 0,025216.
Misalkan α = – 1.
Pr(X –1) = F–1(–1)
= Φ(–1) – 2T(–1, –1)
= 1 – Φ(1) + 2T(–1, 1)
= 1 – Φ(1) + 2T(1, 1)
= 1 – 0,8413 + 2(0,066742)
= 0,292184.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
127 Universitas Indonesia
BAB 4
VEKTOR ACAK YANG BERDISTRIBUSI
SKEW-NORMAL MULTIVARIAT
Sebelumnya, yaitu pada bab tiga, telah dibahas mengenai karakteristik-
karakteristik dari variabel acak yang berdistribusi skew-normal univariat. Ketika
menerapkan distribusi skew-normal di dalam inferensi statistik, seringkali
dibutuhkan untuk mendiskusikan distribusi bersama dari suatu sampel acak dari
populasi. Hal ini mengakibatkan dibutuhkannya pembahasan mengenai distribusi
skew-normal multivariat. Pada bab ini akan dibahas mengenai karakteristik-
karakteristik dari vektor acak yang berdistribusi skew-normal multivariat,
kemudian secara khusus dibahas kasus bivariat.
Perhatikan bentuk f.k.p dari variabel acak X yang berdistribusi skew-
normal untuk kasus univariat dari persamaan (3.5), yaitu
fα(x) = 2(x)Φ(αx), – < x < ,
di mana (x) adalah f.k.p dan Φ(αx) adalah fungsi distribusi, dari variabel acak
yang berdistribusi N(0 ,1), serta α .
4.1 Distribusi Skew-Normal Multivariat
Pada bagian 4.1 ini akan dibahas karakteristik-karakteristik dari vektor
acak yang berdistribusi skew-normal multivariat. Karakteristik-karakteristik yang
akan dibahas adalah f.k.p, f.p.m, vektor mean, dan matriks kovariansi.
4.1.1 Fungsi Kepadatan Probabilitas
Misalkan Y = (Y1, ..., Yk)' adalah suatu vektor berukuran k × 1, yang terdiri
dari variabel-variabel acak. Ω adalah matriks berukuran k × k yang simetris, dan
merupakan matriks yang definit positif. γ adalah vektor kemencengan berukuran
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
128
Universitas Indonesia
k × 1 dengan γ = (γ1, ..., γk)', di mana γ1, ..., γk adalah bilangan-bilangan riil. Λ
adalah matriks berukuran k × k dengan
Λ = (λ1, ..., λk) = Ω–1/2
diag(γ1, ..., γk). (4.1)
Bentuk matriks Ω–1/2
akan dijelaskan pada bagian Lampiran 2. Perhatikan suatu
fungsi dari vektor acak Y, yaitu
1
( , , ) 2 ( , ) , k
k k
jk
j
f
'
y y y y , (4.2)
dengan y = (y1, ..., yk)', k(y, Ω) adalah f.k.p dari vektor acak yang berdistribusi
normal multivariat dengan mean 0 = (0, ..., 0)' dan matriks kovariansi Ω, dan
j'
y adalah fungsi distribusi dari variabel acak yang berdistribusi normal
standar, yaitu ( )j
j u du
'
y'y . Melalui syarat-syarat f.k.p, akan dibuktikan
bahwa fungsi (4.2) merupakan suatu f.k.p dari vektor acak Y.
Bukti:
Misalkan terdapat suatu vektor acak y dan 1
( , , ) 2 ( , )k
k
jk
j
f
'
y y y
adalah fungsi dari vektor acak y yang memiliki ruang nilai A = {(y1, ..., yk) |
– < y1 < , ..., – < yk < }.
(i) Akan dibuktikan bahwa f(y, Ω, γ) ≥ 0 y A = {(y1, ..., yk) | – < y1 <
, ..., – < yk < } di mana 1
( , , ) 2 ( , )k
k
jk
j
f
'
y y y .
Bukti:
Perhatikan fungsi 1
( , , ) 2 ( , )k
k
jk
j
f
'
y y y .
Perhatikan bagian 2k. Karena 2 > 0, maka 2
k > 0.
k(y, Ω) merupakan f.k.p dari vektor acak y yang berdistribusi normal
multivariat dengan mean 0 dan matriks kovariansi Ω, maka sesuai dengan
syarat suatu f.k.p, (y, Ω) ≥ 0 untuk A = {(y1, ..., yk) | – < y1 < , ...,
– < yk < }.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
129
Universitas Indonesia
1
( )k
j
j
'
y merupakan perkalian dari fungsi-fungsi distribusi dari variabel
acak yang berdistribusi normal standar. Karena j'
y merupakan
fungsi distribusi dari variabel acak yang berdistribusi normal standar,
maka sesuai sifat fungsi distribusi pada bagian 2.5, diperoleh
0 1j '
y .
Jadi, 1 2
1
0 1k
j k
j
' ' ' '
y y y y .
Hasil perkalian dari fungsi positif 2k dan fungsi-fungsi nonnegatif k(y,Ω)
dan 1
k
j
j
'
y adalah nonnegatif.
Jadi, terbukti bahwa fungsi f(y, Ω, γ) ≥ 0 y A = {(y1, ..., yk) |
yi , i = 1, 2, ..., k} di mana 1
( , , ) 2 ( , )k
k
jk
j
f
'
y y y .
(ii) Akan dibuktikan bahwa ( , , ) 1k
f dy y , di mana
1 2, , , | , 1,2, ,k
k ix x x x i k .
Bukti:
1
( , , ) 2 ( , )k k
kk
jk
j
f dy d
'
y y y y
/2 1/2 1
1
12 (2 ) | | exp
2k
kk k
j
j
' d
'y y y y
Misalkan:
t = Ω–1/2
y, t = (t1, t2, ..., tk)'.
Inversnya:
y = Ω1/2
t.
Jadi, Jacobian-nya adalah:
J = |Ω1/2
| > 0 karena matriks definit positif,
|J| = ||Ω1/2
|| = |Ω1/2
| = |Ω|1/2
. (dibuktikan pada bagian Lampiran 2)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
130
Universitas Indonesia
Batas integrasinya:
Jika yi = – ∞, maka ti = – ∞, i = 1, 2, ..., k;
Jika yi = ∞, maka ti = ∞, i = 1, 2, ..., k.
Jadi, diperoleh
/2 1/2 1
1
1( , , ) 2 (2 ) | | exp
2k k
kk k
j
j
f dy ' d
'y y y y y
/2 1/2 1/2 1 1/212 (2 ) | | exp
2k
k k '
t t
1/2
1
| |k
j
j
J d
'
t t
/2 1/2 1/2 1 1/212 (2 ) | | exp
2k
k k '
t t
1/2 1/2
1
k
j
j
d
'
t t
/2 1/2 1/2 1 1/212 (2 ) | | exp
2k
k k ' '
t t
1/2 1/2
1
k
j
j
d
'
t t
/2 1/2 1/2 1 1/212 (2 ) | | exp
2k
k k '
t t
1/2 1/2
1
k
j
j
d
'
t t
/2 1/2 12 (2 ) | | exp
2k
k k '
t It
1/2 1/2
1
k
j
j
d
'
t t
/2 1/2 12 (2 ) | | exp
2k
k k '
t t
1/2 1/2
1
k
j
j
d
'
t t
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
131
Universitas Indonesia
/2 1/2 12 (2 ) | | exp
2k
k k '
t t
1/2
1
0, , , ,0k
i
j
d
t t
/2 1/2 1/2
1
12 (2 ) | | exp
2k
kk k
j j
j
' t d
t t t
/2 1/2 1/2
1
12 (2 ) | | exp
2k
kk k
j j
j
' t d
t t t
/2 1/2 1/2
1
12 (2 ) exp
2k
kk k
j j
j
' t d
t t t
/2 1/2 1/2
1
12 (2 ) exp
2k
kk k
j j
j
' t d
t t t
/2
1
12 (2 ) | | exp
2k
kk k
j j
j
' t d
I t t t
/2
1
12 (2 ) exp
2k
kk k
j j
j
' t d
t t t
/2 2 2
1
12 (2 ) exp
2
k k
kt t
1 1 1k k kt t dt dt
2 21
1 1
1/2 1/2 2 22 2(2 ) (2 )kt t
e e
1 1 1k k kt t dt dt
1/2 2
1
12(2 ) exp
2
k
i i i i
i
t t dt
1
2k
i i i i
i
t t dt
1
1k
i
1 .
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
132
Universitas Indonesia
Karena, fungsi (4.2) memenuhi syarat-syarat suatu f.k.p, maka terbukti
bahwa fungsi (4.2) merupakan suatu f.k.p dari vektor acak y dengan ruang nilai
A = {(y1, ..., yk) | – < y1 < , ..., – < yk < }. Dari hasil ini, maka diperoleh
definisi berikut.
Definisi 4.1.
Misalkan Ω adalah matriks simetris yang definit positif berukuran k × k. Suatu
vektor acak Y = (Y1, ..., Yk)' berukuran k × 1 disebut vektor acak skew-normal
multivariat jika f.k.p dari y memiliki bentuk
1
( , , ) 2 ( , ) , k
k k
jk
j
f
'
y y y y ,
di mana γ = (γ1, ..., γk)' adalah vektor kemencengan untuk beberapa bilangan riil
γ1, ..., γk dan λ1, ..., λk adalah k vektor riil yang memenuhi
Λ = (λ1, ..., λk) = Ω–1/2
diag(γ1, ..., γk).
Untuk selanjutnya, himpunan dari vektor-vektor acak yang mengikuti distribusi
yang didefinisikan pada Definisi 4.1 dinyatakan sebagai SN(k, Ω, γ).
Perhatikan catatan yang terkait dengan Definisi 4.1.
Catatan 4.1.
Pada Definisi 4.1, dengan membuat γ1 = ... = γk = 0 pada (4.1) dan (4.2), diperoleh
Λ = Ω–1/2
diag(0, ..., 0)
= Ω–1/2
0
= 0.
Karena Λ = (λ1, ..., λk), berarti Λ = (λ1, ..., λk) = (0, ..., 0).
Jadi, (0, ,0)j '
berukuran 1 × k dan
1
(0, ,0) 0j
k
y
y
'y .
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
133
Universitas Indonesia
Oleh karena itu, fungsi (4.2) menjadi
1
( , , ) 2 ( , )k
k
jk
j
f
'
y y y
1
2 ( , ) (0)k
k
k
j
y
1
12 ( , )
2
kk
k
j
y
1
2 ( , )2
k
k
k
y
( , )k y .
Jadi, jika γ1 = ... = γk = 0, diperoleh f.k.p bersama dari distribusi normal
multivariat ϕk(y, Ω).
Dari persamaan (4.1), dapat disimpulkan bahwa vektor kemencengan γ
mempengaruhi bentuk dari distribusi melalui vektor-vektor λ1, ..., λk.
Selanjutnya akan diberikan teorema dan akibat serta buktinya, terkait
dengan vektor acak yang berdistribusi skew-normal multivariat.
Teorema 4.1.
Misalkan X, Y adalah vektor-vektor acak yang saling bebas yang berdistribusi
Nk(0, I). Misalkan
1
2 2 2 2
1 1
1 1diag , , | | diag , ,
1 1 1 1
k
k k
Z X Y (4.3)
di mana |X| = (|X1|, ..., |Xk|)'. Maka Z ~ SN(k, I, γ) untuk sebarang
γ = (γ1, ..., γk)' k .
Bukti:
Misalkan:
1
2 2
1
diag , ,1 1
k
k
U , (4.4)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
134
Universitas Indonesia
dan
2 2
1
1 1diag , ,
1 1 k
V , (4.5)
maka diperoleh Z = U|X| + VY. (4.6)
1
2 2
1
1 1diag , ,
1 1 kk
Y
Y
VY
1
2
1
2
1
1
k
k
Y
Y
. (4.7)
Dengan menggunakan teknik f.p.m, akan dicari distribusi dari VY.
F.p.m dari Y ~ Nk(0, I) berdasarkan persamaan (2.221) adalah
( ) 'M E e t Y
Y t
exp2
'
t t.
F.p.m dari VY adalah
( )
'M E e
t VY
VY t
' 'E e t V Y
E e
'Vt Y
exp
2
'Vt Vt
exp
2
' '
t V Vt
exp
2
' '
t V V t. (4.8)
Jadi, VY berdistribusi normal multivariat dengan matriks kovariansi V'V, atau
VY ~ Nk(0, V'V).
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
135
Universitas Indonesia
Untuk sebarang vektor riil kz , dengan 1, , kz z 'z , diperoleh
| |Pr( ) {Pr( | |)}E XZ z Z z X
Pr( )2 ( , )k
k
k d
Z z x I x
(di mana 1 2, , , | (0, )k
k ix x x x )
Pr( )2 ( , )k
k
k d
Ux VY z x I x
Pr( )2 ( , )k
k
k d
VY z Ux x I x
( , )2 ( , )k
k
k k' d
z Ux V V x I x , (4.9)
di mana ( )
( , ) ( , )k k d xx y y . Jadi, f.k.p bersama dari Z adalah
1
(Pr( ))( , , )k
df z z
d
Z z
z
( , )2 ( , )k
k
k k
d' d
d
z Ux V V x I xz
( ( , ))2 ( , )k
k
k k' d
z Ux V V x I x
z
( ( , )) 2 ( , )k
k
k k' d
z Ux V V x I x
z
( )
( , ) 2 ( , )k
k
k k' d d
z Ux
p V V p x I xz
(4.10)
(di mana 1 2( ) , , , | ( , ) , 1,2, ,k i ix x x x y i k y )
Misalkan:
s = p + Ux.
Inversnya:
p = s – Ux.
Jadi, Jacobian-nya adalah:
J = 1,
|J| = |1| = 1.
Batas integrasinya:
Jika p = ( )z Ux , maka s = ( )z .
Jadi, diperoleh
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
136
Universitas Indonesia
1( )
( , , ) ( , ) 2 ( , )k
k
k k kf z z ' d d
z Ux
p V V p x I xz
( )
( , ) | | 2 ( , )k
k
k k' J d d
z
s Ux V V s x I xz
( )
( , ) 1 2 ( , )k
k
k k' d d
z
s Ux V V s x I xz
( )
( , ) 2 ( , )k
k
k k' d d
z
s Ux V V s x I xz
( , )2 ( , )k
k
k k' d
z Ux V V x I x
1/2/2 1(2 ) exp
2k
k '
V V
1 /22 (2 )k k' '
z Ux V V z Ux
1
exp2
' d
x x x
1/2/2 1(2 ) exp
2k
k '
V V
11 /22 (2 )k k' '
z Ux V V z Ux
1
exp2
' d
x x x
1/2/2 1(2 ) exp
2k
k '
V V
1 1 /22 (2 )k k' z Ux V V z Ux
1
exp2
' d
x x x
1/2/2 1(2 ) exp
2k
k '
V V
2 /2 12 (2 ) exp
2
k k' ' d
z Ux V z Ux x x x
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
137
Universitas Indonesia
1/2/2
1
1( , , ) (2 ) exp
2k
k
kf z z '
V V
2 /2 12 (2 ) exp
2
k k' ' d
z Ux V z Ux x x x
2 1/2 1(2 ) | | 2 exp
2k
k k
V
2 1exp
2' ' d
z Ux V z Ux x x x
1 21(2 ) | | 2 exp
2k
k k '
V z Ux V z Ux
1
exp2
' d
x x x
1 2 21(2 ) | | 2 exp
2k
k k ' '
V z V z z V Ux
2 2 1exp
2' ' ' ' ' d
x U V z x U V Ux x x x
1 2 21(2 ) | | 2 exp
2k
k k ' '
V z V z z V Ux
2 2' ' ' ' ' d
x U V z x U V Ux x x x . (4.11)
Perhatikan persamaan (4.4) dan (4.5). Karena U dan V adalah matriks-matriks
diagonal, keduanya dapat ditukar. Jadi,
x'U'V–2
Ux + x'x = x'(U'V–2
Ux + x)
= x'(U'V–2
Ux + Ix)
= x'(U'V–2
U + I)x. (4.12)
Karena U matriks diagonal, maka U' = U.
1
2 2
1
diag , ,1 1
k
k
U .
2 2
1
1 1diag , ,
1 1 k
V .
Karena V matriks diagonal, maka
2 2 2
1diag 1 , ,1 k V . (4.13)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
138
Universitas Indonesia
2 2 211
2 2
1
diag , , diag 1 , ,11 1
kk
k
'
U V
2 211
2 2
1
diag 1 , , 11 1
kk
k
2 2
1 1diag 1 , , 1k k .
2 2 2 11 1
2 2
1
diag 1 , , 1 diag , ,1 1
kk k
k
'
U V U
2 211 1
2 2
1
diag 1 , , 11 1
kk k
k
2 2
1diag , , k . (4.14)
Matriks identitas I, yaitu
1 0 0
0 1 0
0 0 1
I
dapat dinyatakan sebagai I = diag(1, 1, ..., 1).
2 2 2
1diag , , diag 1, ,1k' U V U I
2 2
1diag 1 , ,1 k
2V . (4.15)
Jadi, diperoleh bahwa
x'U'V–2
Ux + x'x = x'(U'V–2
U + I)x
= x'V–2
x. (4.16)
Dengan demikian, dapat diperoleh
1 2 2 2
1
1( , , ) (2 ) | | 2 exp
2k
k k
kf z z ' ' ' '
V z V z z V Ux x U V z
2' ' ' d
x U V Ux x x x
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
139
Universitas Indonesia
1 2 21(2 ) | | 2 exp
2k
k k ' '
V z V z z V Ux
2 2' ' ' d
x U V z x V x x
1 2 21(2 ) | | 2 exp
2k
k k ' ' '
V x V x x U V z
2 2' ' d
z V Ux + z V z x
1 2 21(2 ) | | 2 exp
2k
k k ' ' '
V x V x x U V z
2 2 2 2' ' ' ' ' ' d
z V Ux z U V Uz z U V Uz z V z x
1 2 21(2 ) | | 2 exp
2k
k k ' ' '
V x V x x V U z
2 2 2 2' ' ' ' ' ' d
z UV x z U V Uz + z V z z U V Uz x
1 2 21(2 ) | | 2 exp
2k
k k ' '
V x V x x V Uz
2 2 2 2' ' ' ' ' ' ' d
z U V x z U V Uz + z V z z U V Uz x
1 21(2 ) | | 2 exp
2k
k k '
V x V x Uz
2 2 2' ' ' ' d
z U V x Uz + z V z U V Uz x
1 2 21(2 ) | | 2 exp
2k
k k ' ' '
V x V z U V x
2 2' ' d
Uz z V U V U z x
1 21(2 ) | | 2 exp
2k
k k ' ' '
V x z U V x Uz +
2 2' ' d
z V U V U z x
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
140
Universitas Indonesia
1 21(2 ) | | 2 exp
2k
k k ' '
V x Uz V x Uz +
2 2' ' d
z V U V U z x
1 21(2 ) | | 2 exp
2k
k k '
V x Uz V x Uz +
2 2' ' d
z V U V U z x . (4.17)
Perhatikan suku V–2
– U'V–2
U pada bagian (4.17).
Dari (4.13), diperoleh 2 2 2
1diag 1 , ,1 k V .
Dari (4.14), diperoleh 2 2 2
1diag , , k' U V U .
Jadi, dapat diperoleh
2 2 2 2 2 2
1 1diag 1 , ,1 diag , ,k k' V U V U .
2 2 2 2
1 1diag 1 , ,1 k k
diag 1, ,1
I . (4.18)
Maka, diperoleh
1 2
1
1( , , ) (2 ) | | 2 exp
2k
k k
kf z z '
V x Uz V x Uz +
2 2' ' d
z V U V U z x
1 21(2 ) | | 2 exp
2k
k k '
V x Uz V x Uz +
' dxz Iz
/2 /2 1(2 ) (2 ) | | 2k
k k k
V
21 1exp exp
2 2' ' d
x Uz V x Uz z Iz x
/2 1 21(2 ) | | 2 exp
2k
k k '
V x Uz V x Uz
/2 1(2 ) exp
2
k ' d
z z x
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
141
Universitas Indonesia
/2 1 21
(2 ) | | 2 exp2
k
k k '
V x Uz V x Uz
( , )k d z I x
/2 12 ( , ) (2 ) | |k
k k
k
z I V
21
exp2
' d
x Uz V x Uz x . (4.19)
Misalkan:
t = V–1
(x – Uz).
Inversnya:
x – Uz = Vt; x = Vt + Uz.
Jadi, Jacobian-nya adalah:
J = |V|,
|J| = ||V|| = |V|.
Batas integrasinya:
Jika xi = 0, i = 1, 2, ..., k, atau x = (0, 0, ..., 0)' , maka t = – V–1
Uz;
Jika xi = ∞, i = 1, 2, ..., k, maka ti = ∞, atau t = (∞, ..., ∞)'.
1 t V Uz
1
2 2 11
2 2
1
diag 1 , , 1 diag , ,1 1
kk
kk
z
z
1
2 211
2 2
1
diag 1 , , 11 1
kk
kk
z
z
2 211 1
2 2
1
diag 1 , , 11 1
kk k
k
z z
1 1diag , , k kz z .
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
142
Universitas Indonesia
Jadi, diperoleh
/2 1
1( , , ) 2 ( , ) (2 ) | |k
k k
k kf z z
z I V
21exp
2' d
x Uz V x Uz x
*
/2 1 12 ( , ) (2 ) | | exp | |
2k
k k
k ' J d
z I V t t t
(di mana * ( , )k k
j jz )
*
/2 1 12 ( , ) (2 ) | | exp | |
2k
k k
k ' d
z I V t t V t
*
/2 1 12 ( , ) (2 ) | | | | exp
2k
k k
k ' d
z I V V t t t
*
/2 1 12 ( , ) (2 ) | || | exp
2k
k k
k ' d
z I V V t t t
*
/2 1 12 ( , ) (2 ) | | exp
2k
k k
k ' d
z I V V t t t
*
/2 12 ( , ) (2 ) | | exp
2k
k k
k ' d
z I I t t t
*
/2 12 ( , ) (2 ) exp
2k
k k
k ' d
z I t t t
1 1
1/2 1/22 ( , ) (2 ) (2 )k k
k
kz z
z I
2 2
1 1
1exp
2k kt t dt dt
2
1
1 12 ( , ) exp
22j j
kk
k j jz
j
t dt
z I
2
1
1 12 ( , ) 1 exp
22
j jk
zk
k j j
j
t dt
z I
1
2 ( , ) 1k
k
k j j
j
z
z I
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
143
Universitas Indonesia
1
2 ( , )k
k
k j j
j
z
z I
1
2 ( , ) 0, , , ,0k
k
k j
j
z I z . (4.20)
Dari hasil tersebut, persamaan (4.20) merupakan f.k.p dari Z. Maka,
Z SN(k, Ω, γ), di mana Ω = I dan (0, , , ,0)j j '
, atau berarti
Z SN(k, I, γ). Jadi, Teorema 4.1 terbukti.
Akibat 4.1.
Untuk sebarang Y SN(k, Ω, γ) dengan matriks parameter Ω dan faktor
kemencengan γ = (γ1, ..., γk)', W = Ω1/2
Z mempunyai distribusi yang sama dengan
Y, di mana Z adalah vektor acak yang didefinisikan pada Teorema 4.1.
Bukti:
Misalkan γj pada Teorema 4.1 merupakan faktor kemencengan untuk vektor acak.
Dengan Teorema 4.1, f.k.p dari vektor acak Z adalah
1
1
( , , ) 2 ( , )k
k
k k j j
j
f z z z
z I .
Diketahui bahwa w = Ω1/2
z. Karena Ω adalah matriks simetris yang definit positif,
sehingga Ω1/2
juga merupakan matriks simetris yang definit positif, maka Ω1/2
mempunyai invers (mempunyai invers). Maka, diperoleh z = Ω–1/2
w.
Misalkan Ω–1/2
berbentuk
11 12 1
21 22 2–1/2
1 2
k
k
k k kk
,
dan misalkan vektor acak W = (W1, ..., Wk)' dan w = (w1, ..., wk)', maka
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
144
Universitas Indonesia
–1/2z w
11 12 1 1
21 22 2 2
1 2
k
k
k k kk k
w
w
w
11 1 12 2 1
21 1 22 2 2
1 1 2 2
k k
k k
k k kk k
w w w
w w w
w w w
1
1
2
1
1
k
i i
i
k
i i
i
k
ki i
i
w
w
w
.
Jacobian-nya adalah:
J = |Ω–1/2
| = |Ω|–1/2
; |J| = ||Ω|–1/2
| = |Ω|–1/2
.
F.k.p dari Z dapat dinyatakan sebagai
1
1
( , , ) 2 ( , )k
k
k k j j
j
f z z z
z I
/2
1
12 (2 ) exp
2
kk k
j j
j
' z
z z
/2
1
12 (2 ) exp (0, , , ,0)
2
kk k
j
j
'
z z z .
Maka, f.k.p dari W adalah
1/2( ) ( ) | |g f Jw w
/2 1/2 1/2
1
1( , , ) 2 (2 ) exp
2
k k
kg w w
'
w w
1/21/2
1
(0, , , ,0)k
j
j
w
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
145
Universitas Indonesia
/2 1/2 1/212 (2 ) exp
2
k k '
'
w w
1/21/2
1
(0, , , ,0)k
j
j
w
/2 1/2 1/21
2 (2 ) exp2
k k '
w w
1/21/2
1
(0, , , ,0)k
j
j
w
1/2/2 11
2 (2 ) exp2
k k '
w w
1/2
1
(0, , , ,0)k
j
j
w
1/2
1
2 ( , ) (0, , , ,0)k
k
k j
j
w w . (4.21)
Dengan memisalkan bahwa * 1/2(0, , , ,0)j j ' , persamaan (4.21) menjadi
1/2
1
1
( , , ) 2 ( , ) (0, , , ,0)k
k
k k j
j
g w w
w w
*
1
2 ( , )k
k
jk
j
'
w w . (4.22)
Karena f.k.p dari W pada persamaan (4.22) sama seperti f.k.p dari Y pada Definisi
4.1, maka terbukti bahwa W memiliki distribusi yang sama dengan Y karena
* 1/2
1diag( , , )j k '
.
4.1.2 Fungsi Pembangkit Momen
Seperti pada kasus univariat, pada kasus multivariat, untuk mencari f.p.m
juga dibutuhkan bantuan suatu lemma, yaitu:
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
146
Universitas Indonesia
Lemma 4.1.
Jika U ~ Nk(0, Ω), maka
1/21
aE a '
'
v Uv v
, (4.23)
untuk sebarang skalar a dan kv .
Sebelum digunakan untuk mencari f.p.m dari vektor acak Y, Lemma 4.1
akan dibuktikan terlebih dahulu. Untuk membuktikan Lemma 4.1 dibutuhkan
Teorema 4.2 dan Akibat 4.2, yang juga akan dibuktikan.
Teorema 4.2.
Jika Z ~ N(ξ, θ2) dan
2~ /mY m saling bebas, maka untuk sebarang skalar c,
2
;Pr / 1mE Z cY T c (4.24)
di mana adalah fungsi distribusi dari variabel acak N(0, 1) dan Tε;m adalah
variabel acak yang berdistribusi t-nonsentral dengan derajat bebas m dan
parameter ketidaksentralan
21
. (4.25)
Bukti Teorema 4.2:
Misalkan X ~ N(0, 1) bebas dari Y dan Z, dan adalah fungsi distribusi dari
variabel acak X.
2
,0
1exp ( , )
22
z cy
Y Z
xE Z cY dx f y z dydz
, Pr | ,Y Z XE X z cy y z
, ,PrX Y Z X Z cY
, ,PrX Y Z X Z cY
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
147
Universitas Indonesia
, , ,PrY Z X Y Z
X ZE Z cY c
Y
, ,2 2
Pr1 1
X Y Z
X Z c
Y
. (4.26)
Dengan teknik f.p.m, akan ditunjukkan bahwa 2
~ ( ,1)1
X ZN
Y
.
X ~ N(0, 1), Z ~ N(ξ, θ2), dan
2~ /mY m saling bebas.
22
1
( ) exp1
X Z
X ZM t E t
2 2
exp exp1 1
X ZE t t
2 2
exp exp1 1
X ZE t E t
2 2
exp exp ( )1 1
X ZE t E t
2 22
2 2
2
1 1exp exp
2 21
t tt
2 2 2
2 22exp exp
2 1 2 11
t t t
2 2 2
2 22exp
2 1 2 11
t tt
2 2
22
1exp
2 11
tt
2
2exp
21
tt
. (4.27)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
148
Universitas Indonesia
Jadi, diperoleh bahwa 2 2
~ ,11 1
X ZN
, atau berarti
2
~ ,11
X ZN
. Dengan Definisi 2.38,
Definisi 2.38.
Misalkan variabel acak W berdistribusi N(ε, 1), misalkan variabel acak V
berdistribusi 2
r , dan W dan V saling bebas. Bentuk
WT
Vr
disebut berdistribusi nonsentral-t dengan derajat bebas r dan parameter
ketidaksentralan ε dan dinyatakan oleh T ~ Tε;m. Jika δ = 0, dikatakan T
berdistribusi sentral-t (distribusi t);
karena 2~ /mY m , diperoleh bahwa
21
X Z
Y
~ Tε;m dan
21
.
Berarti, ;21
m
X ZT
Y
. Jadi, persamaan (4.26) menjadi
, , ,2 2
Pr1 1
Y Z X Y Z
X Z cE Z cY
Y
;2
Pr1
m
cT
.
Jadi, terbukti bahwa jika Z ~ N(ξ, θ2) dan
2~ /mY m saling bebas, maka
untuk sebarang skalar c, 2
;Pr / 1mE Z cY T c .
Akibat 4.2.
Jika Z ~ N(ξ, θ2), maka
21
E Z
. (4.28)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
149
Universitas Indonesia
Bukti Akibat 4.2:
Bukti dari Akibat 4.2 ini akan menggunakan Teorema 4.2.
Misalkan c = 0 pada persamaan (4.24), maka diperoleh
;Pr 0mE Z T . (4.29)
Misalkan X ~ N(0, 1), dan 2~ /mY m dengan X, Y, dan Z saling bebas.
Pertama, akan dicari terlebih dahulu suatu fungsi dari variabel-variabel acak yang
sama dengan Tε;m. Didefinisikan suatu fungsi dari variabel-variabel acak, X
Y
.
Terlebih dahulu akan ditunjukkan bahwa X + ε berdistribusi N(ε, 1).
( )( ) t X
XM t E e
tX tE e
tX tE e e
t tXe E e
2
exp2
t te
2
exp2
tt
. (4.30)
Jadi, dengan teknik f.p.m terbukti bahwa X + ε ~ N(ε, 1).
Dengan Definisi 2.38, diperoleh bahwa ;m
XT
Y
.
Untuk sebarang m,
;Pr 0 Pr 0m
XT
Y
.
Pr 0X
Pr X
( )
21
. (4.31)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
150
Universitas Indonesia
Jadi terbukti bahwa jika Z ~ N(ξ, θ2), maka
21E Z
.
Selanjutnya, akan dibuktikan Lemma 4.1.
Bukti Lemma 4.1:
Misalkan U ~ Nk(0, Ω).
F.p.m dari vektor acak U sesuai dengan (2.221) adalah
( ) 'M E e t U
U t
1
exp2
'
t t. (4.32)
Misalkan terdapat suatu vektor riil kv . Akan dicari distribusi dari variabel
acak v'U.
F.p.m dari v'U adalah
( )
t '
'M t E e
v U
v U
t '
E e
v U
t 'E e
v U
1
exp2
t ' t
v v (substitusikan t dengan
tv pada (4.32))
1
exp2
t ' t
v v
1 2
exp2
' t
v v. (4.33)
Dengan teknik f.p.m, maka sesuai dengan (2.36), diperoleh v'U ~ N(0, v'Ω–1
v).
Misalkan a adalah sebarang skalar. Selanjutnya akan dicari distribusi dari a + v'U.
( )
t a '
a 'M t E e
v U
v U
at t '
E e
v U
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
151
Universitas Indonesia
t 'atE e e
v U
t 'ate E e
v U
t 'ate E e
v U
1 2
exp2
at' t
e
v v
1 2
exp2
' tat
v v. (4.34)
Dengan teknik f.p.m, maka sesuai dengan (2.36), diperoleh a + v'U ~ N(a, v'Ω–1
v).
Dari Akibat 4.2, diperoleh bahwa jika Z ~ N(ξ, θ2), maka
2/ 1E Z .
Karena a + v'U ~ N(a, v'Ω–1
v), maka
11
aE a '
'
v U
v v
1/2
11
a
'
v v.
Jadi, terbukti bahwa jika U ~ Nk(0, Ω), maka
1/21
aE a '
'
v Uv v
,
untuk sebarang skalar a dan kv .
Setelah Lemma 4.1 dibuktikan, selanjutnya akan dibahas mengenai f.p.m
dari distribusi skew-normal multivariat. Misalkan Y ~ SN(k, Ω, γ). Maka, f.p.m
dari suatu vektor acak Y adalah
( ) 'M E e t Y
Y t
( , , )k
'e f d t y
y y
1/2/2 1
1
12 (2 ) exp
2k
k' k k
i
i
e ' d
't yy y y y
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
152
Universitas Indonesia
2
1/2/2 12
1
1( ) 2 (2 ) exp
2k
' kk k
i
i
M e ' d
t y
'
Y t y y y y
1/2/2 11 1
2 (2 ) exp 22 2
k
k k ' '
y y t y
1
k
i
i
d
'y y
1/2/2 11
2 (2 ) exp 22
k
k k ' '
y y t y
1
k
i
i
d
'y y . (4.35)
Misalkan:
u = y – Ωt; u' = y' – t'Ω.
Inversnya:
y = u + Ωt; y = u' + t'Ω.
Jadi, Jacobian-nya adalah:
J = 1.
|J| = |1| = 1.
Batas integrasinya:
Jika yi = – ∞, maka ui = – ∞, i = 1, 2, ..., k;
Jika yi = – ∞, maka ui = ∞, i = 1, 2, ..., k.
Jadi, diperoleh
1/2/2 1
1
1( ) 2 (2 ) exp 2
2k
kk k
i
i
M ' ' d
'
Y t y y t y y y
1/2/2 11
2 (2 ) exp2
k
k k ' '
u t u t
1
2 | |k
i
i
' J d
'
t u t u t u
1/2/2 112 (2 ) exp
2k
k k ' '
u t u t
1
2 1k
i
i
' d
'
t u t u t u
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
153
Universitas Indonesia
1/2/2 11
( ) 2 (2 ) exp2
k
k kM ' '
Y t u t u t
1
2k
i
i
' d
'
t u t u t u
1/2/2 1 1 112 (2 ) exp
2k
k k ' ' '
u u u t t u
1
1
2 2k
i i
i
' ' ' d
' 't t t u t t u t u
1/2/2 11
2 (2 ) exp2
k
k k ' ' ' '
u u u It t Iu t I t
1
2 2k
i i
i
' ' d
' '
t u t t u t u
1/2/2 11
2 (2 ) exp2
k
k k ' ' ' '
u u u t t u t t
1
2 2k
i i
i
' ' d
' '
t u t t u t u
1/2/2 11
2 (2 ) exp2
k
k k ' ' ' '
u u t u t u t t
1
2 2k
i i
i
' ' d
' '
t u t t u t u
1/2/2 11
2 (2 ) exp 22
k
k k ' ' '
u u t u t t
1
2 2k
i i
i
' ' d
' '
t u t t u t u
1/2/2 11
2 (2 ) exp2
k
k k ' '
u u t t
1
k
i i
i
d
' 'u t u
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
154
Universitas Indonesia
1/2/2 11 1
( ) 2 (2 ) exp exp2 2
k
k kM ' '
Y t u u t t
1
k
i i
i
d
' 'u t u
1/2 /2 11 1
2 exp (2 ) exp2 2
k
k k' '
t t u u
1
k
i i
i
d
' 'u t u . (4.36)
Misalkan:
v = Ω–1/2
u; v' = u'Ω–1/2
.
Inversnya:
u = Ω1/2
v; u' = v'Ω1/2
.
Jadi, Jacobian-nya adalah:
J = |Ω1/2
|=|Ω|1/2
. (dibuktikan pada bagian Lampiran 2)
|J| = ||Ω|1/2
| = |Ω|1/2
. (Ω definit positif)
Batas integrasinya:
Jika ui = – ∞, maka vi = – ∞, i = 1, 2, ..., k;
Jika ui = ∞, maka vi = ∞, i = 1, 2, ..., k.
Jadi, diperoleh
1/2 /2 11 1
( ) 2 exp (2 ) exp2 2
k
k kM ' '
Y t t t u u
1
k
i i
i
d
' 'u t u
1/2 /2 1/2 1 1/21 1
2 exp (2 ) exp2 2
k
k k' '
t t v v
1/21/2
1
k
i i
i
d
' '
v t v
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
155
Universitas Indonesia
1/2 1/2 /21 1
( ) 2 exp (2 ) exp2 2
k
k kM ' '
y t t t v v
1/2
1
k
i i
i
d
' '
v t v
/21 12 exp (2 ) exp
2 2k
k k' '
t t v v
1/2
1
k
i i
i
d
' '
v t v . (4.37)
Dari (4.1), diketahui bahwa
Λ = (λ1, ..., λk) = Ω–1/2
diag(γ1, ..., γk).
Jadi, dapat diperoleh
Ω1/2
Λ = diag(γ1, ..., γk).
(Ω1/2
Λ)' = [diag(γ1, ..., γk)]' = diag(γ1, ..., γk).
Λ' (Ω1/2
)' = diag(γ1, ..., γk).
Λ' Ω1/2
= diag(γ1, ..., γk).
1
21/2
1 1
0 0
0 0, , diag , ,
0 0
k k
k
' ' .
1/2 0, , , ,0i i ' . (4.38)
Jadi, diperoleh bahwa
1
1/2 0, , , ,0i i i i
k
v
v
v
'v . (4.39)
Jadi, f.p.m dari vektor acak Y menjadi
/21 1( ) 2 exp (2 ) exp
2 2k
k kM ' '
Y t t t v v
1/2
1
k
i i
i
d
' '
v t v
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
156
Universitas Indonesia
/2 2 2
1
1 1( ) 2 exp (2 ) exp
2 2k
k k
kM ' v v
Y t t t
1
k
ii i
i
v d
'
t v
/2 2 2
1
1 12 exp (2 ) exp
2 2k
k k
k' v v
t t
11 1 kk kv v d ' '
t t v
/2 2 2
1
1 1 12 exp (2 ) exp exp
2 2 2k
k k
k' v v
t t
11 1 kk kv v d ' '
t t v
1/2 2
1
1 12 exp (2 ) exp
2 2
kk
ii i i i
i
' v v dv
't t t
1
12 exp ( )
2
kk
ii i i i
i
' v v dv
't t t
1
12 exp
2 i
kk
iV i i
i
' E V
't t t
1
12 exp 0, , , ,0
2 i
kk
iV i
i
' E
't t V t
1/21
12 exp
2 1 0, , , ,0 0, , , ,0
kk i
ii i
''
'
tt t
1/22
1
12 exp
2 1
kk i
ii
'
'
tt t
1/2 1/2
1/22
1
12 exp
2 1
kk i
ii
'
'
tt t
1/2
1/22
1
0, , , ,012 exp
2 1
kik
ii
'
t
t t
. (4.40)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
157
Universitas Indonesia
Misalkan vektor-vektor kolom berukuran k × 1 dari Ω1/2
adalah p1, p2, ..., pk,
dengan
1
2
j
j
j
kj
p
p
p
p , (4.41)
sehingga diperoleh
Ω1/2
= (p1, p2, ..., pk) dan 1/2
1 2, , , k' ' ' ' 'p p p . (4.42)
Jadi, diperoleh
1/2
1 20, , , ,0 , , ,i i i i i i kip p p . (4.43)
1
1/2
10, , , ,0 , ,i i i i ki
k
t
p p
t
t
1 1i i i ki kp t p t , (4.44)
sehingga f.p.m dari vektor acak Y menjadi
1/2
1/22
1
0, , , ,01( ) 2 exp
2 1
kik
ii
M '
Y
tt t t
1/22
1
12 exp
2 1
kk i
i
ii
'
'
t t p t . (4.45)
1 11/22
1
12 exp
2 1
kk i
i ki k
ii
' p t p t
t t
1 1
1/22
1
12 exp
2 1
ki i ki kk
ii
p t p t'
t t
1
1/22
1
12 exp
2 1
k
i ji jkjk
ii
p t
'
t t . (4.46)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
158
Universitas Indonesia
Untuk penyederhanaan, didefinisikan hi di mana
1/2
21
ii
i
h
. (4.47)
Karena i , maka hi (– 1, 1), i = 1, 2, ..., k.
Jadi, f.p.m dari vektor acak Y yang berdistribusi skew-normal sesuai Definisi 4.1
adalah
11
1( ) 2 exp
2
k kk
i ji j
ji
M ' h p t
Y t t t , (4.48)
dengan p1, p2, ..., pk adalah vektor-vektor kolom dari matriks Ω1/2
di mana
1
2
j
j
j
kj
p
p
p
p
dan
1/2
2( 1,1)
1
ii
i
h
.
4.1.3 Matriks Mean dan Kovariansi
Pada bagian ini akan dicari matriks mean dan matriks kovariansi untuk
vektor acak yang berdistribusi skew-normal multivariat. Untuk mendapatkan
matriks mean dan kovariansi, akan digunakan f.p.m (4.41).
Perhatikan persamaan (4.41), yaitu
1/22
1
1( ) 2 exp
2 1
kk i
i
ii
M '
'
y t t t p t
dengan p1, p2, ..., pk adalah vektor-vektor kolom dari matriks Ω1/2
. Karena
1/2
21
ii
i
h
, maka
1
1( ) 2 exp
2
kk
i i
i
M ' h
'
Y t t t p t . (4.49)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
159
Universitas Indonesia
Selanjutnya akan dicari momen-momen dari distribusi skew-normal multivariat.
1
( ) 12 exp
2
kk
i i
i
M' h
'Y t
t t t p tt
1 1,
1exp
2
kk
i i i i j j
i j j i
' h h h
' 't t p p t p t
1
12 exp
2
kk
i i
i
' h
't t t p t
1 1,
kk
i i i i j j
i j j i
h h h
' 'p p t p t . (4.50)
1
( ) 12 exp
2
kk
i i
i
M' ' h
'
'Y t
t t t p tt
1 1,
1exp
2
kk
i i i i j j
i j j i
' h h h
' ' 't t p p t p t
1
12 exp
2
kk
i i
i
' ' h
't t t p t
1 1,
kk
i i i i j j
i j j i
h h h
' ' 'p p t p t . (4.51)
2 ( )( ) MM
' '
yYtt
t t t t
1
12 exp
2
kk
i i
i
' ' h
'
t t t p tt
1 1,
kk
i i i i j j
i j j i
h h h
' ' 'p p t p t
1
12 exp
2
kk
i i
i
' ' h
'
t t t p tt
1 1,
kk
i i i i j j
i j j i
h h h
' ' 'p p t p t
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
160
Universitas Indonesia
2
1
( ) 12 exp
2
kk
i i
i
M' ' h
'
'Y t
t t t t p tt t
1 1,
kk
i i i i j j
i j j i
h h h
' ' 'p p t p t
1
12 exp
2
kk
i i
i
' h
't t p t
1 1,
kk
i i i i j j
i j j i
h h h '
' 'p p t p t t
3
1 1,
k k
i j i j j j i i i i j j
i jj i
h h h h h
' ' ' ' 'p p p t p t p p p t
1,
k
l l
ll j
h
'
p t , (4.52)
dengan
,
, .
l l
l l
l l
h l ih
h l i
'
'
'
p tp t
p t (4.53)
Mean dari vektor acak y adalah
0
( )( )
ME
Y
t
tY
t
11 1,
12 exp 0 0 0 0
2
k kkk
i i
ii j j i
h
p0
1 1,
1 12 1
22
kkk
i i
i j j i
h
p0
1
1
1 12
22
kkk
i i
i
h
p
1
1
1 12
22
kk
i i ki
h
p
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
161
Universitas Indonesia
11
1 1( ) 2
2 2
kk
i iki
E h
Y p
1
12
2
k
i i
i
h
p
1
2 k
i i
i
h
p . (4.54)
Untuk mencari matriks kovariansi dari vektor acak Y dibutuhkan E(YY').
2 ( )( )
ME '
'
Y
t
tYY
t t0
1
12 (0, ,0) exp 0 (0, ,0) 0
2
kk
i
'
1 1, 1
10 0 2 exp 0 0
2
k kkk
i i
i j j i i
h
'p
1 1,
0 0 (0, ,0)kk
i i
i j j i
h
p
1 1, 1,
0 0kk k
i j i j
i j lj i l j
h h
'
p p
11 1,
12 exp 0 0 0 0 (0, ,0)
2
k kkk
i i
ii j j i
h
p
1 1, 1,
0 0kk k
i j i j
i j lj i l j
h h
'
p p
1 1,1 1,
12 exp 0 0 0 0
2
k kk kk
i j i j
i ji lj i l j
h h
'
p p
1 1,1 1,
2 0 0 0k kk k
k
i j i j
i ji lj i l j
h h
'
p p
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
162
Universitas Indonesia
1 1,1 1,
1( ) 2 0 0
2
k kk kk
i j i j
i ji lj i l j
E ' h h
'
YY p p
1 1, 1,
12 0 0
2
kk kk
i j i jki j l
j i l j
h h
'
p p
1 1, 1,
12 0 0
2
kk kk
i j i jki j l
j i l j
h h
'
p p
1 1, 1,
2 0 0kk k
k
i j i j
i j lj i l j
h h
'
p p . (4.55)
Kemudian akan dicari matriks kovariansinya, misalkan matriks Σ
merupakan matriks kovariansi dari vektor acak skew-normal multivariat.
( ) ( ) ( )E ' E E ' yy y y
1 1, 1 11,
2 22 0 0
kk k k kk
i j i j i i i i
i j i ilj i l j
h h h h
' '
p p p p
1 1, 1 11,
22 0 0
kk k k kk
i j i j i i i i
i j i ilj i l j
h h h h
' 'p p p p
1 1, 1 11,
1 22 0
2
kk k k kk
i j i j i i i i
i j i ilj i l j
h h h h
' 'p p p p
1 1, 1 11,
2 20
2
k kk k k k
i j i j i i i i
i j i ilj i l j
h h h h
' 'p p p p (4.56)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
163
Universitas Indonesia
Jadi, matriks mean dan kovariansi dari vektor acak y ~ SN(k, Ω, γ) adalah
1
2( )
k
i i
i
E h
Y p ,
1 1, 1 11,
2 20
2
k kk k k k
i j i j i i i i
i j i ilj i l j
h h h h
' '
p p p p .
4.2 Distribusi Skew-Normal Bivariat
Pada bagian ini, akan didiskusikan kasus khusus dari distribusi skew-
normal multivariat, yaitu ketika k = 2, disebut distribusi skew-normal bivariat.
Akan dibahas mengenai karakteristik-karakteristik dari distribusi skew-normal
bivariat, yaitu f.k.p, f.p.m, mean, dan kovariansi dari variabel-variabel acak.
4.2.1 Fungsi Kepadatan Probabilitas
Misalkan Y ~ SN(2, Ω, γ), atau berarti vektor acak y berdistribusi skew-
normal bivariat. Maka, f.k.p dari distribusi ini berdasarkan (4.2) adalah
2
2 2
2
1
( , , ) 2 ( , ) , j
j
f
'
y y y y , (4.57)
di mana matriks parameter
1
1
. (4.58)
Determinan dari matriks Ω adalah
|Ω| = 1.1 – ω.ω
= 1 – ω2. (4.59)
Jadi, invers dari matriks Ω adalah
1 1adj( )
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
164
Universitas Indonesia
1
2
11
11
. (4.60)
Kemudian dicari nilai-nilai eigen dari matriks Ω.
0
10
1
(α – 1)(α – 1) – ω.ω = 0
α2 – 2α + 1 – ω
2 = 0
22 4 4(1)(1 )
2
22 4 4 4
2
22 4
2
2 2
2
1 . (4.61)
Misalkan x = (x1, x2)'.
Akan dicari vektor eigen dari matriks Ω untuk setiap nilai-nilai eigennya.
x = (x1, x2)' adalah vektor eigen dari Ω untuk nilai eigen α jika x memenuhi
1
2
1 0
1 0
x
x
. (4.62)
Untuk α = 1 – ω.
x = (x1, x2)' adalah vektor eigen dari Ω untuk nilai eigen α = 1 – ω jika x
memenuhi
1
2
0
0
x
x
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
165
Universitas Indonesia
Dengan operasi baris elementer,
12 1
1
0 0 1 1 0
0 0 0 0 0 0 0
bb b
.
x1 + x2 = 0, berarti x2 = – x1.
Misalkan x1 = s, berarti x2 = – s.
1
2
1
1
x ss
x s
x .
Jadi, vektor eigen yang berpadanan denga nnilai eigen α = 1 – ω adalah
1
1s
x .
Untuk α = 1 + ω.
x = (x1, x2)' adalah vektor eigen dari Ω untuk nilai eigen α = 1 + ω jika x
memenuhi
1
2
0
0
x
x
.
Dengan operasi baris elementer,
12 1
1
0 0 1 1 0
0 0 0 0 0 0 0
bb b
.
x1 – x2 = 0, berarti x2 = x1.
Misalkan x1 = s, berarti x2 = s.
1
2
1
1
x ss
x s
x .
Jadi, vektor eigen yang berpadangan dengan nilai eigen α = 1 – ω adalah
1
1s
x .
Jadi, basis-basis untuk ruang eigennya adalah:
1
1
1
u dan 2
1
1
u .
Vektor-vektor eigen yang ortonormal adalah:
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
166
Universitas Indonesia
11 1
1
111 2
1 122
uv u
u dan
22 2
2
111 2
1 122
uv u
u.
Jadi, diperoleh
1 12 2
1 12 2
V , (4.63)
yang merupakan matriks ortogonal.
1 12 2
1 12 2
'
V . (4.64)
1 1adj( ) V V
V
1 11 2 2
1 11 1 1 12 2
2 2 2 2
1 11 2 2
1 1 1 12 22 2
1 12 2
1 12 2
'V . (4.65)
Jadi, sesuai Definisi 2.32 diperoleh
V'ΩV = D = diag(1 – ω, 1 + ω). (4.66)
Karena V matriks ortogonal, maka dengan (4.65) diperoleh
V–1
ΩV = diag(1 – ω, 1 + ω). (4.67)
Ω = Vdiag(1 – ω, 1 + ω)V–1
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
167
Universitas Indonesia
Maka dapat dicari akar kuadrat dari Ω, yaitu
Ω1/2
= V [diag(1 – ω, 1 + ω)]1/2
V–1
1/2 1diag 1 , 1 V V (4.68)
1 1 1 11 02 2 2 2
1 1 1 10 12 2 2 2
1 1 1 12 2 2 2
1 11 12 2
2 2
1 1 1 1
2 2
1 1 1 1
2 2
. (4.69)
Ω–1/2
adalah invers dari matriks Ω1/2
.
1/2 1/2
1/2
1adj( )
. (4.70)
1/2
1 1 1 1
2 2
1 1 1 1
2 2
2 2
1 1 1 1
2 2
2 21 2 1 1 1 2 1 1
4 4
24 1
4
21 . (4.71)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
168
Universitas Indonesia
1/2
2
1 1 / 2 1 1 / 21
1 1 1 / 2 1 1 / 2
.
2 2
2 2
1 1 1 1
2 1 2 1
1 1 1 1
2 1 2 1
. (4.72)
Jadi, dapat diperoleh determinan dari Ω–1/2
adalah
1/2
2 2
1 1 1 1 1 1 1 1
4 1 4 1
2 2
2
1 2 1 1 1 2 1 1
4 1
2 2
2
2 2 1 2 2 1
4 1
2
2
4 1
4 1
2
1
1
. (4.73)
Sesuai dengan hasil yang dijelaskan pada bagian Lampiran 2, diperoleh
bahwa 1/21/2 . Dari (4.1), diperoleh
1/2
1 1( , , ) diag , ,k k .
Jadi, untuk kasus bivariat, yaitu k = 2,
1/2
1 2 1 2( , ) diag ,
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
169
Universitas Indonesia
2 21
2
2 2
1 1 1 1
02 1 2 1
01 1 1 1
2 1 2 1
1 22 2
1 22 2
1 1 1 1
2 1 2 1
1 1 1 1
2 1 2 1
. (4.74)
Jadi,
12
1
12
1 1
2 1
1 1
2 1
dan
22
2
22
1 1
2 1
1 1
2 1
. (4.75)
Dari (4.57),
2
2
1
( , , ) 2 ( , ) , k
jk
j
f
'
y y y y ,
dengan
1/21 1
2
1( , ) (2 ) exp
2'
y y y . (4.76)
Bagian y'Ω–1
y menjadi
2 2
11
1 2
2
2 2
1
1 1
1
1 1
y' y y
y
y y
11 2 2 1
2 2
21 1
yy y y y
y
2 2
1 1 2 2 1 2
21
y y y y y y
2 2
1 1 2 2
2
2
1
y y y y
. (4.77)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
170
Universitas Indonesia
1/21 1
2
1( , ) (2 ) exp
2'
y y y
2 21/2
1 2 1 1 2 2
2
2(2 ) 1 exp
2 1
y y y y
. (4.78)
Jadi, f.k.p dari vektor acak Y yang berdistribusi skew-normal bivariat adalah
2 2
1/22 1 2 1 1 2 2
1 2 1 2 2
( 2 )( , , , , ) 2 (2 ) 1 exp
2(1 )
y y y yf y y
1 2
' ' y y (4.79)
dengan
1 1 1
2 2
1 1 1 1
2 1 2 1
', (4.80)
2 2 2
2 2
1 1 1 1
2 1 2 1
'. (4.81)
4.2.2 Fungsi Pembangkit Momen
Diketahui dari (4.48), f.p.m dari vektor acak Y ~ SN(k, Ω, γ) dinyatakan
dengan bentuk
11
1( ) 2 exp
2
k kk
i ji j
ji
M ' h p t
Y t t t ,
dengan p1, p2, ..., pk adalah vektor-vektor kolom dari matriks Ω1/2
di mana
1
2
j
j
j
kj
p
p
p
p
dan
1/2
2( 1,1)
1
ii
i
h
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
171
Universitas Indonesia
Maka, untuk kasus bivariat, yaitu untuk k = 2, f.p.m-nya adalah
2 2
2
11
1( ) 2 exp
2i ji j
ji
M ' h p t
Y t t t
2 2
11
14exp
2i ji j
ji
' h p t
t t . (4.82)
Karena Ω merupakan matriks parameter yang memiliki bentuk
1
1
,
maka bagian t'Ωt menjadi
1
1 2
2
1
1
t' t t t
t
t
1
1 2 2 1
2
tt t t t
t
2 2
1 1 2 2 1 2t t t t t t
2 2
1 1 2 22t t t t , (4.83)
dan diperoleh
2 2
11
1( ) 4exp
2i ji j
ji
M ' h p t
Y t t t
2 2
2 2
1 1 2 2
11
14exp 2
2i ji j
ji
t t t t h p t
2
2 2
1 1 2 2 1 1 2 2
1
14exp 2
2i i i i
i
t t t t h p t h p t
2 2
1 1 2 2 1 11 1 1 21 2
14exp 2
2t t t t h p t h p t
2 12 1 2 22 2h p t h p t .
Jadi, f.p.m dari Y ~ SN(k, Ω, γ) adalah
2 2
1 1 2 2 1 11 1 1 21 2
1( ) 4exp 2
2M t t t t h p t h p t
Y t ,
2 12 1 2 22 2h p t h p t , (4.84)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
172
Universitas Indonesia
di mana
1
1 1/22
1
( 1,1)1
h
, (4.85)
2
2 1/22
2
( 1,1)1
h
. (4.86)
11 22
1 1
2p p
, (4.87)
12 21
1 1
2p p
. (4.88)
4.2.3 Mean, Kovariansi, dan Variansi
Mean, variansi, dan kovariansi dari variabel-variabel acak Y1 dan Y2 akan
dicari dengan menggunakan f.p.m dan turunan-turunannya yang telah diperoleh
pada bagian 4.1.2. Dengan (4.54), dapat dicari mean dari Y1 dan Y2, yaitu
2
1
2( ) i i
I
E h
Y p
1 1 2 2
2h h
p p .
Karena p1 = (p11, p21)' dan p2 = (p12, p22)', maka
1 11 12
1 2
2 21 22
2E Y p ph h
E Y p p
1 11 2 12
1 21 2 22
2 h p h p
h p h p
1 11 2 12
1 21 2 22
2 h p h p
h p h p
1 11 2 12
1 21 2 22
2
2
h p h p
h p h p
. (4.89)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
173
Universitas Indonesia
1 1 11 2 12
2( )E Y h p h p
. (4.90)
2 1 21 2 22
2( )E Y h p h p
. (4.91)
Dengan menggunakan (4.55) dapat dicari E(Y1Y2).
22 2
2
1 1, 1,
( ) 2 0 0i j i j
i j lj i l j
E ' h h
'
YY p p
22 2
1 1, 1,
14 0
2i j i j
i j lj i l j
h h
'
p p
22 2
1 1, 1,
40
2i j i j
i j lj i l j
h h
'
p p
22
1 1 2 2
1 1,
40
2i i i i
i ll j
h h h h
' '
p p p p
2
2 1 2 1 1 2 1 2
1,
40
2 ll j
h h h h
' '
p p p p
2 1 2 1 1 2 1 2
40 0
2h h h h
' 'p p p p
2 1 2 1 1 2 1 2
40 0
2h h h h
' 'p p p p
2 1 2 1 1 2 1 2
4 1 1
2 2 2h h h h
' 'p p p p
2 1 2 1 1 2 1 2
4
2h h h h
' '
p p p p
2 1 2 1 1 2 1 2
2h h h h
' '
p p p p .
1 2 2 1 1 2 1 2
2h h h h
' '
p p p p . (4.92)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
174
Universitas Indonesia
Karena 11
1
21
p
p
p dan 12
2
22
p
p
p diperoleh
11 11 12 11 22
1 2 12 22
21 12 21 21 22
p p p p pp p
p p p p p
'p p , (4.93)
12 11 12 12 21
2 1 11 21
22 11 22 21 22
p p p p pp p
p p p p p
'p p , (4.94)
Jadi, persamaan (4.92) menjadi
1 2 2 1 1 2 1 2
2( )E ' h h h h
' '
YY p p p p
11 12 12 21 11 12 11 22
1 2 1 2
11 22 21 22 12 21 21 22
1 2
1
p p p p p p p ph h h h
p p p p p p p p
11 12 12 21 11 12 11 22
1 2 1 2
11 22 21 22 12 21 21 22
1 2
1
p p p p p p p ph h h h
p p p p p p p p
1 2 11 12 1 2 12 21 1 2 11 12 1 2 11 22
1 2 11 22 1 2 21 22 1 2 12 21 1 2 21 22
1 2
1
h h p p h h p p h h p p h h p p
h h p p h h p p h h p p h h p p
1 2 11 12 1 2 12 21 1 2 11 22
1 2 11 22 1 2 12 21 1 2 21 22
21 2
21
h h p p h h p p h h p p
h h p p h h p p h h p p
1 2 11 12 1 2 12 21 1 2 11 22
1 2 11 22 1 2 12 21 1 2 21 22
4 2 2
1
1 2 2 4
h h p p h h p p h h p p
h h p p h h p p h h p p
1 2 11 12 1 2 12 21 1 2 11 22
1 2 11 22 1 2 12 21 1 2 21 22
4 2 21
2 2 41
h h p p h h p p h h p p
h h p p h h p p h h p p
(4.95)
Karena
2
1 1 2
2
1 2 2
( )Y YY
E ' EYY Y
YY , dari (4.95) diperoleh E(Y1Y2), yaitu
1 2 1 2 12 21 1 2 11 22
2 2E YY h h p p h h p p
. (4.96)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
175
Universitas Indonesia
Karena 11 22
1 1
2p p
dan
12 21
1 1
2p p
, maka
11 21
1 1 1 1
2 2p p
1 1
4
2
4 2
2
. (4.97)
12 22
1 1 1 1
2 2p p
1 1
4
2
4 2
2
. (4.98)
Dari hasil (4.90), (4.91), dan (4.96) dapat diperoleh kovariansi dari variabel-
variabel acak Y1 dan Y2, yaitu
1 2 1 2 1 2Cov ,Y Y E YY E Y E Y
1 2 12 21 1 2 11 22
2 2h h p p h h p p
1 11 2 12 1 21 2 22
2h p h p h p h p
1 2 11 22 1 2 12 21
2 2h h p p h h p p
2 2
1 11 21 1 2 11 22 1 2 12 21 2 12 22
2h p p h h p p h h p p h p p
1 2 11 22 1 2 12 21
2 2h h p p h h p p
2 2
1 11 21 1 2 11 22 1 2 12 21 2 12 22
2 2 2 2h p p h h p p h h p p h p p
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
176
Universitas Indonesia
1 2 1 2 11 22 1 2 12 21
2 2Cov ,Y Y h h p p h h p p
2 2
1 1 2 11 22 1 2 12 21 2
2 2 2 2
2 2h h h p p h h p p h
1 2 11 22 1 2 12 21
2 2h h p p h h p p
2 2
1 1 2 11 22 1 2 12 21 2
2 2h h h p p h h p p h
2 2
1 2h h
2 2
1 21h h
2 2
1 2
11 h h
. (4.99)
Dari (4.95), yaitu
1 2 11 12 1 2 12 21 1 2 11 22
1 2 11 22 1 2 12 21 1 2 21 22
4 2 21
( )2 2 4
1
h h p p h h p p h h p p
E '
h h p p h h p p h h p p
yy ,
dapat diperoleh 2
1E Y dan 2
2E Y .
2
1 1 2 11 12
41E Y h h p p
. (4.100)
2
2 1 2 21 22
41E Y h h p p
. (4.101)
Dengan menggunakan persamaan-persamaan (4.100), (4.101), (4.90), dan (4.91)
diperoleh variansi dari masing-masing variabel acak adalah
22
1 1 1Var Y E Y E Y
2
1 2 11 12 1 11 2 12
4 21 h h p p h p h p
2
1 2 11 12 1 11 2 12
4 21 h h p p h p h p
2 2 2 2
1 2 11 12 1 11 1 2 11 12 2 12
4 21 2h h p p h p h h p p h p
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
177
Universitas Indonesia
2 2 2 2
1 1 2 11 12 1 11 1 2 11 12 2 12
4 2 4 2Var 1Y h h p p h p h h p p h p
2 2 2 2
1 11 2 12
2 21 h p h p
2 2 2 2
1 11 2 12
21 h p h p
. (4.102)
22
2 2 2Var Y E Y E Y
2
1 2 21 22 1 21 2 22
4 21 h h p p h p h p
2
1 2 21 22 1 21 2 22
4 21 h h p p h p h p
2 2 2 2
1 2 21 22 1 21 1 2 21 22 2 22
4 21 2h h p p h p h h p p h p
2 2 2 2
1 2 21 22 1 21 1 2 21 22 2 22
4 2 4 21 h h p p h p h h p p h p
2 2 2 2
1 21 2 22
2 21 h p h p
2 2 2 2
1 21 2 22
21 h p h p
. (4.103)
Berikut diberikan teorema terkait dengan sifat independensi dari distribusi
skew-normal bivariat.
Teorema 4.3.
Misalkan Y = (Y1, Y2)' adalah vektor acak bivariat yang berdistribusi SN(2, Ω, γ).
Maka Y1 dan Y2 saling bebas jika dan hanya jika ω = 0.
Bukti:
Bukti Teorema 4.3 ini akan dibagi ke dalam dua bagian.
() Akan dibuktikan bahwa jika ω = 0, maka Y1 dan Y2 saling bebas.
Bukti:
Perhatikan f.k.p dari distribusi skew-normal bivariat pada (4.79), yaitu
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
178
Universitas Indonesia
2 2
1/22 1 2 1 1 2 2
1 2 1 2 2
( 2 )( , , , , ) 2 (2 ) 1 exp
2(1 )
y y y yf y y
2
1 2 1 2( ) ( ), ( , )' ' y y y y ,
dengan
1 1 1
2 2
1 1 1 1
2 1 2 1
' dan
2 2 2
2 2
1 1 1 1
2 1 2 1
'.
Misalkan ω = 0, maka f.k.p-nya menjadi
2 2
1 22 1
1 2 1 2( , ,0, , ) 2 (2 ) exp2
y yf y y
1 2 1 2( ) ( ), ( , )' ' y y y y ,
dengan
1 1,0 '
dan 2 20, '
.
Jadi, f.k.p dari distribusi skew-normal bivariat menjadi
2 2
1 22 1
1 2 1 2 1 1 2 2( , ,0, , ) 2 (2 ) exp2
y yf y y y y
2
1/2 1/211 12(2 ) exp 2(2 )
2
yy
2
22 2exp
2
yy
.
Karena 2
1/2 11 12(2 ) exp
2
yy
merupakan bentuk f.k.p dari variabel acak
Y1 yang berdistribusi skew-normal univariat dengan parameter kemencengan γ1,
dan 2
1/2 22 22(2 ) exp
2
yy
merupakan bentuk f.k.p dari variabel acak Y2
yang berdistribusi skew-normal univariat dengan parameter kemencengan γ2,
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
179
Universitas Indonesia
maka sesuai Definisi 2.4, terbukti bahwa Y1 dan Y2 saling bebas. Jadi, terbukti
bahwa jika ω = 0, maka Y1 dan Y2 saling bebas.
() Akan dibuktikan bahwa jika Y1 dan Y2 saling bebas, maka ω = 0.
Bukti:
Dari (4.84), f.p.m dari vektor acak Y ~ SN(2, Ω, γ) adalah
1 2, 1 2( ) ( , )Y YM M t tY t
2 2
1 1 2 2 1 11 1 1 21 2 2 12 1 2 22 2
14exp 2
2t t t t h p t h p t h p t h p t
di mana
1
1 1/22
11h
,
2
2 1/22
21h
.
11 22
1 1
2p p
,
12 21
1 1
2p p
.
Dari (4.98) diperoleh kovariansi dari Y1 dan Y2, yaitu
2 2
1 2 1 2 1 2 1 2
1Cov , 1Y Y E YY E Y E Y h h
Jika Y1 dan Y2 saling bebas, maka 1 2Cov , 0Y Y .
Agar 1 2Cov , 0Y Y , maka 2 2
1 2
11 h h
harus bernilai 0. Jadi,
2 2
1 2
11 0h h
dapat mengakibatkan dua kasus, yaitu
(i) 2 2
1 2h h ;
(ii) ω = 0.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
180
Universitas Indonesia
Perhatikan kasus (i).
Jika kasus (i) yang terjadi, maka 2 2
1 2
11 0h h
mengakibatkan
2 2
1 2h h . Berdasarkan (4.47), 2
, 1,21
ii
i
h i
. Karena
i , i = 1, 2,
maka hi (– 1, 1). Maka nilai 2 2
1 2h h berada pada [0, 2), sedangkan
3,1428... 3 2 . Berarti tidak akan dapat diperoleh nilai h1 dan h2 sedemikian
sehingga 2 2
1 2h h . Jadi, kasus (i) ini tidak mungkin terjadi.
Perhatikan kasus (ii).
Jika kasus (ii) yang terjadi, maka 2 2
1 2
11 0h h
mengakibatkan ω = 0.
Karena kasus (i) tidak mungkin terjadi, dan hanya mungkin kasus (ii) yang
terjadi, yaitu 2 2
1 2
11 0h h
mengakibatkan ω = 0, maka terbukti bahwa
jika bahwa jika Y1 dan Y2 saling bebas, maka ω = 0.
Jadi, terbukti bahwa jika Y adalah vektor acak bivariat yang berdistribusi
SN(2, Ω, γ), maka Y1 dan Y2 saling bebas jika dan hanya jika ω = 0.
4.3 Contoh
Misalkan Y ~ SN(k, Ω, γ) dan k = 2, berarti Y ~ SN(2, Ω, γ).
1
1
.
Misalkan ω = 0 dan γ1 = γ2 = 0, maka Y ~ Nk(0, I) sesuai dengan Catatan 4.1, dan
sesuai Teorema 4.3, Y1 dan Y2 berdistribusi N(0, 1) dan saling bebas.
Pr(Y1 1, Y2 1) = Pr(Y1 1)Pr(Y2 1)
= (0,8413)(0,8413)
= 0,70778569.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
181
Universitas Indonesia
Misalkan ω = 0 dan γ1 = γ2 = 1, maka Y1 dan Y2 saling bebas dan berdistribusi
Y1 ~ SN(γ1) dan Y2 ~ SN(γ2) .
Pr(Y1 1, Y2 1) = Pr(Y1 1)Pr(Y2 1)
= F1(1)F1(1)
= [(1) – 2T(1, 1)][(1) – 2T(1, 1) ]
= [0,8413 – 2(0,066742)][0,8413 – 2(0,066742)]
= (0,707816)( 0,707816)
= 0,501003.
Misalkan ω = 0 dan γ1 = γ2 = – 1, maka Y ~ SN(2, I, γ).
Pr(Y1 1, Y2 1) = Pr(Y1 1)Pr(Y2 1)
= F–1(1)F–1(1)
= [(1) – 2T(1, –1)][(1) – 2T(1, –1) ]
= [(1) + 2T(1, 1)][(1) + 2T(1, 1) ]
= [0,8413 + 2(0,066742)][0,8413 + 2(0,066742)]
= (0,974784)( 0, 974784)
= 0,950204.
Misalkan ω = 0 dan γ1 = γ2 = 1, maka Y ~ SN(2, I, γ).
Pr(Y1 –1, Y2 –1) = Pr(Y1 –1)Pr(Y2 –1)
= F1(–1)F1(–1)
= [(–1) – 2T(–1, 1)][(–1) – 2T(–1, 1) ]
= [(–1) – 2T(1, 1)][(–1) – 2T(1, 1) ]
= [0,1587 – 2(0,066742)][0,1587 – 2(0,066742)]
= (0,025216)( 0, 025216)
= 0,000636.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
182
Universitas Indonesia
Misalkan ω = 0 dan γ1 = γ2 = – 1, maka Y ~ SN(2, I, γ).
Pr(Y1 –1, Y2 –1) = Pr(Y1 –1)Pr(Y2 –1)
= F–1(–1)F–1(–1)
= [(–1) – 2T(–1, –1)][( –1) – 2T(–1, –1) ]
= [(–1) + 2T(1, 1)][(–1) + 2T(1, 1) ]
= [0,1587 + 2(0,066742)][0,1587 + 2(0,066742)]
= (0,292184)( 0,292184)
= 0,085371.
Misalkan ω = 0, γ1 = – 1, dan γ2 = 1, maka Y ~ SN(2, I, γ).
Pr(Y1 1, Y2 1) = Pr(Y1 1)Pr(Y2 1)
= F–1(1)F1(1)
= [(1) – 2T(1, –1)][(1) – 2T(1, 1) ]
= [(1) + 2T(1, 1)][(1) – 2T(1, 1) ]
= [0,8413 + 2(0,066742)][0,8413 – 2(0,066742)]
= (0,974784)( 0,707816)
= 0,689968.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
183 Universitas Indonesia
BAB 5
PENUTUP
5.1 Kesimpulan
Dalam tugas akhir ini telah dijelaskan mengenai distribusi skew-normal.
Distribusi skew-normal adalah distribusi probabilitas data yang merupakan
perluasan dari distribusi normal, dengan memasukkan parameter kemencengan.
Distribusi skew-normal dapat memfasilitasi data-data yang memiliki
kemencengan yang kuat dan data-data yang mempunyai distribusi probabilitas
yang terpusat di sekitar mean tetapi kurang atau tidak simetris. Distribusi ini
memiliki beberapa sifat yang juga dimiliki distribusi normal, yaitu jika X ~ SN(α),
maka 2 2
1~X ; jika X berdistribusi skew-normal, maka – X juga berdistribusi
skew-normal; dan jika X ~ SN(α), Z ~ N(0, ζ2), maka |X| dan |Z| berdistribusi
identik. Distribusi skew-normal dapat diperumum dengan memasukkan parameter
location dan scale.
Untuk variabel acak skew-normal kasus univariat, karakteristik-
karakteristik yang dibahas adalah fungsi kepadatan probabilitas (f.k.p), fungsi
distribusi, fungsi pembangkit momen (f.p.m), mean dan variansi, sifat-sifat, dan
perluasan dengan memasukkan parameter location dan scale. Kemudian diberikan
perbandingan grafik antara grafik distribusi normal standar dengan skew-normal.
Misalkan X adalah variabel acak yang berdistribusi skew-normal dengan
parameter kemencengan α, atau ditulis X ~ SN(α), dengan . Karakteristik-
karakteristik yang dimaksud adalah
1. Fungsi kepadatan probabilitas:
fα(x) = 2(x)Φ(αx), – < x < ,
di mana adalah f.k.p dan Φ adalah fungsi distribusi normal standar N(0, 1).
2. Fungsi distribusi:
Fα(x) = (x) – 2T(x, α).
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
184
Universitas Indonesia
3. Fungsi pembangkit momen:
2
2( ) 2 ( )t
XM t e t , dengan 2
( 1,1)1
.
4. Mean:
2( )E X
.
5. Variansi:
22Var( ) 1X
.
6. Sifat-sifat dari variabel acak X ~ SN(α) adalah
(i) Jika α = 0, maka X = Z, dan jika α → ± , maka X = ±|Z|, di mana
Z ~ N(0, 1).
(ii) Jika X ~ SN(α), maka – X ~ SN(– α).
(iii) Jika X ~ SN(α), maka |X| dan |Z| berdistribusi identik.
(iv) 1 – Fα(– x) = F– α(x).
(v) F1(x) = {Φ(x)}2.
(vi) Jika X ~ SN(α), maka 2 2
1~X , yaitu suatu variabel acak berdistribusi
chi-square dengan derajat bebas = 1.
(vii) Sebuah variabel acak X mempunyai f.k.p fα(x) = 2(x)Φ(αx),
– < x < , jika dan hanya jika X mempunyai representasi
2
1 21X Z Z , di mana Z1, Z2 adalah variabel-variabel acak
N(0, 1) yang saling bebas, dan 2
( 1,1)1
.
(viii) Misalkan Z1, Z2 merupakan variabel acak yang berdistribusi normal
standar N(0, 1). Jika variabel acak X mempunyai representasi
X = a|Z1| + bZ2, maka
2 2 1/2 2 2 1/2 2 2 1/2
1 22
( ) ( ) | | ( ) ~1
a b X a b a Z a b bZ SN
,
di mana 2 2 1/2( )a b a adalah koefisien dari |Z1|.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
185
Universitas Indonesia
(ix) Jika X ~ SN(α) dan Z ~ N(0, 1) saling bebas, maka
2 2 2 2 2~
(1 )
aZ bX bSN
a b a b
untuk sebarang ,a b .
(x) Jika X ~ SN(α) dan Z ~ N(0, 1) saling bebas, maka
2~
2 2
X ZSN
.
(xi) Jika Xi ~ SN(αi) saling bebas dengan αi 0, i = 1, 2. Maka, secara
umum, X1 + X2 bukan variabel acak skew-normal.
7. Perluasan dengan memasukkan parameter location dan scale. Misalkan
X ~ SN(α), dan terdapat suatu variabel acak Y di mana Y = + X. Y adalah
variabel acak yang berdistribusi skew-normal dengan parameter kemencengan
α, parameter location , dan parameter scale , atau dinyatakan dengan
Y ~ SN(, , α), di mana dan > 0. Karakteristik-karakteristik dari
variabel acak ini adalah
(i) Fungsi kepadatan probabilitas:
2( ; , , ) ,
y yg y y
.
(ii) Fungsi distribusi:
( ) 2 ,y y
G y T
.
(iii) Fungsi pembangkit momen:
2 2
( ) 2exp ( )2
Y
tM t t t
.
(iv) Mean:
2( )E Y
.
(v) Variansi:
22 2
Var( ) 1Y
.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
186
Universitas Indonesia
8. Perbandingan grafik distribusi normal standar dan skew-normal.
Gambar 3.1 Grafik Distribusi Normal Standar
Gambar 3.2 Grafik Distribusi Skew-Normal
Untuk vektor acak skew-normal multivariat, karakteristik-karakteristik
yang dibahas adalah fungsi kepadatan probabilitas, fungsi pembangkit momen,
vektor mean, dan matriks kovariansi. Misalkan Y adalah vektor acak yang
berdistribusi skew-normal multivariat, atau Y ~ SN(k, Ω, γ). Ω adalah matriks
simetris yang definit positif berukuran k × k, γ = (γ1, ..., γk)' adalah vektor
kemencengan untuk bilangan-bilangan riil γ1, ..., γk,. Karakteristik-karakteristik
yang dimaksud adalah
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
187
Universitas Indonesia
1. Fungsi kepadatan probabilitas:
1
( , , ) 2 ( , ) , k
k k
jk
j
f
'
y y y y ,
di mana dan λ1, ..., λk adalah k vektor riil yang memenuhi
Λ = (λ1, ..., λk) = Ω–1/2
diag(γ1, ..., γk).
2. Fungsi pembangkit momen:
11
1( ) 2 exp
2
k kk
i ji j
ji
M ' h p t
Y t t t ,
dengan p1, p2, ..., pk adalah vektor-vektor kolom dari matriks Ω1/2
di mana
1
2
j
j
j
kj
p
p
p
p , dan
1/2
2( 1,1)
1
ii
i
h
.
3. Vektor mean:
1
2( )
k
i i
i
E h
Y p .
4. Matriks kovariansi:
1 1, 1 11,
2 20
2
k kk k k k
i j i j i i i i
i j i ilj i l j
h h h h
' '
p p p p .
5.2 Saran
Saran dari penulis mengenai topik tugas akhir ini adalah:
1. Distribusi skew-normal bukan satu-satunya distribusi probabilitas yang dapat
memfasilitasi kemencengan data dan data yang berdistribusi probabilitas
terpusat di sekitar mean tetapi kurang atau tidak simetris. Ada distribusi-
distribusi probabilitas data yang lebih baik daripada distribusi skew-normal.
2. Distribusi skew-normal multivariat yang dibahas pada tugas akhir ini masih
mungkin dapat dikembangkan, dan dapat diperluas dengan memasukkan
parameter location dan scale.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
188 Universitas Indonesia
DAFTAR PUSTAKA
Arnold, B.C. dan Beaver, R.J. (2007). Skewing Around: Relationships
Among Classes of Skewed Distributions. Methodology and Computing in
Applied Probability, Vol. 9, No. 2, 153-162
Azzalini, A. (1985). A Class of Distributions Which Includes the Normal Ones.
Scandinavian Journal of Statistics, Vol. 12, No. 2, 171-178.
Azzalini, A. (2005). A Very Brief Introduction to Skew-Normal
Distribution. http://azzalini.stat.unipd.it/SN/Intro/node1.html
Azzalini, A. dan Valle, D. (1996). The Multivariate Skew-Normal
Distribution. Biometrika, 83, 4, pp. 715-726.
Brown, N.D. (1997). Reliability Studies of The Skew-Normal Distribution.
A.B. Bowdoin College. University of Maine.
Foss, S., Korshunov, D., dan Zachary, S. (2008). An Introduction to Heavy-Tailed
and Subexponential Distributions. Schwarzwaldstrasse: Oberwolfach
Preprints.http://www.mfo.de/publications/owp/2009/OWP2009_13.pdf
Gupta, A.K. dan Chen, J.T. (2004). A Class of Multivariate Skew-Normal
Models. Annals Institute of Statistical Mathematics, Vol. 56, No. 2, pp.
305-315.
Hogg, R.V. dan Craig, A.T. (1995). Introduction to Mathematical
Statistics, 5th ed.. New Jersey: Prentice-Hall Inc.
Hogg, R.V., McKean, J.W., dan Craig, A.T. (2005). Introduction to
Mathematical Statistics, 6th ed. New Jersey: Prentice Hall.
Kaplan, W. (1991). Advanced Calculus, 4th ed. Addison-Wesley Publishing
Company.
Kreyszig, E. (1970). Introductory Mathematical Statistics. New York: John Wiley
& Sons.
Johnson, R.A. dan Wichern, D.W. (1998). Applied Multivariate Statistical
Analysis, 4th ed. New Jersey: Prentice-Hall.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
189
Universitas Indonesia
Lachos, V.H., Labra, dan F.V., dan Ghosh, P. Multivariate Skew-
Normal/Independent Distributions: Properties and Inference.
http://www.ime.unicamp.br/~hlachos/RobusRegres.pdf
Leone, F.C., Nelson, L.S., dan Nottingham, R. B.(1961). The Folded Normal
Distribution. Technometrics, Vol. 3, No. 4, 543-550.
Miller, I. dan Miller, M. (1999). John E. Freund's Mathematical
Statistics, 6th ed. New Jersey: Prentice Hall.
Owen, D.B. (1956). Tables for Computing Bivariate Normal Probabilities.
Institute of Mathematical Statistics: The Annals of Mathematical Statistics,
Vol. 2, No. 4, pp. 1075-1090.
Patefield, M. dan Tandy, D. Fast and Accurate Calculation of Owen's T-
Function. Department of Applied Statistics, The University of Reading.
UK.
Pourahmadi, M. Construction of Skew-Normal Random Variables: Are
They Linear Combinations of Normal and Half-Normal?
http://www.math.niu.edu/~pourahm/skewnorm.pdf
Tamhane, A.C. dan Dunlop, D.D. (2000). Statistics and Data Analysis
(from Elementary to Intermediate). New Jersey: Prentice Hall.
Weatherburn, C.E. (1968). A First Course in Mathematical Statistics. London:
Cambridge.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
190 Universitas Indonesia
LAMPIRAN
Lampiran 1. Indeks dan Parameter Kemencengan
Misalkan terdapat suatu variabel acak X ~ SN(α). Parameter α disebut
parameter kemencengan dan . Pada Lampiran 1 ini akan diberikan
penjelasan mengenai keterkaitan antara parameter kemencengan α dan indeks
kemencengan
3
3 3
E X
. Dengan menggunakan f.p.m dari variabel acak
X berdasarkan persamaan (3.34), yaitu
2
2( ) 2t
XM t e t ,
dengan
2( 1,1)
1
.
Dari (3.68) dan (3.69), diketahui
2( ) (0)E X M'
.
2( ) (0) 1E X M'' .
Dari persamaan (3.34), dapat diperoleh momen ketiga dan kemudian dapat dicari
indeks kemencengan β3. Dari persamaan (3.65) diperoleh
2 2 2
2( ) 2exp 2 exp 4 exp ( )2 2 2
''
X
t t tM t t t t t t
2
32 exp ( )2
tt t
.
Jadi, dapat diperoleh
2 2 2
( ) 2exp 2exp 4 exp2 2 2
'''
X
t t tM t t t t t t
2 2 2
2 22 exp 2 exp 4 exp ( )2 2 2
t t tt t t t t t
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
191
Universitas Indonesia
(lanjutan)
2 2
24 exp ( ) 4 exp ( )2 2
t tt t t t t t
2 2
3 32 exp ( ) 2 exp ( )2 2
t tt t t t
2
3 22 exp ( )2
tt t t
.
2 2 2
( ) 2 exp 2 exp 4 exp2 2 2
'''
X
t t tM t t t t t t
2 2 2
3 22 exp 2 exp 4 exp ( )2 2 2
t t tt t t t t
2 2 2
2 3 2 34 exp ( ) 4 exp ( ) 2 exp ( )2 2 2
t t tt t t t t
2 2
3 2 5 22 exp ( ) 2 exp ( )2 2
t tt t t t
.
2 2 2
36 exp 6 exp 2 exp2 2 2
t t tt t t t t
2 2
2 3 26 exp 6 exp ( )2 2
t tt t t t
2 2
3 5 22 exp ( ) 2 exp ( )2 2
t tt t t
.
Kemudian dapat diperoleh momen ketiga dari variabel acak X, yaitu
3 (0)'''
XE X M
36 0 2 (0)
31 16 2
2 2
36 2
2 2
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
192
Universitas Indonesia
(lanjutan)
3 32 23E X
2 23
. (L.1.1)
Jadi, indeks kemencengan dari X adalah
3
3 3
E X
3 2 2 3
3
3 3E X X X
3 2 2 3
3
3 3E X E X E X E
3 2 2 3
3
3 3E X E X E X
2 2 3
3
2 23 3 1 3
2 2 3
3
3 3 3
2 3 3
3
3 3 3
2 3
3
2
2 3
3
22
2
2 3
3
22
3 3
3
22
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
193
Universitas Indonesia
(lanjutan)
3
3 3
22
3
3
14
2
3
3
14
2
. (L.1.2)
Perhatikan persamaan (L.1.2).
33
3
3
2
2
21
.
Jadi, persamaan (L.1.2) menjadi
3
3 3
14
2
3
2
2
14
2 21
. (L.1.3)
Dari (3.33), diketahui bahwa
2( 1,1)
1
.
Dengan mensubstitusikan persamaan (3.33) ke (L.1.3), diperoleh
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
194
Universitas Indonesia
(lanjutan)
3
3
2
2
14
2 21
3
2
2
2
2
1 14
22
11
3
2
2
2
2
114
22
11
3
2
2 2
2 2
2
114
2 1 2
1 1
3
2
2 2
2
2
114
2 1 2
1
3
2
2 22
11 24
2 1 21
3
2 2
1 24
2 1 2
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
195
Universitas Indonesia
(lanjutan)
3
32 2
1 24
2 2
3
2
1 24
2 2
. (L.1.4)
Karena , maka nilai dari β3 ada pada interval (– 0,995, 0,995).
Dari hasil ini dapat disimpulkan bahwa hubungan antara β3 dan α bukan
merupakan suatu analogi. Namun, keduanya berkaitan melalui persamaan (L.1.4).
Untuk nilai kemencengan α = 0, melalui persamaan (L.1.4), 3
3
14 0 0
2 .
Jadi, sesuai dengan sifat pertama dari variabel acak skew-normal univariat, yaitu
ketika α = 0, variabel acak skew-normal univariat menjadi variabel acak yang
berdistribusi normal standar N(0, 1), dan indeks kemencengan untuk distribusi
normal bernilai 0.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
196
Universitas Indonesia
Lampiran 2. Matriks Ω dan Sifat-sifatnya
Matriks Ω merupakan matriks parameter berukuran k × k yang simetris,
dan merupakan matriks definit positif. Misalkan, matriks Ω dinyatakan dengan
11 12 1
21 22 12
1 2
k
k k kk
. (L.2.1)
Pada bab empat Ω merupakan matriks kovariansi dari vektor acak yang
berdistribusi normal multivariat dengan mean 0 dan Ω dinyatakan dengan
12 1
21 12
1 2
1
1
1
k
k k
. (L.2.2)
Dengan Teorema 2.38, karena matriks Ω simetris, maka Ω dapat didiagonalkan
secara ortogonal. Berarti matriks Ω mempunyai n vektor eigen ortonormal yang
berbeda. Misalkan matriks Ω memiliki nilai-nilai eigen λ1, λ2, ..., λk dengan
vektor-vektor eigen ortonormal terkait p1, p2, ..., pk. Misalkan V merupakan
matriks ortogonal yang berisi vektor-vektor eigen dari matriks Ω, yaitu
V = (p1, p2, ..., pk). Sesuai dengan bagian 2.20.18 mengenai diagonalisasi
ortogonal, dapat diperoleh
V–1
ΩV = D = diag(λ1, λ2, ..., λk). (L.2.3)
Karena V ortogonal, sesuai Definisi 2.30,
V–1
= V'. (L.2.4)
Berarti
V–1
ΩV = V'ΩV = D = diag(λ1, λ2, ..., λk). (L.2.5)
Untuk mencari akar kuadrat dari matriks Ω, persamaan (L.2.3) dibentuk menjadi
V–1
ΩV = D
VV–1
ΩV = VD
IΩV = VD
ΩV = VD
ΩVV–1
= VDV–1
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
197
Universitas Indonesia
(lanjutan)
ΩI = VDV–1
Ω = VDV–1
. (L.2.6)
Sesuai (2.190), akar kuadrat dari matriks Ω adalah
Ω1/2
= VD1/2
V–1
= VD1/2
V'.
Karena D adalah matriks diagonal, maka
1/2
1 2diag , , , k D . (L.2.7)
Sesuai dengan Teorema 2.38 bagian (c), maka Ω1/2
simetris.
Ω–1/2
merupakan invers dari matriks Ω1/2
, seperti yang dapat dilihat pada
persamaan (2.194). Matriks Ω–1/2
juga merupakan matriks yang simetris.
Berikutnya akan dibahas mengenai determinan dari matriks akar kuadrat
dari Ω. Berdasarkan persamaan (2.192), maka Ω = Ω1/2
Ω1/2
. Berdasarkan
persaman (2.194), maka Ω–1
= Ω–1/2
Ω–1/2
. Sesuai sifat fungsi determinan pada
Teorema 2.23, maka
det(Ω) = det(Ω1/2
)det(Ω1/2
). (L.2.8)
Karena Ω–1/2
merupakan invers dari matriks Ω1/2
, maka
Ω1/2
Ω–1/2
= Ω–1/2
Ω1/2
= I. (L.2.9)
Maka, hasil determinan dari persamaan di atas adalah
det(Ω1/2
Ω–1/2
) = det(I)
det(Ω1/2
Ω–1/2
) = 1
det(Ω1/2
)det(Ω–1/2
) = 1
det(Ω–1/2
) = 1/det(Ω1/2
). (L.2.10)
Dengan Teorema 2.23, diperoleh determinan dari matriks Ω dan Ω1/2
, yaitu
1det det VDV
1det det det V D V
1det det det D V V
1
det detdet
D VV
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
198
Universitas Indonesia
(lanjutan)
det det D
1 2 k . (L.2.11)
Karena Ω definit positif, maka berdasarkan Teorema 2.17, nilai-nilai eigen λ1, λ2,
..., λk positif, berarti det(Ω) > 0.
1/2 1/2 1det det VD V
1/2 1det det det V D V
1/2 1det det det D V V
1/2 1det det
det D V
V
1/2det D
1 2 k
1/2
det . (L.2.12)
Karena nilai-nilai eigen λ1, λ2, ..., λk positif, berarti det(Ω1/2
) = [det(Ω)]1/2
> 0.
1/2 1/2 1det det VD V
1/2 1det det det V D V
1/2 1det det det D V V
1/2 1det det
det
D VV
1/2det D
1 2
1 1 1
k
1/2
det
. (L.2.13)
Karena nilai-nilai eigen λ1, λ2, ..., λk positif, berarti det(Ω1/2
) = [det(Ω)]1/2
> 0.
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
199
Universitas Indonesia
Lampiran 3. Tabel Nilai Probabilitas Distribusi Normal Standar
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
200
Universitas Indonesia
Lampiran 4. Tabel Nilai Fungsi T-Owen
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
201
Universitas Indonesia
(lanjutan)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
202
Universitas Indonesia
(lanjutan)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
203
Universitas Indonesia
(lanjutan)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011
204
Universitas Indonesia
(lanjutan)
Distribusi skew- ..., Riyanto D Setyawan, FMIPA UI, 2011