Teknik Transformasi Peubah Acak

Dalam teori peluang dan statistika, seringkali kita tidak hanya tertarik pada karakteristik dari sebuah peubah acak (variabel acak) asli, melainkan pada peubah acak baru yang merupakan fungsi dari peubah acak tersebut. Proses menurunkan distribusi probabilitas dari peubah acak baru ini dikenal sebagai transformasi peubah acak.

Secara sederhana, jika kita memiliki peubah acak X dengan distribusi probabilitas yang diketahui, dan kita mendefinisikan peubah acak baru Y sebagai Y = g(X), bagaimana kita menentukan fungsi distribusi probabilitas (PDF) atau fungsi massa probabilitas (PMF) dari Y? Artikel ini akan mengulas teknik-teknik fundamental untuk melakukan transformasi tersebut, baik untuk peubah acak diskrit maupun kontinu, serta penjangkauan untuk kasus multivariat.

1. Transformasi Peubah Acak Diskrit

Kasus paling sederhana terjadi ketika peubah acak X bersifat diskrit. Jika X adalah peubah acak diskrit dengan fungsi massa probabilitas p_X(x), dan Y = g(X), maka Y juga merupakan peubah acak diskrit.

Untuk menemukan fungsi massa probabilitas dari Y, yaitu p_Y(y), kita dapat menggunakan pendekatan langsung dengan menjumlahkan probabilitas dari semua nilai X yang dipetakan ke nilai Y tertentu. Secara matematis, rumusnya adalah:

Di mana penjumlahan dilakukan atas semua x sedemikian rupa sehingga g(x) = y.

Contoh penerapan teknik ini sangat luas dalam ilustrasi statistika dasar. Misalnya, jika X adalah hasil lemparan dadu, dan Y = X², maka probabilitas Y = 4 adalah jumlah probabilitas di mana X = 2 atau X = -2 (jika rentang X memungkinkan). Dalam konteks dadu standar (1-6), hanya X=2 yang menghasilkan 4, sehingga probabilitasnya tetap 1/6.

2. Transformasi Peubah Acak Kontinu: Metode Distribusi Kumulatif

Berbeda dengan kasus diskrit, peubah acak kontinu memerlukan pendekatan yang melibatkan kalkulus, khususnya integral dan turunan. Metode yang paling umum dan sering digunakan adalah Metode CDF (Cumulative Distribution Function) atau metode distribusi kumulatif.

Metode ini bertumpu pada sifat bahwa fungsi densitas probabilitas (PDF) merupakan turunan pertama dari fungsi distribusi kumulatif (CDF). Langkah-langkahnya adalah sebagai berikut:

1. Tentukan CDF dari peubah acak baru Y, yaitu F_Y(y), dengan mendefinisikannya dalam bentuk probabilitas: F_Y(y) = P(Y ≤ y).
2. Substitusi Y dengan g(X), sehingga menjadi P(g(X) ≤ y).
3. Manipulasi pertidaksamaan g(X) ≤ y untuk memisukkan X, sehingga diperoleh bentuk P(X ≤ h(y)) atau interval lainnya. Ini akan menghasilkan ekspresi F_X(...) menggunakan CDF X yang diketahui.
4. Turunkan F_Y(y) terhadap y untuk mendapatkan PDF dari Y, yaitu f_Y(y).

Contoh klasiknya adalah distribusi eksponensial. Jika X memiliki distribusi eksponensial, dan kita ingin mencari distribusi dari Y = X². Kita cari P(X² ≤ y) yang ekuivalen dengan P(-√y ≤ X ≤ √y), kemudian kita nyatakan dalam bentuk CDF X, dan akhirnya diturunkan.

3. Transformasi Monoton Satu-dimension

Jika fungsi transformasi g bersifat monoton (strictly monotonic) terdiferensiasi di seluruh domain X, kita bisa menggunakan rumus singkat yang diperoleh dari turunan berantai. Rumus ini sering disebut sebagai metode transformasi variabel.

Jika Y = g(X) dan g monoton naik (turunannya positif), maka invers dari g, misalkan x = g^-1(y), ada. Rumus PDF untuk Y adalah:

Kenapa ada nilai mutlak? Fungsi densitas probabilitas tidak boleh negatif. Jika fungsi g monoton turun, turunannya akan negatif. Nilai mutlak berfungsi untuk menormalkan tanda tersebut. Nilai |d/dy [g^-1(y)]| juga dikenal sebagai Jacobian dalam satu dimensi (yang merupakan faktor skala perubahan luas area atau panjang interval saat transformasi dilakukan).

Teknik ini mempercepat perhitungan dibandingkan metode CDF karena kita tidak perlu menurunkan fungsi distribusi kumulatifnya secara manual setiap saat, selama syarat ketatunan (strict monotonicity) dan keterdiferensiasian terpenuhi.

4. Teknik Transformasi Multivariat (Metode Jacobian)

Dalam banyak aplikasi statistika lanjut, kita sering berhadapan dengan lebih dari satu peubah acak sekaligus, misalnya vektor peubah acak X = (X₁, X₂). Jika kita ingin melakukan transformasi ke vektor baru Y = (Y₁, Y₂) melalui fungsi:

Maka pendekatan satu dimensi tidak lagi cukup. Kita harus menggunakan Metode Transformasi Bivariat yang melibatkan matriks Jacobian.

Syarat utama metode ini adalah transformasi harus bersifat satu-satu (one-to-one), artinya setiap titik (y₁, y₂) berasal dari tepat satu titik (x₁, x₂), dan fungsi inversnya harus terdiferensiasi.

Rumus untuk PDF gabungan f_Y(y₁, y₂) adalah:

Di mana x₁ dan x₂ dinyatakan dalam fungsi invers terhadap y (x₁ = h₁(y₁, y₂)), dan J adalah determinan dari matriks Jacobian. Matriks Jacobian dinyatakan sebagai:

Konsep ini dapat digeneralisasi untuk n dimensi. Determinan Jacobian berfungsi sebagai faktor koreksi volume yang diperlukan saat kita mengubah koordinat dari ruang X ke ruang Y. Teknik ini sangat krusial dalam penurunan distribusi seperti distribusi Chi-kuadrat, t-Student, atau distribusi F, yang pada dasarnya merupakan transformasi kombinasi linier atau rasio dari peubah acak normal standar.

5. Kesimpulan

Teknik transformasi peubah acak adalah alat yang tak tergantikan dalam statistika matematika. Mulai dari pendekatan penjumlahan sederhana untuk variabel diskrit, hingga manipulasi CDF dan kalkulus Jacobian untuk variabel kontinu dan multivariat, setiap metode memiliki konteks penggunaannya masing-masing.

Memahami teknik ini memungkinkan peneliti atau mahasiswa statistika untuk menurunkan distribusi sampling, memahami perilaku data yang telah ditransformasi (seperti log-transformasi), serta memodelkan hubungan antar variabel yang kompleks. Penguasaan konsep fungsi invers, turunan, dan determinan matriks merupakan prasyarat mutlak untuk mendalami topik ini secara efektif.