alam kehidupan sehari - hari banyak kejadian yang terjadinya didasarkan pada peluang atau probabilitas,
misalnya peluang seseorang terkena jantung adalah 0,00001 , peluang hasil pertandingan final sepak bola
antara Perancis dan Brasilia adalah 3 - 2, dan lain sebagainya. Kejadian - kejadian seperti di atas
sebenarnya tidak hanya terjadi sekarang saja, tetapi hal tersebut sudah terjadi sejak ratusan tahun yang
lalu, atau mungkin juga ribuan tahun yang lalu.
Namun secara ilmu baru dirumuskan sekitar abad ke tujuh belas, yaitu ketika ada seorang penjudi kelas
kakap bernama Chevalier de Mere mengajukan pertanyaan kepada Pascal dan mendiskusikan kepada
Fermat ( 1601 - 1665).
Dengan perumusan kedua orang tersebut maka lahirlah ilmu peluang yang tidak saja menjawab
tentang perjudian , tetapi juga berkembang menjadi ilmu yang bermanfaat bagi ilmu pengetahuan,
khususnya statistika.
Suatu kejadian majemuk adalah kejadian yang dapat dinyatakan sebagai gabungan beberapa kejadian.
= ( n 1 ) !. Jika n = 1
maka didapat 0! = 1.
Teorema 1.3
Banyaknya permutasi dari n obyek yang berbeda adalah n !
Bukti :
Anggap ada n tempat yang masing masing tempat akan diisi satu obyek, sehingga tempat satu
dengan yang lain berisi obyek yang berbeda. Dengan cara seperti di atas maka tempat pertama dapat
diisi dari pilihan n obyek sedangkan tempat ke dua dapat diisi dari n 1 pilihan, dan seterusnya
sebagaimana gambaran di bawah.
n
n-1
n-2
Dengan menggunakan teorema 1.1 didapat hasil pergandaan dari n.(n-1).3.2.1 atau n!.
Contoh :
Misalnya dalam antrian loket untuk mendapatkan karcis pertunjukkan sepak bola terdapat 5 orang.
Ada berapa cara orang tersebut membentuk antrian yang berbeda ?
cara )
Teorema 1.4
Banyaknya permutasi dari n obyek yang berbeda jika diambil r
n adalah
nP r =.
Bukti :
Anggap ada r tempat dengan masing-masing tempat hanya dapat diisi dengan obyek yang berbeda,
maka didapat hasil seperti gambar di bawah.
n
n-1
n-2
n-r+1
Dengan menggunakan teorema 1.1 didapat hasil pergandaan dari n.(n-1)..(n-r+1) atau
Contoh :
Misalnya ada 7 orang sebagai formatur yang dapat dipilih menjadi pengurus organisasi dengan susunan
pengurus sebagai berikut: satu orang sebagai ketua, satu orang sebagai sekretaris, dan satu orang
sebagai bendahara. Ada berapa susunan pengurus yang berbeda dapat dibuat ?. ( Jawab : = 7.6.5 = 210
)
Teorema 1.5
Banyaknya permutasi n obyek yang berlainan yang disusun melingkar adalah ( n - 1 ) !.
Bukti :
Jika ada n obyek yang berbeda akan disusun melingkar pada n tempat maka tinggal n-1 tempat yang
bebas dapat ditempati n-1 obyek. Sehingga susunan berbeda yang dapat terjadi adalah ( n-1) !.
Contoh :
Misalnya ada 6 orang membentuk konferensi meja bundar. Ada berapa cara susunan cara duduk ke
n adalah
Bukti :
Untuk kombinasi urutan AB = BA. Jika dianggap urutan AB tidak sama dengan urutan BA maka
banyaknya urutan yang terjadi sama dengan kejadian pada teorema 1.4 yaitu . Karena setiap r obyek
dapat menyusun r! susunan yang berbeda maka banyak susunan yang terjadi dari kasus kombinasi
adalah .
Contoh :
Misalnya ada 7 orang sebagai formatur yang semuanya dapat dipilih untuk menjadi pengurus suatu
organisasi yang terdiri 3 orang. Ada berapa susunan pengurus yang dapat dibuat ?. ( Jawab : = 7 . 5 =
35 ).
1. Peluang Kejadian
Pada dasarnya tugas statistikawan adalah menyimpulkan atau menginferensi hasil suatu percobaan
yang mengandung ketidakpastian. Agar kesimpulan tersebut dapat dipertanggung jawabkan secara ilmiah
maka diperlukan pemahaman ilmu peluang. Untuk dapat menjawab dengan tepat hasil pertandingan final
sepak bola yang akan dilaksanakan diperlukan ilmu peluang tentang sepak bola beserta analisisnya yang
dapat dinyatakan sebagai peluang.
Didalam merumuskan peluang suatu kejadian ada tiga cara yang dapat digunakan yaitu :
1. Cara klasik
Misalnya banyaknya anggota ruang sampel adalah n dan banyaknya anggota kejadian A adalah m
STATISTIKA MATEMATIKA II_SEMESTER 4
maka peluang terjadinya kejadian A yang dinotasikan dengan P(A) adalah m/n. Misalnya peluang
munculnya angka gasal pada pelemparan satu mata dadu yang setimbang adalah .
Sedangkan peluang munculnya dua gambar pada pelemparan dua mata uang logam sekali adalah .
tersebut terjadi sebanyak m maka P( A ) = .Misalnya pada pelemparan mata uang dilakukan
sebanyak 1000 kali, dari pelemparan tersebut banyaknya muka muncul 506 kali, maka peluang
munculnya muka adalah 506 / 1000
0,5.
3. Cara subyektif
Banyaknya peluang dalam kejadian sehari - hari yang tidak dapat ditentukan dengan kedua cara di
atas, misalnya berapa peluang nanti sore akan hujan ?
Untuk menjawab pertanyaan tersebut diperlukan seorang ahli yang dapat memperkirakan dengan
baik kapan terjadinya hujan. Peluang yang ditentukan seperti di atas disebut peluang secara
subyektif.
Definisi 1.6
Jika A suatu kejadian dan S merupakan ruang sampel, maka 0
P(
P(A)
1,
) = 0, P ( S ) = 1.
B ) = P ( A ) + P ( B ) - P ( A B )
Bukti :
Dari teori himpunan diperoleh n ( A
B ) = n ( A) + n ( B ) n ( A
B ).
B ) = P ( A ) + P ( B ) - P ( A B )
B ) = P ( A ) + P ( B ).
Bukti :
Karena A dan B saling lepas maka A
P(A
B=
, sehingga P ( A B )= 0 dan
B ) = P ( A ) + P ( B ).
Teorema 1.9
Jika A dan A kejadian yang saling berkomplemen, maka P ( A ) = 1 - P ( A ).
Bukti :
Dari teori himpunan diketahui A
A = S, dan A
A =
sehingga didapat
P (A
Contoh :
Misalkan sebuah dadu ditos sekali. Berapa probabilitas bahwa mata dadu yang keluar lebih besar
sama dengan 2 ?.
Jawab :
Misalkan A = kejadian mata dadu yang keluar lebih besar sama dengan 2, maka
A = kejadian
mata dadu yang keluar satu. Berarti P ( A ) = 1/6, sehingga P ( A ) = 1 1/6 = 5/6.
1. Peubah Acak
Dari percobaan pelemparan dua mata uang logam yang setimbang sebanyak sekali maka didapat S =
{ MM, MG, GM, GG }. Misalnya X adalah fungsi dengan domain S yang didefinisikan X (MM) = 0 , X
(GM) = X (MG) = 1, dan X (GG) = 2. Ini berarti X merupakan fungsi bernilai real dengan domain S.
Definisi 1.7
Fungsi bernilai real yang domainnya ruang sampel disebut peubah acak atau variabel random.
Definisi 1.8
Jika banyaknya nilai dari peubah acak berhingga atau sama dengan banyaknya bilangan asli maka
peubah acak tersebut disebut tipe diskret.
Definisi 1.9
Jika banyaknya nilai peubah acak sama dengan banyaknya titik dari sepenggal garis atau sama
dengan banyaknya titik bilangan real maka peubah acak tersebut disebut tipe kontinu.
1.7 Distribusi Peluang Peubah Acak Diskret
Kadang - kadang dalam banyak kasus diinginkan bentuk distribusi dari suatu peubah acak, misalnya
jika seseorang mempunyai tiga anak, bagaimana distribusi peluang dari peubah acak banyaknya anak laki
- laki dari ketiga anak tersebut. Misalnya X = banyaknya anak laki-laki , maka distribusi peluangnya
adalah sebagai berikut :
X
P (X=x)
1/8
3/8
3/8
1/8
1.
f(x)
1.
0,
=1
Jika X peubah acak tipe diskret maka memenuhi sifat sebagai berikut
1.P ( X = x ) = f (x )
2. P ( A ) =
Contoh :
STATISTIKA MATEMATIKA II_SEMESTER 4
Misalkan f ( x ) = , x = 1, 2, 3 dan nol untuk yang lain merupakan pdf dari peubah acak X.
a.
berapakah k
b.
hitung P ( X = 2 )
c.
hitung P ( X > 2 )
d.
hitung P ( X
2)
Jawab :
a.
b.
Dari a) berarti f ( x ) =
c.
P (X>2)=P (X=3)=f(3)=
d.
P(X
k = 2.
, sehingga P ( X = 2 ) = f ( 2 ) =
Definisi 1.11
Peubah acak X tipe kontinu dikatakan mempunyai fkp f ( x ) jika
1. f ( x )
2.
0,
=1
Jika X peubah acak tipe kontinu maka mempunyai sifat sebagai berikut
1.
P (X=x)=0
2.
P(A)=
Contoh :
Misalkan f ( x ) = kx , 0 < x < 1 dan nol untuk yang lain merupakan pdf dari X.
a.
hitung k
b.
hitung P ( X = 0,5 )
c.
d.
Jawab :
a.
atau k = 2
b.
P ( X = 0,5 ) = 0
c.
d.
A)= P(X
1. F ( x ) = , jika X diskret
2. F ( x ) = dy , jika X kontinu
STATISTIKA MATEMATIKA II_SEMESTER 4
Contoh :
Tentukan distribusi komulatif dari peubah acak yang mempunyai pdf sebagai berikut :
1.
2.
3.
4.
Jawab :
1.
1. E ( a X ) = a E ( X )
2. E ( X + a ) = E ( X ) + a
3. var ( a X ) = a2 var ( X )
4. var ( X + a ) = var ( X )
Definisi 1.14 : Moment Generating Function ( MGF)
Fungsi pembangkit momen dari peubah X yang mempunyai fkp f ( x ) adalah
E ( etx ) ,
dan varians
sehingga E ( X -
dan varians
sehingga E ( X -
1. Pertidaksamaan Chebyshev
Dalam bagian ini akan dibahas tentang teorema yang dapat digunakan untuk menghitung peluang
suatu peubah acak jika tidak diketahui fkp nya, tetapi diketahui mean dan variansnya saja.
Teorema 1.13
Misalkan u ( X ) fungsi non negatif dari peubah acak X. Jika E ( u ( X ) ) ada maka untuk setiap
konstanta c berlaku P ( u ( X )
c)
X-
X-
dan varians
. Maka
1/ k atau
1 - 1/ k
1. Buktikan a . = 2 n
b.
b . = 1/6 k ( k + 1 ) ( 2k + 1 )
B)=P (A)-P (A
b. P ( A
B ) = 1 - P ( A
B)
B )
B ) = 1/10. Hitung
a. P ( B )
b. P A
c. P ( B
d. P ( A
B )
A )
B )
B
B
C)
C )
yang lain.
a. Tentukan konstanta c
b. Tentukan distribusi komulatifnya
c. Hitung P ( X > 2 )
d. Hitung E ( X )
1. Peubah acak X mempunyai distribusi komulatif F ( x ) = 1 - ( ) x + 1 , x = 0, 1, 2, dan nol untuk yang
lain.
20 )
c. Hitung P ( X genap )
1. Misalkan peubah acak diskret X memenuhi sifat P ( X = x ) > 0, jika x = 1, 2, 3 atau 4 dan P ( X = x ) =
0, untuk yang lain. Misalkan distribusi komulatif
F ( x ) = 0.05 x ( 1 + x ) untuk nilai x = 1, 2, 3, atau 4.
-(k+1)
, jika
xe-
;x
x
0;
3.
> 0.
d. Hitung P ( X
m)=P (X
m)
Hitung E ( X )
a. Ak = { x / 1/k
A2
A3
Ak + 1 untuk
k = 1, 2,
3 - 1/k } , k = 1, 2, 3,
b. Ak = { ( x , y ) / 1/k
x2+y2
4 - 1/k } , k = 1, 2, 3, .
A1
Ak + 1 untuk
A2
A3
k = 1, 2,
.. , maka tentukan
jika
a. Ak = { x / 2 - 1/k
b. Ak = { x / 2 < x
2 + 1/k } , k = 1, 2, 3, .
c. Ak = { ( x , y ) / 0
2 } , k = 1, 2, 3,
x2+y2
1/k } , k = 1, 2, 3, .
1. Misalkan f ( x ) = x/15 , x = 1, 2, 3, 4, 5 dan nol untuk yang lain merupakan fkp dari peubah acak X.
Tentukan a) P ( X = 1 atau X = 2 )
1. Modus dari distribusi suatu peubah acak X adalah nilai x yang memaksimumkan fkp
f ( x ). Dari fkp
dan P ( X
x)
. Tentukan median dari masing - masing distribusi yang mempunyai fkp berikut :
( distribusi
f ( x ) = 1/3 , 0 < x < 1 atau 2 < x < 4 , dan nol untuk yang lain.
1. Misalkan f ( x ) = 1 , 0 < x < 1 , dan nol untuk yang lain merupakan fkp dari X. Tentukan fungsi distribusi
dan fkp dari Y =
X.
1. Misalkan f ( x ) = x/6 , x = 1, 2, 3 ,dan nol untuk yang lain merupakan fkp dari X. Tentukan fungsi
distribusi dan fkp dari Y = X 2 .
2. Misalkan X dan Y mempunyai fkp f ( x , y ) = 1 , 0 < x < 1 , 0 < y < 1, dan nol untuk yang lain. Tentukan
fkp dari Z = XY.
3. Misalkan peubah acak X mempunyai fkp f ( x ) = ( x + 2 ) /18 , -2 < x < 4 , dan nol untuk yang lain.
Tentukan E ( X ) , E [ ( X + 2 ) 2 ], dan E [ 6 X - 2 ( X + 2 ) 3 ].
4. Misalkan fkp bersama antara X dan Y adalah f ( x, y ) = e -x - y , x > 0 , y > 0 , dan nol untuk yang lain.
Ambil u ( X , Y ) = X , v ( X , Y ) = Y, dan w ( X , Y ) = XY . Buktikan E [u ( X , Y ) ]. E [v ( X , Y ) ]
= E [w ( X , Y ) ].
5. Misalkan peubah acak X tipe kontinu mempunyai fkp f ( x ). Jika m adalah median yang tunggal dari X
dan b konstanta real , maka buktikan
E(
X-b
)=E(
X-m
)+2
]/
dan varians
sehingga E [ ( X -
) 3 ] ada maka E [ (
) 4 ]/
dan varians
sehingga E [ ( X -
) 4 ] ada maka E [ (
alam kehidupan sehari-hari banyak dijumpai bahwa suatu kejadian tidak tunggal, tetapi mungkin dijumpai
beberapa kejadian yang satu dengan yang lain mungkin saling mempengaruhi atau yang satu dengan yang lain
saling bebas. Demikian juga ada kejadian yang terjadinya terjadi setelah kejadian lain terjadinya diketahui.
Pada bab ini akan dibahas tentang peluang bersyarat, teorema Bayes, distribusi marginal, distribusi bersyarat,
bebas stokastik, kovarians, dan korelasi.
1. Peluang Bersyarat
Misalkan A dan B kejadian yang terjadinya bersama-sama dengan kejadian B diketahui terjadinya
terlebih dahulu. Peluang terjadinya A jika diketahui B terjadi dahulu disebut peluang bersyarat, yang
dinotasikan P ( A / B ).
Definisi 2.1
Jika A dan B dua kejadian yang terjadi bersama-sama maka peluang terjadinya A dengan syarat B
yaitu .
Dari pengertian kejadian yang saling bebas berarti jika A dan B dua kejadian yang saling bebas maka
P ( A / B ) = P ( A ) maka dengan menggunakan definisi 2.1 didapat hubungan P ( A
B) =P (A)
.P(B)
Teorema Bayes
Jika C1 , ., Cm kejadian yang saling lepas dan C adalah kejadian yang merupakan subset
dari union C1 , ., Cm maka
1. P ( C ) = , i = 1, 2, ., m
2. P ( Ci / C ) =
1. Distribusi Marginal dan Bersyarat
Misalkan f ( x,y ) merupakan fkp bersama dari peubah acak X dan Y maka fkp marginal dari X
adalah
f(x)=
Ada kalanya diinginkan untuk mengetahui nilai Y jika X = x diketahui. Hal ini dapat ditentukan dengan
menghitung nilai mean bersyarat yaitu E ( Y / x ) yang didefinisikan E ( Y / x ) =
, untuk kasus
diskret
= , untuk kasus kontinu
dan varians bersyarat var ( Y / x ) = E { [ Y - E ( Y / x ) ] 2 / x }
1. Koefisien Korelasi
Banyak dijumpai dalam kehidupan sehari-hari bahwa peubah acak yang satu dengan yang lain
mungkin saling mempengaruhi atau tidak. Misalkan peubah acak X dan Y masing-masing mempunyai
mean
dan
serta varians
2
1
yang didefinisikan
dan
, maka
E ( XY ) -
Teorema 2.1
Nilai koefisien korelasi dari peubah acak X dan Y adalah - 1
1.
Untuk dua peubah acak X dan Y yang mempunyai fkp bersama f ( x , y ) dapat ditentukan fungsi
pembangkit momennya yang didefinisikan E ( etx + sy ) dengan
1.
Bebas Stokastik
Misalkan X dan Y dua peubah acak yang mempunyai fkp bersama f ( x , y ) dan fkp marginal masing
- masing f ( x ) dan f ( y ). Dari definisi distribusi bersama
( x / y ) tidak tergantung dari y maka didapat
f(x,y)=f(x)f(y)
Definisi 2.
Misalkan X dan Y dua peubah acak yang mempunyai fkp bersama f ( x , y ) dan fkp marginal dari X
adalah f ( x ) dan marginal dari Y adalah f ( y ). Peubah acak X dan Y dikatakan saling bebas stokastik
jika f ( x , y ) = f ( x ). f ( y )
Teorema 2.2
Jika X dan Y peubah acak yang bebas stokastik dengan fkp marginal f ( x ) dan
f ( y ) maka P ( a
< X < b , c < Y < d ) = P ( a < X < b ) P ( c < Y < d ) untuk setiap a < b dan c < d, dengan a, b, c,
dan d konstanta.
Teorema 2.3
Misalkan peubah acak X dan Y mempunyai fkp bersama f ( x , y ). Maka X dan Y bebas stokastik
jika dan hanya jika f ( x , y ) dapat dinyatakan sebagai hasil pergandaan fungsi non negatif dari x dan
fungsi non negatif y, yaitu
f(x,y)=g(x). h(y)
P (C2
C3
.. / C1 ) = P ( C2 / C1 ) + P ( C3 / C1 ) +
untuk yang lain. Tentukan mean dan varians bersyarat dari Y jika diberikan X = x , 0 < x < 1.
STATISTIKA MATEMATIKA II_SEMESTER 4
3. Misalkan f ( x / y ) = cx / y 2 , 0 , x < y , 0 < y < 1 , dan nol utnuk yang lain , dan f ( y ) = d y 4 , 0 < y
< 1 ,dan nol untuk yang lain masing -masing merupakan fkp bersyarat dan fkp marginal. Tentukan
a. konstanta c dan d
b. fkp bersama antara X dan Y
c. P ( < X < / Y = 5/8 )
d. P ( < X < )
1. Misalkan f ( x , y ) = 21 ( x y ) 2 , 0 < x < y < 1 , dan nol untuk yang lain merupakan fkp bersama
antara X dan Y. Tentukan mean dan varians bersyarat dari X jika Y = y , 0 < y < 1.
1. Jika X dan Y adalah peubah acak tipe diskret yang mempunyai fkp bersama
f(x,y)=(x+2
1. Misalkan f ( x , y ) = 2 , 0 < x < y , 0 < y < 1 , dan nol untuk yang lain merupakan fkp bersama dari X
dan Y . Buktikan E ( Y / x ) = ( 1 + x ) / 2 , 0 < x < 1 dan
E(X/y)=y/2,0<y<1,
1. Misalkan X dan Y mempunyai fkp bersama f ( x , y ) = 1 , -1 < y < x , 0 < x < 1 dan nol untuk yang
lain. Buktikan E ( Y / x ) merupakan garis lurus dan E ( X / y ) bukan merupakan garis lurus.
f ( x , y ) = 12 xy
( 1 - y ) , 0 < x < 1 , 0 < y < 1, dan nol untuk yang lain merupakan independen stokastik.
3. Jika peubah acak X dan Y mempunyai fkp bersama f ( x , y ) = 2 e - x - y , 0 < x < y , y > 0 , dan nol
untuk yang lain. Buktikan X dan Y independen stkastik.
4. Misalkan f ( x , y ) = 1/16 , x = 1, 2, 3, 4 dan y = 1, 2, 3, 4 dan nol untuk yang lain. Buktikan X dan Y
independen stokastik.
5. Tentukan P ( 0 < X < 1/3 , 0 < Y < 1/3 ) jika peubah acak X dan Y mempunyai fkp bersama f ( x ,
y ) = 4 x ( 1 - y ) , 0 < x < 1 , 0 < y < 1 dan nol untuk yang lain.
alam bab sebelumnya telah dibahas tentang distribusi dari statistik yang diperoleh , misalkan Yn =
Xi berdistribusi binomial b(n , p) jika Xi independen stokastik berdistribusi bernoulli b( 1 , p ).
Demikian juga
normal N( ,2 ).
Dari dua contoh di atas terlihat bahwa distribusi dari statistik yang diperoleh tergantung dari ukuran
sampel n. Pada bab ini akan dibahas suatu
Distribusi yang akan dibahas biasanya dinamakan distribusi hampiran ( limiting distribution).
Definisi :
Misalkan Fn (y) merupakan distribusi komulatif dari peubah acak Yn yang tergantung dari n,
STATISTIKA MATEMATIKA II_SEMESTER 4
merupakan
distribusi
komulatif
,0<x<
,0<y<
Gn ( y ) =
maka
maka G(y) =
Definisi :
Distribusi komulatif G(y) dinamakan degenarate distribution pada nilai y = c jika
G(y) =
Definisi :
Barisan peubah acak Y1 , Y2 , . Dikatakan konvergen stokastik ke konstanta c
jika
> 0 berlaku
Teorema :
Misalkan Yn mempunyai distribusi komulatif Fn (y) dan fungsi pembangkit momen M( t; n)
ada untuk - h < t < h dan semua n. Jika terdapat distribusi komulatif F(y) yang bersesuaian
dengan fungsi pembangkit momen M(t) sehingga
F(y).
Teorema Limit Pusat :
Misalkan X1 , , Xn merupakan sampel acak dari distribusi yang mempunyai mean
STATISTIKA MATEMATIKA II_SEMESTER 4
Yn =
mempunyai
= n dan
, dengan
3. Misalkan Zn berdistribusi Poisson dengan mean = n. Tentukan distribusi hampiran dari Yn = (Zn - n ) /
n.
4. Misalkan
merupakan mean dari sampel acak berukuran n yang berdistribusi Poisson dengan mean 1.
Tentukan dari mgf dari Yn = n (n - 1) dan juga tentukan distribusi hampiran dari Yn .
5. Misalkan n adalah mean dari sampel acak berukuran n yang mempunyai pdf
untuk yang lain. Tentukan mgf dari Yn = n (n - 1) dan tentukan distribusi hampiran dari Yn .
6. Misalkan
100
merupakan mean dari sampel acak berukuran 100 yang berdistribusi Kai-kuadrat dengan
7. Misakan
128
= 2 dan
adalah mean dari sampel acak berukuran 128 yang berdistribusi gamma dengan parameter
= 4. Hitung P( 7 < 128 < 9).
10. Misalkan Y berdistribusi binomial b(400, 1/5) . Hitung P( 0,25 < Y/n).
11. Misalkan merupakan mean dari sampel acak berukuran 100 dari distribusi
nilai pendekatan dari P ( 49 <
( 50 ) . Hitung
< 51 ).
12. Misalkan adalah mean dari sampel acak berukuran 128 dari distribusi gamma dengan parameter
dan
=2
a. P ( < )
a. P ( < 32 )
b. P ( Z 1 - Z 2 < 2 )
c. P ( Z 1 + Z 2 < 2 )
e. P ( < 25 )
alam penerapan , seperti pada penelitian tidak semua distribusi dari suatu peubah acak dapat digunakan ,
tetapi ada beberapa distribusi yang sering digunakan diantaranya adalah distribusi binomial, Poisson,
Eksponensial, Normal, Chi - Square dan lain sebagainya. Pada bagian ini akan dibahas tentang
distribusi-distribusi yang sering digunakan dalam penelitian.
2. Distribusi Bernoulli
Banyak kejadian dalam sekeliling kita yang hasilnya selalu dual yaitu sukses atau gagal.
Satu percobaan yang hanya menghasilkan sukses atau gagal saja dengan peluang sukses p dan
peluang gagal 1 - p disebut kejadian Bernoulli. Peubah acak X dikatakan mempunyai distribusi
Bernoulli jika mempunyai fkp f ( x ) =
Jika sukses dilambangkan dengan 1 dan gagal dengan 0, maka fkp-nya biasanya dituliskan f (x) = px
( 1 p )1-x , x = 0 , 1
= 0 , yang lain.
1. Distribusi Binomial
Misalkan ada n barisan kejadian yang saling bebas dengan tiap kejadian merupakan kejadian
Bernoulli, maka jika X merupakan banyaknya sukses dari barisan tersebut maka X berdistribusi
binomial. Peubah acak X dikatakan mempunyai distribusi binomial jika mempunyai fkp
f ( x ) = , x = 0, 1, 2, ., n ; 0 < p < 1
= 0 , untuk yang lain
Jika X berdistribusi binomial dengan peluang sukses p, maka biasanya dinotasikan X
b(n,
p)
Teorema 3.1
Jika X berdistribusi binomial b ( n , p ) maka E ( X ) = np dan Var ( X ) = np( 1 - p ).
Teorema 3.2
Jika X berdistribusi binomial b ( n , p ) maka M ( t ) = [ ( 1 - p ) + pet )n
1. Distribusi Multinomial
Jika pada distribusi binomial, populasi dibagi menjadi dua kategori maka pada distribusi
multinomial, populasi dibagi menjadi beberapa kategori. Misal ada m kategori yaitu A1 ,
., Am dengan peluang p1 , ., pm dengan p1 + .+ pm = 1. Misalnya
pada A1 terjadi x1 kali, , pada Am terjadi xm kali. Fungsi kepadatan peluang dari A1 ,
., Am disebut distribusi multinomial, yang fkpnya dinyatakan sebagai berikut
P ( X1 = x1 , ., Xm = xm ) =
= 0 , untuk yang lain
1. Distribusi Hipergeometrik
Distribusi hipergeometrik merupakan distribusi binomial jika dikerjakan dengan tanpa
pengembalian. Misal ada N obyek yang terdiri atas M obyek dan N - M obyek. Misal dari N obyek
tersebut diambil n obyek tanpa pengembalian, dan misal X adalah banyaknya obyek yang terambil
dari M, maka X berdistribusi hipergeometrik dengan fkp
f(x)=
, x = 0, 1, 2, .., n
= 0 , yang lain
Teorema 3.3
Jika pada distribusi hipergeometrik N besar sekali ( N
) dan
( M/ N )
p,
dan sampling dilakukan dengan pengembalian, maka distribusi hipergeometrik menjadi distribusi
binomial.
1. Distribusi Geometrik
Misalkan terdapat barisan kejadian yang saling bebas dengan setiap kejadian menghasilkan
sukses atau gagal , dengan peluang sukses p dan peluang gagal 1 - p. Jika X adalah banyaknya
kejadian sehingga diperoleh sukses yang pertama maka X berdistribusi geometrik yang fkpnya
adalah
f( x ) = ( 1 - p )x - 1 p , x = 1, 2,
= 0 , untuk yang lain
1. Distribusi Poisson
Peubah acak X dikatakan berdistribusi Poisson dengan parameter
dengan (
> 0 ) jika
X mempunyai fkp
f ( x ) = , x = 0, 1, 2, ..
= 0 , yang lain
STATISTIKA MATEMATIKA II_SEMESTER 4
Teorema 3.4
Jika X berdistribusi Poisson dengan parameter
maka E ( X ) =
dan var ( X ) =
Teorema 3.5
Jika X berdistribusi Poisson dengan parameter
M ( t ) = atau exp (
maka
( e t - 1 ) ).
Teorema 3.6
Jika X berdistribusi gamma dengan parameter
dan
makaE ( X ) =
, dan var ( X ) =
= n/2 , dan
menjadi distribusi Chi- Square. Fungsi kepadatan peluang dari distribusi ini adalah f ( x ) = , x > 0
= 0 , untuk yang lain
Bentuk fkp seperti di atas disebut distribusi chi - square dengan derajat bebas n.
Teorema 3.7
Jika X berdistribusi chi - square dengan derajat bebas n maka E ( X ) = n dan var ( X ) = 2n
Teorema 3.8
Jika X berdistribusi chi - square dengan derajat bebas n maka
M(t)= ,t<
1. Distribusi Eksponensial
Jika distribusi gamma diketahui
= 1, dan
e-
=0
= 1/
,x>0
, yang lain
Teorema 3.9
Jika X berdistribusi eksponensial dengan parameter
maka E ( X ) = 1/
dan var ( X ) = 1/
1. Distribusi Beta
Peubah acak X dikatakan mempunyai distribusi beta jika mempunyai fkp
f(x)= ,0<x<1
= 0 , yang lain
1. Distribusi Normal
Distribusi normal merupakan distribusi yang paling banyak digunakan oleh para pengguna
statistik, karena dengan distribusi ini akan didapat distribusi lain yang dikenal, misalnya distribusi chi
- square. Jika peubah X mempunyai distribusi normal dengan mean
dan varians
maka
fkp-nya adalah
f(x)= ,-
<x<
,-
<
<
, dan
> 0.
Teorema 3. 10
Jika X berdistribusi normal dengan mean
M ( t ) = exp (
t+(
dan varians
maka
2 2
t )/ 2 ) .
Teorema 3.11
Jika X berdistribusi normal dengan mean
dan varians
maka
Z =
berdistribusi normal baku, yaitu distribusi normal dengan mean 0 dan varians 1.
Teorema 3.12
Jika X berdistribusi normal dengan mean
dan varians
maka
Torema 3. 13
Jika X1 , ., Xn peubah acak yang identik independen berdistribusi normal mean
dan varians
maka
1.
2.
1. Distribusi Student t.
Distribusi ini banyak digunakan dalam inferensi statistik, utamanya untuk inferensi parameter
distribusi normal jika varians
dari
tidak diketahui.
Peubah acak X dikatakan mempunyai distribusi student t , dengan derajat bebas n jika mempunyai fkp
STATISTIKA MATEMATIKA II_SEMESTER 4
f(x)=
= 0 , untuk yang lain
2. Distribusi F
Distribusi ini banyak dipakai untuk inferensi statistik parameter
berdistribusi normal.
Peubah acak X dikatakan berdistribusi F dengan derajat bebas pembilang n, dan derajat bebas
penyebut m jika mempunyai fkp
f(x)=
= 0 , yang lain
2
1
) dan
N(
2
2
adalah koefisien korelasi dari X dan Y maka pdf bersama antara X dan Y , yaitu f ( x , y )
<x <
,-
<y<
= 0 , yang lain
dengan q =
+2
P(
-2
<X
)=
E ( ( X/n) - p ) 2
=(p(1-p))/n
f ( x ) = 3x 2 , 0 <
x < 1 , dan nol untuk yang lain , maka tentukan peluang bahwa tepat dua dari tiga peubah acak tersebut
melebihi .
5. Misalkan Y banyaknya sukses dari n independen percobaan dengan peluang sukses p = 2/3. Jika n = 3,
maka hitung P ( 2
Y ).
6. Misalkan Y banyaknya sukses dari n independen percobaan dengan peluang sukses p = . Tentukan n
terkecil sehingga P ( 1
Y)
0,70.
7. Misalkan X dan Y sampel acak inedenpen stokastik dengan masing - masing berdistribusi binomial
dengan parameter n = 3 , p1 = 2/3 dan m = 4 dengan p2 = . Hitung P ( X = Y ).
9.
1)=
1 ).
1. Jika x = r adalah modus yang tunggal dari distribusi binomial B ( n , p ) maka buktikan ( n + 1 ) p - 1 < r
< ( n + 1 ) p.
M(t)=pr[1-(
3.
4. Misalkan f ( x , y ) = , y = 0, 1 , 2 , ., x ; x = 1, 2, 3, 4, 5
dan nol untuk yang lain, adalah fkp bersama antara X dan Y. Tentukan
a. E ( Y )
b. u ( x ) = E ( Y / x )
c. E ( u ( X ) )
P(
-2
<X<
) = 0,931.
2. Didalam buku tertentu dikatakan bahwa rata - rata hanya 13,5 prosen dari suatu halamannya tidak salah
ketik. Jika diasumsikan bahwa banyaknya kesalahan per halaman berdistribusi Poisson, maka tentukan
prosentase dari halaman hanya memuat satu kesalahan ketik.
3. Misalkan fkp f ( x ) adalah positif pada dan hanya pada bilangan non negatif. Didefinisikan f ( x ) = ( 4/x )
f ( x - 1 ) , x = 1, 2, 3, Tentukan f ( x ).
x = 0 , 1, , y
1. Jika ( 1 - 2t ) -6 , t < , adalah mgf dari peubah acak X, maka tentukan P ( X < 5,23 ).
2. Jika X berdistribusi
P (c <X<d)
= 3 dan
= 4, maka tentukan
25,2 ).
5. Misalkan X1 , X2 , dan X3 adalah independen stokastik dengan masing - masing mempunyai fkp f ( x ) = e x
Y = minimum (X1 , X2 , X3 ).
STATISTIKA MATEMATIKA II_SEMESTER 4
6. Misalkan X berdistribusi gamma dengan fkp f ( x ) = , x > 0 , dan nol untuk yang lain. Jika x = 2 modus
tunggal dari distribusi, maka tentukan parameter
I. STATISTIK CUKUP
ada bab ini akan dibahas tentang kriteria dari estimator diantaranya adalah statistik cukup untuk parameter,
dan teorema Rao - Blackwell yang dapat digunakan untuk membentuk suatu estimator yang variansnya lebih
kecil dari estimator sebelumnya. Selain dua di atas juga dibahas tentang kelengkapan dan ketunggalan (
completness and uniqness ) , klas ekponensial dari fkp , dan pertidaksamaan Rao - Cramer.
) . Maka Y
Teorema :
Misalkan X 1 , X 2 , .,X n merupakan sampel acak berukuran n dari distribusi yang mempunyai
fkp f ( x ;
hanya jika dapat ditemukan dua fungsi non negatif k dan l sehinga f ( x 1 ;
;
) . f( x n ;
jika dan
)=k(y
),-
<
[( xI -
) (
x -
<
, dengan
diketahui . Jika
x )+ (
x -
)]2 =
)=2(
x -
( xI -
x I / n maka
( xI -
)2=
x )2 + n ( x -
)2 , oleh karena 2
( xI
x=
( xI -
x ) = 0.
X merupakan statistik
Teorema :
Misalkan X 1 , X 2 , , X n merupakan sampel acak dari distribusi yang mempunyai fkp f ( x ;
) . Jika statistik cukup Y = u (X 1 , X 2 , , X n ) ada dan maksimum likelihood estimator
dari
, X n ).
Soal - soal latihan :
0. Buktikan
),
>
2. Buktikan bahwa jumlahan dari item - item sampel acak berukuran n yang berdistribusi Poisson dengan
parameter
3. Buktikan bahwa order statistik ke n dari sampel acak berukuran n yang berdistribusi seragam dengan fkp
f(x;
) = 1/
4. Misalkan X
,0<x<
, X
dengan fkp f ( x ;
) =(1-
, x = 0 , 1, 2, ; 0 <
5. Buktikan bahwa jumlahan dari item - item sampel acak berukuran n dari distribusi gamma dengan fkp f (
x;
) e - x/ , x > 0 ,
)=(1/
7. Misalkan X
parameter
,X
=
> 0 dan
) = 1/
[1+(x-
)2 ],-
<x<
,-
<
<
. Apakah
Tentukan !.
Teorema :
Misalkan X dan Y merupakan peubah acak dengan mean
( x ) . Maka E [
(X)]=
dan
2
( X)
dan varians
2
Y
. Misalkan E ( Y / x) =
Teorema :
Misalkan X
,X
) . Misalkan
, dan
Y1 = u (X 1 , X 2 , ,
Y2 = v (X 1 , X 2 , , X n ) yang bukan
. Maka E ( Y2 / y1 ) =
( y1 ) merupakan statistik
; unbias untuk
; dan mempunyai
1. Misalkan Y
<Y
<Y
<Y
) = 1/
,0<x<
dengan varians
( Y 5 ).
2. Jika X dan Y merupakan sampel acak berukuran 2 dari distribusi dengan fkp
) e- x /
, x > 0 dan
f(x;
dengan varians
dan W =
. Tentukan E ( W / z ) =
( Z ).
) = ( 1/
f(x,y)=(2/
/ 2 dan 5
b. Buktikan bahwa E ( Y / x ) = x +
/ 4.
}.
titik yang mempunyai probabilitas sama dengan nol untuk setiap fkp h ( z ;
keluarga fkp { h ( z ;
);
) ,
, maka
Contoh :
Misalkan Z mempunyai fkp yang merupakan anggota dari { h ( z ;
= ( 1/
) e- z /
, z > 0 dan
maka E [ u ( Z ) ] = untuk
),
> 0 } dengan h ( z ;
)
>0
,X
),
. Misalkan Y = u (X 1 , X 2 , ., X n ) merupakan
dan keluarga { g ( y ;
)/
1. Jika az 2 + bz + c = 0 untuk lebih dari dua nilai z , maka a = b = c = 0. Gunakan hasil tersebut untuk
membuktikan keluarga { b ( 2 ,
)/0<
< 1 } lengkap.
)/
a. f ( x ;
) = 1/ 2
b. N ( 0 ,
,-
<x<
> 0.
).
1. Jika X 1 , X 2 , ., X n merupakan sampel acak dari distribusi diskret yang mepunyai fkp f ( x ;
x
) =
(1-
)1-x , x = 0 , 1 , 0 <
Xi
)/
} , dengan h ( z ;
={
/
={
) = 1/
, z > 0.
>0}
/
>1}
1. Buktikan bahwa statistik order pertama Y 1 dari sampel acak berukuran n yang mempunyai fkp f ( x ;
) = e -(xuntuk
, x>0, -
<
<
, dan nol untuk yang lain merupakan statistik cukup dan lengkap
. Tentukan fungsi yang tunggal dari statistik tersebut yang merupakan penduga terbaik untuk
1. Misalkan sampel acak berukuran n diambil dari distribusi yang mempunyai fkp
, x = 1, 2, .,
, dengan
f(x;
) = 1/
merupakan bilangan bulat positif yang tidak diketahui, dan nol untuk
yang lain.
a. Buktikan bahwa item terbesar katakan Y dari sampel acak merupakan statistik cukup dan lengkap
untuk
b. Buktikan bahwa [ Y
untuk
n+1
-(Y-1)
n+1
]/[Y
)/
} dengan
= {
<
<
} untuk
dan
) = exp [ p (
)K(x)+S(x) +q(
)],a<x<b
STATISTIKA MATEMATIKA II_SEMESTER 4
(*)
Fkp bentuk ( * ) dikatakan anggota klas eksponensial dari fkp tipe kontinu jika
c. Setiap K ( x )
,
,
<
<
<
<
,
,
<
<
) ,
n
<
<
<
Y=
,X
K (Xi )
Y yaitu { g ( y ;
)/
1. Tulis fkp f ( x ;
) = ( 1/ 6
eksponensial. Jika X
,X
) x3 e -x/
,x>0 ,
, ., X
, x>0,
f(x;
,0<x<1,
)=
f(x;
)=
.X
. X n )
1/ n
1. Misalkan mean dari sampel acak X 1 ,X 2 , ., X n dari diatribusi gamma dengan parameter
> 0 dan
> 0. Hitung E [ X 1 /
x ].
)/p
).
2. Jika f ( x ;
) = exp [
K(x) +S(x)+q(
3. Jika diketahui E ( Y ) = E [ K ( X ) ] =
)-q(
+ t ) ], untuk
<
<
<
, maka buktikan M ( t
+t<
N(
.
,1).
),
={
<
<
., X n
2
}, dengan
dan
diketahui. Misalkan Y = u (X 1 ,X 2 ,
, yang memenuhi
Y.
2
Y.
Untuk menjelaskan pertidaksamaan di atas digunakan kasus kontinu seperti di bawah ini. Misalkan g ( y ;
) merupakan fkp dari statistik unbias
Y = u (X 1 ,X 2 , ., X n ),
sehingga didapat
1=
f ( x i;
) dx I , untuk i = 1, 2, , n
dan
=
yg(y;
) dy
..
u ( x 1 , x 2 , , x n ) f ( x 1 ;
) . f ( x n ;
) dx 1 . dx n
maka didapat
0 = dan
1= x
f ( x 1;
) . f ( x n ;
) dx 1 . dx n
f ( x 1;
) . f ( x n ;
) dx 1 . dx n
= x
Definisikan peubah acak Z =
ln f ( X I ;
)/
merupakan jumlahan n independen peubah acak dengan mean nol maka Z mempunyai varians nE { [
ln f ( X I ;
] 2 }.
)/
Karena Y = u (X 1 ,X 2 , ., X n ) dan Z =
[ YZ ] = 1. Dilain pihak E [ YZ ] = E [ Y ] E [ Z ] +
Y dan Z. Oleh karena E (Y ) =
Y
2
Z
. Karena - 1
2
Y
ln f ( X I ;
Z
dengan
)/
] maka didapat E
.0+
atau
=1/
)2
1 atau ( 1/
jika varians
1 maka (1 /
atau
2
Y.
Definisi :
Misalkan Y penduga unbias untuk parameter
1. Buktikan bahwa
N(
2. Buktikan bahwa
b ( 1,
),0<
3. Diberikan f ( x ;
) =1/
,0<x<
bandingkan dengan varians ( n + 1 ) Y n / n dengan Y n merupakan item terbesar dari sampel acak
berukuran n yang berdistribusi seperti di atas.
4. Diberikan fkp f ( x ;
5. Buktikan bahwa E = - E
V. ESTIMASI
1. Estimasi Titik
Misalkan peubah acah X mempunyai pdf f(x;
dinamakan ruang parameter . Karena
) dengan
, dengan
berkorespondensi dengan salah satu anggota keluarga pdf. Notasi keluarga pdf adalah { f(x;
} dan anggota dari keluarga pdf dinotasikan dengan f(x;
Dari keluarga pdf adalah { f(x;
);
) , untuk
);
f(x;
) yang
Salah satu metode yang digunakan untuk menentukan estimasi titik adalah metode maximum
likelihood. Prinsip dari metode ini dapat diuraikan sebagai berikut. Misalkan X1 , ., Xn
merupakan sampel acak dari suatu distribusi dengan pdf f(x;
) , untuk
X1 , ., Xn adalah
) f(xn ;
f(x 1 ;
; x1 , .., xn ) = f(x 1 ;
). f(x2 ;
). f(x2 ;
) f(xn ;
diganti dengan
),
dinamakan unbias
Definisi 4.2 :
Sembarang statistik yang convergen stokastik ke parameter
parameter
Selain metode maximum likelihood ada metode lain yaitu metode moment. Prinsip metode ini dapat
diuraikan sebagai berikut. Misalkan X1 , ., Xn merupakan sampel acak berukuran n dari suatu
distribusi dengan pdf f(x ;
1,
..
), (
, ..
k = 1 dan
seterusnya sehingga didapat sejumlah persamaan untuk mendapatkan penyelesaian tunggal dari
..
1. Misalkan X1 , X 2 , .., X n merupakan sapel acak dari suatu distribusi yang mempunyai fkp
seperti di bawah. Tentukan estimator maksimum likelihood
a. f ( x ,
)=
b. f ( x ,
)=
-1
c. f ( x ,
) = e-
x-
d. f ( x ,
) = ( 1/
) e - x/
e. f ( x ,
) = e - ( x-
/ x ! , x = 0, 1, 2, . ;
, 0< x , 1 ,
, -
<x<
,x>0,
,x
,-
,-
<
<
<
1. Misalkan X1 , X 2 , .., X n merupakan sapel acak dari suatu distribusi yang mempunyai fkp
f ( x,
) e - ( x-
) = ( 1/
)/
,x
,-
<
<
dan
1. Misalkan Y1 < Y 2 < < Y n merupakan order statistik dari sampel acak uang mempunyai fkp f (
x,
)=1,
+ , -
<x<
statistik u ( X 1 , X 2 , , X n ) memenuhi
Yn-
u ( X 1 , X 2 , , X n )
Y1 +
2. Distribusi Pareto sering dipakai pada model studi pemasukan ( incomes ) yang mempunyai fungsi
distribusi F ( x ,
) =1- (
/x)
,x
, dengan
> 0 , dan
.., X n adalah sampel acak dari distribusi tersebut maka tentukan mle dari
dan
> 0. Jika X 1 , X 2 ,
dan
E(Y)=
lebih kecil atau sama dengan dari varians setiap estimator unbias untuk
Sebagai gambaran dapat dijelaskan sebagai berikut, misalkan X 1 , X 2 , .,X 9 merupakan sampel
acak dari distribusi normal N (
,1),-
<
, 1/9 ) dan
, 1) yang
<
). Misalkan Y = u ( X 1 , X 2 , ., X n )
hasil pengamatan , yang dinamakan fungsi keputusan. Fungsi yang teridiri atas parameter dan keputusan
dinamakan fungsi kerugian ( loss function ) ,dinotasikan L (
, w ).
Contoh :
Misalkan X 1 , X 2 , .,X n merupakan sampel acak dari distribusi normal
<
-0]
R(
L(
, w1 ) = E [
N(
,(w(y))=[
, 1 ), -
<
- w ( y ) ] 2.
- Y ] 2 = 1/ 25 dan R (
, w1 )
1. Buktikan bahwa mean sampel yang berasal dari distribusi dengan fkp f ( x ,
>0,
) = ( 1/
) e - ( x/
2
> 0 , dan nol untuk yang lain merupakan estimator unbias dan mempunyai varians
/ n.
2. Misalkan X 1 , X 2 ,....,X n merupakan sampel acak dari distribusi normal dengan mean nol dan varians
> 0 .Buktikan bahwa merupakan estimator unbias untuk
,x
/ n.
3. Misalkan Y 1 < Y2 < Y3 merupakan order statistik dari sampel acak berukuran 3 yang mempunyai fkp
f (x,
)=1/
estimator untuk
,0<x<
, katakan varians Y1
varians Y1 .
1. Misalkan X 1 , X 2 , .,X n merupakan sampel acak dari distribusi Poisson dengan parameter
0 . Misalkan Y = dan L [
,w(y)]=[
>
,w(y))=b2 +(
,w(y)]=[
),
/n).
> 0 , dan
- w ( y ) ] 2 . Jika w ( y ) berbentuk b
R(
,w(y))=(
/n
) [ ( n 2 - 1 ) b 2 - 2n ( n - 1 ) b + n 2 ].
adalah dengan mengatakan bahwa produksi telor di Jawa Timur adalah antara 4.789.356 dan 5.000.000.
Estimasi seperti yang terakhir ini dinamakan selang kepercayaan.
Untuk menentukan selang kepercayaan dari parameter
sebut
Contoh :
Misalkan X
dengan
,X
,
untuk
),
.
adalah
/ n ).
1. Definisikan Z = .
2. Distribusi dari Z adalah normal N ( 0 , 1 ).
3. Berdasarkan 4 , berarti P ( - z
P (- z
/2
< <z
/2
)=1-
/2
<Z<z
P(-z
/2
/2
<
< +z
/2
)=1-
<
atau
< +z
untuk
/2
)= 1-
adalah
/2
1. Misalkan nilai observasi mean dari sampel acak berukuran 20 yang berdistribusi normal N (
adalah 81,2. Tentukan selang kepercayaan sebesar 95 % untuk
2. Misalkan merupakan mean dari sampel acak berukuran n dari distribusi normal N (
n sehingga P ( - 1 <
, 80 )
, 9 ) . Tentukan
< + 1 ) = 0,90.
) diketahui
= 4,7 dan s 2 =
4. Misalkan merupakan mean dari sampel acak berukuran n dari distribusi yang mempunyai mean
varians
2 ) memuat
= 10, dan mgf. Tentukan n sehingga dengan peluang sebesar 0,954 interval ( - 1/ 2 , + 1 /
.
dan
).
a. Jika
9(-
)/
.
STATISTIKA MATEMATIKA II_SEMESTER 4
b. Jika
tidak diketahui , tentukan nilai ekspektasi panjang 95 % jika didasarkan pada sampel acak
8(-
)/S .
y = 75 , maka
2. Jika merupakan mean dari sampel acak berukuran n yang mempunyai distribusi normal N (
2
dengan
,
),
c 1(
dan c 2 (
),c
) sehingga
P (c 1 (
)) = 0,954 , untuk c 1 (
3. Misalkan merupakan mean dari sampel acak berukuran 25 dari distribusi gamma dengan
> 0. Gunakan teorema limit pusat untuk menentukan interval kepercayaan 0,954 dari
= 4 dan
distribusi gamma.
4. Misalkan dua sampampel acak masing-masing berukuran 10 terambil dari distribusi normal N(
dan N (
= 4,8 ; s1 2 = 8,64 ;
), dengan
kepercayaan 95 % untuk
5. Misalkan Y dan X dua peubah acak independen dari distribusi binimial dengan parameter n = m = 100,
dan p 1 , p 2 . Dari hasil pengamatan diketahui y = 50 dan
untuk p 1 - p 2..
varians
7. Jika
dan
X dan
Y keduanya merupakan mean dari dua independen sampel acak yang masing-masing
) dan N (
Tentukan n sehingga
-
P(
X-
Y-
<X + Y
/ 5 ).
8. Jika 8,6 ; 7,9 ; 8,3 ; 6,4 ; 8,4 ; 9,8 ; 7,2 ; 7,8 ; 7,5 merupakan hasil observasi dari sampel acak berukuran 9
dari distribusi normal N ( 8 ,
9. Misalkan X
,X
Misalkan 0 < a < b . Buktikan bahwa ekspektasi matematik panjang dari interval acak [
b,
( XI -
) 2 / a ] adalah ( b - a ) ( n
)2/
( XI -
) diketahui
11. Misalkan S 2 merupakan varians dari sampel acak berukuran n yang diambil dari distribusi normal N(
2
) dengan
dan
).
/ ab ).
N(
yaitu
maka buktikan a dan b memenuhi a 2 g ( a ) = b 2 g ( b). Petunjuk jika G (z ) merupakan fungsi distribusi
dari Z maka derivatifkan G ( b ) - G ( a ) = 0,95.
untuk perbandingan
diketahui.
13. Misalkan X 1 , X 2 , ..,X 6 merupakan sampel acak berukuran 6 dari distribusi gamma dengan
parameter
= 1 dan
14. Misakan S1 2 dan S2 2 merupakan varians dari sampel acak berukuran n dan m yang diambil dari distribusi
normal N(
1
2
berdistribusi
) dan N (
1. Estimasi Bayes
Dari uraian - uraian didepan terlihat bahwa untuk menentukan estimasi suatu parameter hanya
melibatkan hasil observasi atau sampel saja, sedangkan parameter dianggap suatu besaran tetap yang
tidak diketahui nilainya. Salah satu cara selain cara di atas untuk menentukan estimasi parameter adalah
dengan menganggap bahwa parameter
Misalkan X
, X
statistik yang merupakan fungsi dari X 1 , X 2 , ..,X 6 , maka fkp dari Y untuk setiap
fkp bersyarat dari Y jika
dan
adalah
k(y,
)=h(
)g(y/
/ y ) = yang
median dari k (
,w(y))= (
jika
adalah
,w(y))=
-w(y))
/ y ), dan
maka w ( y ) merupakan
/ y ).
. Jika
berdistribusi normal N (
) dengan
L(
N(
,w(y) =
,
(
) dan Y
-w(y)
2. Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi Poison dengan mean
> 0.
Misalkan Y =
-1
e-
- w ( y ) ) 2 . Jika h (
,w(y))= (
)=
.
3. Misalkan Yn merukan order statistik ke n dari sampel acak berukuran n yang mempunyai fkp f ( x ) = 1/
,0<x<
)= (
, dan nol untuk yang lain. Misalkan fungsi kerugian yang digunakan adalah L (
2
- w ( y ) ) dan
h(
)=
+1
<
<
,w(y)
. Tentukan