Statmat II Edit

MATKUL :STATISTIKA MATEMATIKA II
Dosen : Istiqomah, S.Si, M.Sc.

Semsester 4
I.PELUANG
1. Pendahuluan
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.
1. Ruang sampel dan Kejadian

Pekerjaan statistikawan pada dasarnya adalah menafsirkan hasil yang mungkin dari suatu eksperimen
atau percobaan yang dirancang sebelumnya atau yang muncul dalam penelitian ilmiah. Misalnya dalam
pelemparan satu mata uang logam sekali maka yang muncul adalah M ( muka ) atau G ( gambar), dalam
pelemparan satu mata dadu yang setimbang maka yang muncul adalah angka 1, 2, 3, 4, 5, atau 6.
Definisi 1.1
Himpunan semua hasil yang mungkin muncul dari suatu percobaan disebut ruang sampel , yang
dilambangkan dengan S.
Definisi 1.2
Himpunan bagian dari ruang sampel disebut kejadian, yang biasanya dilambangkan dengan huruf
besar.
Definisi 1.3
Suatu kejadian yang hanya mengandung satu unsur dari ruang sampel disebut kejadian sederhana.
STATISTIKA MATEMATIKA II_SEMESTER 4
Suatu kejadian majemuk adalah kejadian yang dapat dinyatakan sebagai gabungan beberapa kejadian.
1. Menghitung titik sampel

Salah satu problem yang dihadapi para peneliti adalah menentukan banyaknya anggota ruang sampel
dari suatu percobaan. Dalam banyak hal penentuan anggota ruang sampel tidaklah mudah, tetapi
kadang-kadang juga sulit,
misalnya berapa banyaknya nomor kendaraan yang dapat dibuat jika ketentuannya sebagai berikut.
Nomor kendaraan tersebut diawali dengan satu huruf, diikuti oleh empat angka dan diakhiri
oleh dua huruf dengan masing-masing angka dan huruf hanya digunakan sekali dan angka nol
tidak boleh didepan. Untuk memudahkan penghitungan banyaknya anggota ruang sampel
dapat digunakan teorema-teorema sebagai berikut.
Teorema 1.1
Jika suatu operasi dapat dilakukan dengan n cara, dan jika pada setiap cara tersebut operasi kedua
dapat dilakukan dengan m cara, maka kedua operasi itu dapat dikerjakan bersama-sama dengan nm
cara.
Bukti :
Karena setiap n dapat berpasangan dengan setiap m, maka banyaknya pasangan yang dapat terjadi
adalah nm cara
Contoh :
Misalkan seseorang mempunyai 3 celana dengan warna berbeda dan 4 baju dengan warna yang
berbeda pula. Ada berapa cara orang tersebut memakai pasangan baju dan celana dengan setiap
pasangan tersebut berbeda ?. ( Jawab : 3.4 = 12 )
Definisi 1.4
Permutasi adalah suatu susunan yang dapat dibentuk dari sekumpulan obyek yang diambil sebagian
atau seluruhnya.
Misalnya ada tiga huruf A, B, dan C maka susunan yang dapat dibuat adalah ABC, ACB, BAC,
BCA, CAB, dan CBA. Susunan semacam di atas disebut permutasi penuh atau permutasi saja. Secara
umum untuk n obyek yang berbeda terdapat n(n-1).3.2.1 susunan yang berbeda.
Pergandaan semacam di atas biasanya dinotasikan dengan n ! ( dibaca n faktorial atau n fakultet ).
Teorema 1.2
0!=1
Bukti :
Dari definisi n! = n.(n 1 ).(n 2) 3.2.1 = n . ( n 1 ) ! didapat
= ( 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 ?
( Jawab : 5 ! = 5.4.3.2.1 = 120
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
enam orang tersebut ?. ( Jawab : ( 6 1 ) ! = 5 ! = 120 ).

Teorema 1.6
Banyaknya permutasi dari n obyek yang terdiri atas n1, ., nk adalah
, dengan n =
Bukti :
Anggap jika n obyek tersebut berbeda, maka susunan yang terjadi adalah n!. Karena setiap ni juga
membentuk susunan sebanyak ni ! Yang mestinya hanya dihitung satu. Maka banyaknya susunan
berbeda yang terjadi adalah atau sama dengan .
Contoh :
Misanya dalam perayaan peringatan hari kemerdekaan yang akan dilaksanakan pada bulan yang akan
datang, didepan gang masuk kampung akan dipasang lampu hias yang terdiri 3 lampu warna merah, 2
lampu warna hijau, 4 lampu warna kuning, dan 1 lampu warna biru. Jika lampu lampu tersebut disusun
secara berjajar, ada berapa susunan lampu hias yang dapat dibuat ?.
( Jawab : ).
Teorema 1.7
Banyaknya kombinasi dari n obyek yang berbeda jika diambil r
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
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 .
1. Cara frekwensi relative

Jika suatu percobaan dilakukan sebanyak n ( n
) dan kejadian A yang diamati pada percobaan
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.
1. Beberapa Hukum Peluang

Dalam banyak kasus yang terdiri atas beberapa kejadian, untuk menentukan nilai peluang yang satu
dapat ditentukan dengan peluang yang lain. Untuk itu diperlukan teorema sebagai berikut.
Torema 1.8
Jika A dan B dua kejadian sebarang , maka P ( A
B ) = P ( A ) + P ( B ) - P ( A B )
Bukti :
Dari teori himpunan diperoleh n ( A
B ) = n ( A) + n ( B ) n ( A
B ).
Jika kedua ruas
dibagi dengan n ( S ) maka didapat atau

P(A
B ) = P ( A ) + P ( B ) - P ( A B )
Akibat : Jika A dan B saling lepas, maka P ( A
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
A ) = P ( A ) + P ( A ) = P ( S ) = 1, yang berarti didapat P( A ) = 1 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
1.8 Fungsi Kepadatan Peluang ( fkp) / Pdf (Probability Density Function)

Definisi 1.10
Peubah acak X tipe diskret dikatakan mempunyai fkp atau pdf ( probability density function ) f(x)
jika
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 :
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.
Dari syarat pdf ke-dua maka didapat atau 6k = 12 , sehingga
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 ) =
2)=P (X=1)+P (X=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.
hitung P ( X < 0,5 )
d.
hitung P ( X > 0,3 )
Jawab :
a.
atau k = 2
b.
P ( X = 0,5 ) = 0
c.
P ( X < 0,5 ) = = ( 0,5 )2 0 = 0,25
d.
P ( X > 0,3 ) = = 1 ( 0,3 )2 = 1 0,09 = 0,91
1. Fungsi Distribusi / Distribusi Kumulatif

Misalkan peubah acak X mempunyai fkp f ( x ), dan x adalah bilangan real sehingga
P(A)=P(X
A)= P(X
x ), maka peluang seperti di atas disebut distribusi kumulatif dari
peubah acak X yang dinotasikan F ( x ).

Definisi 1.12
Jika peubah acak X mempunyai fkp f (x ) maka distribusi kumulatif dari X adalah
1. F ( x ) = , jika X diskret
2. F ( x ) = dy , jika X kontinu
Contoh :
Tentukan distribusi komulatif dari peubah acak yang mempunyai pdf sebagai berikut :
1.
f ( x ) = 1 untuk 0 < x < 1 dan nol untuk yang lain
2.
f( x ) = e-x untuk x > 0 dan nol untuk yang lain
3.
f( x ) = untuk x = 1 , 2, 3 dan nol untuk yang lain
4.
f ( x ) = untuk x = 1 , 2 , 3 dan nol untuk yang lain
Jawab :
1.
F ( x ) = = x untuk 0 < x < 1
1.10 Ekspektasi Matematik

Salah satu dari sekian banyak penggunaan konsep dalam problem distribusi peubah acak adalah
ekspektasi matematik. Misalnya X adalah peubah acak yang mempunyai fkp f ( x ) dan misalnya u ( x )
adalah fungsi dari x sehingga ada untuk X kontinu dan ada jika X diskret. Integral dan jumlahan di atas
disebut ekspektasi matematik, yang dinotasikan E [ u ( x ) ].
Definisi 1.13
Jika peubah acak X mempunyai fkp f ( x ) maka E ( X ) disebut mean dari peubah acak dan E ( X E ( X ) )2 dinamakan varians atau ragam, ditulis var ( X ).
Teorema 1.10
E ( X - E ( X ) )2 = E ( X2 ) - ( E ( X ) )2
Teorema 1.11
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 ) ,
- h < t < h untuk h bilangan real positif, yang dinotasikan M ( t ).

Teorema 1.12
Jika peubah acak X mempunyai fungsi pembangkit momen M ( t ) maka
M(n) ( 0 ) = E ( Xn ).
Definisi 1.15
Jika peubah acak X mempunyai mean
dan varians
sehingga E ( X -
) 3 ada maka disebut
kemencengan atau skewness.

Definisi 1.16
Jika peubah acak X mempunyai mean
dan varians
sehingga E ( X -
) 4 ada maka disebut
keruncingan atau kurtosis.
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)
Teorema 1.14 ( Teorema Chebyshev )

Misalkan peubah acak X mempunyai distribusi peluang dengan mean
untuk setiap k > 0 berlaku P (
P(
X-
X-
dan varians
. Maka
1/ k atau
1 - 1/ k
Soal - soal latihan
1. Buktikan a . = 2 n
b.
2. Buktikan = - log ( 1 - x ) , - 1 < x < 1

3. Buktikan a. = k ( k + 1 )
b . = 1/6 k ( k + 1 ) ( 2k + 1 )
4. Jika A dan B suatu kejadian maka buktikan

a. P ( A
B)=P (A)-P (A
b. P ( A
B ) = 1 - P ( A
B)
B )
1. Misalkan P ( A ) = P ( B ) = 1/3 dan P ( A
B ) = 1/10. Hitung
a. P ( B )
b. P A
c. P ( B
d. P ( A
B )
A )
B )
1. Misalkan P ( A ) = , P ( B ) = 1/8 , dan P ( C ) = , dengan A , B , dan C saling lepas. Hitung

a. P ( A
b. P ( A
B
B
C)
C )
1. Untuk bilangan bulat positif n > r , buktikan

a.
b.
1. Peubah acak tipe diskret mempunyai
a. f ( x ) = k ( ) x , x = 1, 2, 3 dan nol untuk yang lain . Tentukan nilai k agar f ( x ) merupakan fkp.
b. Apakah fungsi yang berbentuk f ( x ) = k [ ( ) x - ] , untuk x = 0, 1, 2 merupakan fkp ?
1. Peubah acak tipe diskret X mempunyai fkp f ( x ) = c ( 8 - x ) , untuk x = 0, 1, 2, 3, 4, 5 dan nol untuk
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.
a. Tentukan fkp dari X

b. Hitung P ( 10 < X
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.
a. Buat grafik dari distribusi komulatifnya

b. Buat grafik dari fkp-nya
c. Hitung E ( X )
1. Peubah acak X tipe kontinu mempunyai fkp f ( x ) = c ( 1 - x ) x 2 , jika 0 < x < 1 dan nol untuk yang lain.
a. Tentukan konstanta c
b. Hitung E ( X )
1. Suatu fungsi f ( x ) mempunyai bentuk sebagai berikut f ( x ) = k x
-(k+1)
, jika
x > 1, dan nol
untuk yang lain.
a. Untuk nilai k yang mana agar f ( x ) merupakan fkp ?.

b. Tentukan distribusi komulatif berdasar hasil a.
c. Untuk nilai k yang mana agar E ( X ) ada ?.
1. Tentukan fkp dari suatu peubah acak jika diketahui distribusi komulatifnya adalah
a. F ( x ) = ( x 2 + 2 x + 1 ) / 16 ; -1
b. F ( x ) = 1 - e -
xe-
;x
x
0;
3.
> 0.
1. Peubah acak X mempunyai distribusi komulatif F ( x ) =

a. Buat grafik dari F ( x )
b. Buat grafik dari f ( x )
c. Hitung P ( X
d. Hitung P ( X
e. Hitung P ( X < 1,25 )

1. Peubah acak X tipe kontinu mempunyai fkp f ( x ) = 2x / 9, 0 < x < 3 , dan nol untuk yang lain.
a. Tentukan distribusi komulatif dari X

b. Hitung P ( X < 2 )
c. Hitung P ( - 1 < X < 1,5 )
d. Tentukan m sehingga P ( X
e.
m)=P (X
m)
Hitung E ( X )
1. Peubah acak X mempunyai fkp f ( x ) =

a. Tentukan median dari X
b. Buat grafik dari distribusi komulatif dari X
1. Misalkan peubah acak X untuk x > 0 tipe kontinu dengan fungsi distribusi F ( x ) dan E ( X ) ada.
Buktikan E ( X ) =
1. Gunakan pertidaksamaan Chebychev untuk menentukan batas bawah
P ( 5/8 < X <
7/8 ) jika X mempunyai fkp f ( x ) = 3 x 2 , 0 , x < x < 1
2. Jika A1 , A2 , .. merupakan himpunan-himpunan sehingga Ak

dan didefinisikan sebagai union dari A1
a. Ak = { x / 1/k
A2
A3
Ak + 1 untuk
k = 1, 2,
.. , maka tentukan jika
3 - 1/k } , k = 1, 2, 3,
b. Ak = { ( x , y ) / 1/k
x2+y2
4 - 1/k } , k = 1, 2, 3, .
21. Jika A1 , A2 , .. merupakan himpunan-himpunan sehingga Ak

dan didefinisikan sebagai interseksi dari
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. Untuk setiap fkp di bawah ini hitung P (
b ) P ( < X < 5/2 )

X
< 1 ) dan P ( X 2 < 9 )
a. f ( x ) = x 2 /18 , -3 < x < 3 , dan nol untuk yang lain

b. f ( x ) = ( x + 2 ) / 18 , - 2 < x < 4 , dan nol untuk yang lain
1. Misalkan f ( x , y ) = 4 xy , 0 < x < 1 , 0 < y < 1 ,dan nol untuk yang lain merupakan fkp bersama antara
X dan Y. Tentukan P ( 0 < X < , < Y < 1 ) dan P ( X = Y ).
1. Modus dari distribusi suatu peubah acak X adalah nilai x yang memaksimumkan fkp
f ( x ). Dari fkp
berikut tentukan modusnya
a. f ( x ) = ( ) x , x = 1, 2, 3, .. ,dan nol untuk yang lain

b. f ( x ) = 12 x 2 ( 1 - x ) , 0 < x < 1 , dan nol untuk yang lain

c. f ( x ) = ( ) x 2 e - x , x > 0 , dan nol untuk yang lain
1. Median dari distribusi suatu peubah acak X adalah nilai x sehingga P ( X < x )
dan P ( X
x)
. Tentukan median dari masing - masing distribusi yang mempunyai fkp berikut :
a. f ( x ) = , x = 0, 1, 2, 3, 4, dan nol untuk yang lain.

b. f ( x ) = 3 x 2 , 0 < x < 1 , dan nol untuk yang lain.
c. f ( x ) = .
1. Misalkan f ( x ) merupakan fkp dari peubah acak X. Tentukan fungsi distribusi
( distribusi
komulatif ) F ( x ) dan buat grafiknya dari fkp berikut.
a. f ( x ) = 1 , x = 0 , dan nol untuk yang lain.

b. f ( x ) = 1/3 , x = -1, 0, 1 , dan nol untuk yang lain.
c. f ( x ) = x/15 , x = 1, 2, 3, 4, 5 dan nol untuk yang lain.
d. f ( x ) = 3 ( 1 - x 2 ) , 0 < x < 1 , dan nol untuk yang lain.
e. f ( x ) = 1/x 2 , x > 1 , dan nol untuk yang lain.
f.
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
1. Misalkan peubah acak X memenuhi sifat E [ ( X - b ) 2 ] ada untuk semua b. Buktikan E [ ( X - b ) 2 ]

minimum jika b = E ( X ).
1. Misalkan peubah acak X mempunyai mean

X-
]/
dan varians
sehingga E [ ( X -
) 3 ] ada maka E [ (
dinamakan ukuran kemiringan ( Skewness ). Tentukan ukuran kemiringan dari distribusi
yang mempunyai fkp sebagai berikut.

a. f ( x ) = ( x + 1 ) / 2 , - 1 < x < 1 , dan nol untuk yang lain.

b. f ( x ) = , -1 < x < 1 , dan nol untuk yang lain.
c. f ( x ) = ( 1 - x ) / 2 , - 1 < x < 1 , dan nol untuk yang lain.
1. Misalkan peubah acak X mempunyai mean
X-
) 4 ]/
dan varians
sehingga E [ ( X -
) 4 ] ada maka E [ (
dinamakan ukuran keruncingan ( Kurtosis ). Tentukan ukuran keruncingan dari distribusi
yang mempunyai fkp sebagai berikut.
a. f ( x ) = , - 1 < x < 1 , dan nol untuk yang lain.

b. f ( x ) = 3 ( 1 - x 2 ) / 4 , - 1 < x < 1 , dan nol untuk yang lain.
I. PELUANG BERSYARAT DAN BEBAS STOKASTIK

1. Pendahuluan
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)=
, untuk kasus diskret
= , untuk kasus kontinu

Sedangkan fkp bersyarat dari X jika Y = y diketahui adalah f ( x/y ) =
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
Y, yang dinotasikan dengan

dinotasikan
yang didefinisikan
dan
, maka
E ( XY ) -
disebut kovarians dari X dan
cov ( X , Y ) , sedangkan koefisien korelasi dari X dan Y

=
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
- h < t < h dan - k < s < k, untuk h
kan k bilangan bulat positif.
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/y) f ( y ) dan misalkan f
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)
Soal - soal latihan :
1. Jika P ( C1 ) > 0 dan jika C2 , C3 , .. saling lepas maka buktikan
P (C2
C3
.. / C1 ) = P ( C2 / C1 ) + P ( C3 / C1 ) +
2. Misalkan X dan Y mempunyai fkp bersama f ( x , y ) = x + y , 0 < x < 1 dan
0 < y < 1 , dan nol
untuk yang lain. Tentukan mean dan varians bersyarat dari Y jika diberikan X = x , 0 < x < 1.
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
y ) / 18 , ( x , y ) = ( 1 , 1 ) , ( 1 , 2 ) , ( 2, 1) , ( 2 , 2 ) , dan nol untuk yang lain. Tentukan mean dan

varians bersyarat dari Y jika diberikan X = x untuk x = 1 atau 2.
2. Misalkan X dan Y mempunyai fkp bersama

a. f ( x , y ) = 1/3 , ( x , y ) = ( 0 , 0 ) , ( 1 , 1 ) , ( 2 , 2 ) , dan nol untuk yang lain
b. f ( x , y ) = 1/3 , ( x , y ) = ( 0 , 2 ) , ( 1 , 1 ) , ( 2 , 0 ) , dan nol untuk yang lain
c. f ( x , y ) = 1/3 , ( x , y ) = ( 0, 0 ) , ( 1 , 1 ) , ( 2 , 0 ) , dan nol untuk yang lain
Tentukan koefisisen korelasi dari peubah acak X dan Y
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,
dan koefisien korelasi antara X dan Y adalah .
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.
2. Buktikan peubah acak X dan Y yang mempunyai fkp bersama
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.
III. DISTRIBUSI HAMPIRAN
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
= berdistribusi normal N( ,2 /n ) jika Xi merupakan sampel acak dari distribusi
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 dari statistik yang tidak tergantung dari n.
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,
dengan n bilangan bulat positif. Jika F(y)

sehingga untuk n
merupakan
distribusi
komulatif
untuk setiap titik y , dan F(y) kontinu, maka peubah acak Yn
dinamakan mempunyai distribusi hampiran dengan distribusi komulatif F(y).

Contoh :
Misalkan Yn adalah order statistik ke-n dari sampel acak X1 , ., Xn yang berasal dari
distribusi dengan pdf f(x) = 1/
pdf dari Yn adalah gn ( y ) =
,0<x<
,0<y<
> 0 , dan nol untuk yang lain. Maka
dan nol untuk yang lain
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
distribusi hampiran dari Yn adalah degenerate pada y = c.

Teorema :
Misalkan Fn (y) merupakan distribusi komulatif dari peubah acak Yn yang distribusinya
tergantung dari n. Misalkan c adalah konstanta yang tidak tergantung dari n. Peubah acak Yn
dikatakan konvergen stokastik ke c jika hanya jika untuk
> 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
maka Yn mempunyai distribusi hampiran
F(y).
Teorema Limit Pusat :
Misalkan X1 , , Xn merupakan sampel acak dari distribusi yang mempunyai mean
dan varians 2 . Maka peubah acak
Yn =
mempunyai
distribusi hampiran normal baku.

Bukti :
Definisikan MX- (t) = m(t).
1. Misalkan Xn berdistribusi gamma dengan parameter
= n dan
, dengan
tidak tergantung dari n.
Misalkan Yn = Xn / n , maka tentukan distribusi hampiran dari Yn .
2. Misalkan Zn berdistribusi Kai-kuadrat dengan derajat bebas n dan Wn = Zn /n . Tentukan distribusi

hampiran dari Wn .
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
f(x) = e- x , x > 0 , dan nol
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
derajat bebas 50. Hitung P ( 49 < 100 < 51 ).
7. Misakan
128
= 2 dan
adalah mean dari sampel acak berukuran 128 yang berdistribusi gamma dengan parameter
= 4. Hitung P( 7 < 128 < 9).
8. Misalkan Y berdistribusi binomial b( 72, 1/3). Hitung P ( 22 Y 28).

9. Hitung probabilitas dari mean sampel acak berukuran 15 yang mempunyai pdf f(x) = 3 x2 , 0 < x < 1, dan
nol untukyang lain berada diantara 3/5 dan 4/5.
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
= 4. Hitung nilai pendekatan dari P ( 7 < < 9 ).

13. Misalkan diketahui peubah acak independen Zi , i = 1, 2, ., 16 yang berdistribusi normal N ( 0 , 1 )

dan adalah mean dari sampel. Tentukan
a. P ( < )
a. P ( < 32 )
b. P ( Z 1 - Z 2 < 2 )
c. P ( Z 1 + Z 2 < 2 )
e. P ( < 25 )
IV. BEBERAPA DISTRIBUSI KHUSUS

1. Pendahuluan
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.
1. Distribusi Tipe Diskret

1. Distribusi seragam ( Uniform )
Peubah acak X tipe diskret dikatakan mempunyai distribusi seragam jika mempunyai fkp f ( x ) = , x
= 1, 2, , n
= 0 , yang lain
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 ) =
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,
1. Distribusi Negatif Binomial

Misalkan ada barisan kejadian yang saling bebas dengan setiap kejadian hanya menghasikan
sukses atau gagal dengan peluang sukses p dan peluang gagal 1 - p. Misalkan X adalah banyaknya
sukses dengan kejadian terakhir sukses , maka X berdistribusi negatif binomial, yang fkpnya adalah
f ( x ) = , x = 0, 1, 2 ,
= 0 , 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
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 ) ).
1. Distribusi Tipe Kontinu

1. Distribusi gamma
Peubah acak X dikatakan mempunyai distribusi gamma jika mempunyai fkp f( x ) = , x > 0
Teorema 3.6
Jika X berdistribusi gamma dengan parameter
dan
makaE ( X ) =
, dan var ( X ) =
1. Distribusi Chi- Square

Jika distribusi gamma diketahui
= n/2 , dan
= 2 maka distribusi gamma dikatakan
menjadi distribusi Chi- Square. Fungsi kepadatan peluang dari distribusi ini adalah f ( x ) = , x > 0
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
berdistribusi eksponensial dengan parameter

f(x)=
e-
=0
= 1/
, maka distribusi gamma dikatakan
yang fkp-nya adalah
,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
dan varians
maka
Z =
berdistribusi normal baku, yaitu distribusi normal dengan mean 0 dan varians 1.
Teorema 3.12
dan varians
maka
berdistribusi chi - square dengan derajat bebas 1.
Torema 3. 13
Jika X1 , ., Xn peubah acak yang identik independen berdistribusi normal mean
dan varians
maka
1.
berdistribusi chi - square dengan derajat bebas n.
2.
berdistribusi chi - square dengan derajat bebas n - 1
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
f(x)=
2. Distribusi F
Distribusi ini banyak dipakai untuk inferensi statistik parameter
dari beberapa populasi yang
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
1. Distribusi Bivariate Normal

Misalkan X dan Y masing - masing berdistribusi normal N (
dan
2
1
) dan
N(
2
2
adalah koefisien korelasi dari X dan Y maka pdf bersama antara X dan Y , yaitu f ( x , y )
dinamakan mempunyai distribusi normal bivariate jika fkp-nya sebagai berikut

f(x,y)= , -
<x <
,-
<y<
= 0 , yang lain
dengan q =
Soal - Soal Latihan

1. Jika mgf dari peubah acak X adalah ( 1/3 + 2/3 et ) 5 , maka tentukan P( X = 2 atau 3 )
2. Mgf dari peubah X adalah ( 2/3 + 1/3 e t ) 9 . Buktikan bahwa
<
+2
P(
-2
<X
)=
3. Jika X berdistribusi binomial B ( n , p ) maka buktikan E ( X / n ) = p dan
E ( ( X/n) - p ) 2
=(p(1-p))/n
4. Jika X1 , X2 , dan X3 sampel acak independen yang mempunyai fkp sama
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 ) ; jika n = 5 ,maka hitung P ( 3
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 ).
8. Misalkan X1 , X2 , .., Xk - 1 mempunyai distribusi multinomial. Tentukan

a. MGF dari X2 , .., Xk - 1
b. Apakah fkp dari X2 , .., Xk - 1
c. Tentukan fkp bersyarat dari X1 , jika X2 = x2 , X3 = x3 , ., Xk - 1 = xk-1 .
d. Tentukan ekspektasi bersyarat E ( X1 / x2 , .., xk-1 ).
9.
Misalkan X berdistribusi binomial B ( 2 , p ) dan Y berdistribusi binomial B ( 4 , p ) . Jika P ( X

5/9 , maka tentukan P ( Y
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.
2. Buktikan bahwa mgf dari distribusi negatif binomial adalah
M(t)=pr[1-(
1 - p ) e t ] -r . Tentukan juga mean dan varians dari distribusi tersebut.
3.
Tentukan ukuran skewness dan kurtosis dari distribusi binomial B ( n , p ).
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 ) )
1. Jika peubah acak X berdistribusi Poisson sehingga P ( X = 1 ) = P ( X = 2 ) , maka tentukan P ( X = 4 ).

1. Mgf dari peubah acak X adalah . Buktikan
2
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 ).
4. Misalkan X berdistribusi Poisson dengan mean
100. Gunakan pertidaksamaan Chebyshev untuk
menentukan batas bawah P ( 75 < X < 125 ).
5. Misalkan X dan Y fkp f ( x , y ) = e -2 / [ x ! ( y - x ) ! ], y = 0, 1, 2 , .. ;
x = 0 , 1, , y
, dan nol untuk yang lain.
a. Tentukan mgf dari distribusi bersama antara X dan Y.

b. Hitung mean , varians, dan koefisien korelasi dari X dan Y.
c. Tentukan mean bersyarat E ( X / y ).
1. Tentukan ukuran skweness dan kurtosis dari distribusi Poisson dengan mean
1. Jika ( 1 - 2t ) -6 , t < , adalah mgf dari peubah acak X, maka tentukan P ( X < 5,23 ).
2. Jika X berdistribusi
( 5 ), maka tentukan konstanta c dan d sehingga
P (c <X<d)
= 0,95 dan P ( X , c ) = 0,025.
3. Jika X berdistribusi gamma dengan
= 3 dan
= 4, maka tentukan
P ( 3,28 < X <
25,2 ).
4. Misalkan X peubah acak sehingga E ( X m ) = ( m + 1 ) ! 2 m, m = 1, 2, maka tentukan distribusi

dari X.
5. Misalkan X1 , X2 , dan X3 adalah independen stokastik dengan masing - masing mempunyai fkp f ( x ) = e x
, x > 0, dan nol untuk yang lain. Tentukan distribusi
Y = minimum (X1 , X2 , X3 ).
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
dan P ( X < 9,49 ).
7. Tentukan ukuran skweness dan kurtosis dari distribusi gamma.

8. Misalkan X berdistribusi uniform dengan fkp f ( x ) = 1 , 0 < x < 1, dan nol untuk yang lain . Tentukan
distribusi fungsi dari Y = - 2 ln X.
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.
1. Stat istik Cukup Untuk Parameter

Definisi :
Misalkan X 1 , X 2 , .,X n merupakan sampel acak berukuran n dari distribusi yang mempunyai
fkp f ( x ;
) dan Y = u (X 1 , X 2 , .,X n ) adalah statistik dengan fkp g ( y ;
dinamakan statistik cukup untuk
) . Maka Y
jika dan hanya jika
= H ( x1 , , x n ). Dengan H ( x1 , , x n ) tidak tergantung dari
untuk setiap nilai y.
Teorema :
Misalkan X 1 , X 2 , .,X n merupakan sampel acak berukuran n dari distribusi yang mempunyai
fkp f ( x ;
). Statistik Y = u (X 1 , X 2 , .,X n ) dinamakan statistik cukup untuk
hanya jika dapat ditemukan dua fungsi non negatif k dan l sehinga f ( x 1 ;
;
) l ( x 1 , , x n ) , dengan l tidak tergantung dari
) . f( x n ;
jika dan
)=k(y
Contoh :Misalkan X 1 , X 2 , , X n merupakan sampel acak dari distribusi normal N (

2
),-
<
[( 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.
Fkp bersama antara X 1 , X 2 , , X n dapat dinyatakan sebagai

Dari baris terakhir terlihat bahwa faktor pertama hanya tergantung pada
x, sedangkan faktor yang
kedua tidak tergantung pada

cukup untuk
. Dengan menggunakan teorema di atas berarti
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
ada dan tunggal maka estimator likelihood dari
merupakan fungsi dari Y = u (X 1 , X 2 ,
, X n ).
1. Misalkan X 1 , X 2 , , X n merupakan sampel acak dari distribusi normal N ( 0 ,

Xi 2 merupakan statistik cukup untuk
0. Buktikan
),
>
2. Buktikan bahwa jumlahan dari item - item sampel acak berukuran n yang berdistribusi Poisson dengan
parameter
> 0 adalah statistik cukup untuk
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 ;
dan nol yang lain merupakan statistik cukup untuk
, , X n merupakan sampel acak berukuran n dari distribusi geometrik

)x
) =(1-
, x = 0 , 1, 2, ; 0 <
Xi merupakan statistik cukup untuk
< 1, dan nol untuk yang lain. Buktikan
5. Buktikan bahwa jumlahan dari item - item sampel acak berukuran n dari distribusi gamma dengan fkp f (
x;
) e - x/ , x > 0 ,
)=(1/
> 0 merupakan statistik cukup untuk
6. Dari soal - soal latihan 1, 2, 4 , dan 5 buktikan bahwa mle dari

untuk
merupakan fungsi dari statistik cukup
7. Misalkan X
parameter
,X
=
, , X n merupakan sampel acak berukuran n dari distribusi beta dengan
> 0 dan
= 2. Buktikan bahwa hasil pergandaan dari X 1 . X 2 , X n
merupakan statistik cukup untuk
8. Misalkan X 1 , X 2 , , X n merupakan sampel acak berukuran n dari distribusi dengan fkp f ( x

;
) = 1/
[1+(x-
)2 ],-
<x<
,-
<
<
. Apakah
mempunyai statistik cukup ?.
Tentukan !.
1. Teorema Rao - Blackwell

Dengan menggunakan teorema ini dapat ditentukan suatu statistik yang mempunyai varians
lebih kecil dibanding dengan statsitik yang merupakan unbias untuk parameter
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
, , X n , dengan n bilangan bulat positif merupakan sampel acak dari
distribusi yang mempunyai fkp f ( x ;
) . Misalkan
X n ) merupakan statistik cukup untuk
, dan
Y1 = u (X 1 , X 2 , ,
Y2 = v (X 1 , X 2 , , X n ) yang bukan
fungsi dari Y1 merupakan estimator unbias untuk
. Maka E ( Y2 / y1 ) =
( Y1 ) yang merupakan fungsi dari statistik cukup untuk
( y1 ) merupakan statistik
; unbias untuk
; dan mempunyai
varians lebih kecil dari Y2 .

1. Misalkan Y
<Y
<Y
<Y
< Y5 merupakan order statistik dari sampel acak berukuran 5 dari
distribusi seragam dengan fkp f ( x ;
) = 1/
bahwa 2 Y 3 merupakan estimator unbias untuk

Y 5 untuk
,0<x<
. Tentukan fkp bersama antara Y 3 dan statistik cukup
. Tentukan ekspektasi bersyarat E ( 2 Y3 / y5 ) =
dengan varians
> 0, dan nol untuk yang lain. Buktikan

( y 5 ) . Bandingkan varians dari 2 Y3
( Y 5 ).
2. Jika X dan Y merupakan sampel acak berukuran 2 dari distribusi dengan fkp
) e- x /
, x > 0 dan
f(x;
> 0. Tentukan fkp bersama dari statistik cukup Z = X + Y untuk
Y. Buktikan bahwa W merupakan estimator unbias untuk

( z ) dan varians dari
dengan varians
dan W =
. Tentukan E ( W / z ) =
( Z ).
3. Misalkan peubah acak X dan Y mempunyai fkp bersama

2
) = ( 1/
f(x,y)=(2/
) e- ( x + y ) / , y > x > 0 , dan nol untuk yang lain.
a. Buktikan bahwa mean dan varians dari Y adalah 3
/ 2 dan 5
b. Buktikan bahwa E ( Y / x ) = x +
c. Buktikan bahwa varians dari X +
ldebih kecil dari varians dari Y.
/ 4.
1. Kelengkapan dan Ketunggalan ( Completeness and Uniqness )

Definisi :
Misalkan peubah acak Z mempunyai fkp dari salah satu anggota keluarga fkp { h ( z ;
Jika kondisi E ( u ( Z ) ) = 0 untuk setiap
);
}.
berlaku u ( z ) bernilai nol kecuali pada himpunan titik -
titik yang mempunyai probabilitas sama dengan nol untuk setiap fkp h ( z ;
keluarga fkp { h ( z ;
);
) ,
, maka
} dinamakan keluarga lengkap.
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 ,dan nol untuk yanmg lain. Ambil E [ u ( Z ) ] = 0 untuk setiap
)
>0
> 0 . Dengan menyamakan integral tersebut pada transformasi Laplace
maka haruslah u ( z ) = 0 . Berarti keluarga fkp tersebut lengkap.

Teorema :
Misalkan X
,X
, ., X n , dengan n bilangan bulat positif merupakan sampel acak dari

suatu distribusi dengan fkp f ( x ;

statistik cukup untuk
),
. Misalkan Y = u (X 1 , X 2 , ., X n ) merupakan
dan keluarga { g ( y ;
terdapat fungsi dari Y yang unbias untuk

tunggal untuk
)/
} merupakan keluarga fkp lengkap. Jika
, maka fungsi dari Y tersebut merupakan penduga terbaik
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.
2. Buktikan bahwa setiap keluarga { f ( x ;
)/
> 0 } tidak lengkap dengan cara menemukan paling
sedikit satu fungsi tidak nol u ( x ) sehingga E [ u ( X ) ] = 0 untuk setiap
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 <
merupakan statistik lengkap untuk

untuk
< 1 dan nol untuk yang lain. Buktikan bahwa Y =
Xi
. Tentukan fungsi tunggal dari Y yang merupakan penduga terbaik
1. Misalkan diketahui keluarga fkp { h ( z ;
)/
} , dengan h ( z ;
a. Buktikan keluarga tersebut lengkap untuk
={
b. Buktikan keluarga tersebut tidak lengkap jika
/
={
) = 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
- ( Y - 1 ) n ] merupakan penduga terbaik tunggal
1. Klas Eksponensial Dari Fungsi Kepadatan Peluang

Pada subbab di atas telah dibahas tentang keluarga fkp yang lengkap. Selain kriteria lengkap
sebagaimana tersebut di atas terdapat kriteria lain tentang keluarga fkp yaitu klas eksponensial.
Perhatikan keluarga { f ( x ;
)/
} dengan
= {
<
<
} untuk
dan
konstanta diketahui, dan

f( x ;
) = exp [ p (
)K(x)+S(x) +q(
)],a<x<b
= 0 , untuk yang lain.
(*)
Fkp bentuk ( * ) dikatakan anggota klas eksponensial dari fkp tipe kontinu jika
a. Konstanta a atau b tidak tergantung dari

b. p (
) fungsi kontinu non trivial dari
c. Setiap K ( x )
,
,
<
<
<
<
,
,
0 dan S ( x ) fungsi kontinu dari x , a < x < b.
Sedangkan untuk tipe diskret dengan syarat sebagai berikut,
a. Himpunan { x / x = a 1 , a 2 , } tidak tergantung dari

b. p (
) fungsi kontinu nontrivial dari
<
<
c. K ( x ) fungsi non trivial dari x pada himpunan { x / x = a 1 , a 2 , }

Teorema :
Misalkan f ( x ;
., X
) ,
n
<
<
sampel acak dari distribusi dengan fkp f ( x ;
merupakan statistik cukup untuk

<
<
merupakan fkp dari klas eksponensial. Maka jika X

) dengan
dan keluarga fkp dari
Y=
,X
K (Xi )
Y yaitu { g ( y ;
} lengkap, atau Y merupakan statistik yang cukup dan lengkap untuk
)/
1. Tulis fkp f ( x ;
) = ( 1/ 6
eksponensial. Jika X
,X
) x3 e -x/
,x>0 ,
, ., X
tentukan statistik cukup dan lengkap Y untuk

penduga terbaik untuk
> 0 dan nol untuk yang lain dalam bentuk
sampel acak dari distribusi dengan fkp di atas maka
, dan cari fungsi
( Y ) tunggal yang merupakan
2. Misalkan X 1 ,X 2 , ., X n sampel acak dari distribusi dengan fkp

-
, x>0,
> 0, dan nol untuk yang lain. Buktikan Y =
dan ( n - 1 ) / Y merupakan penduga terbaik untuk
f(x;
,0<x<1,
X I merupakan statistik cukup untuk
3. Misalkan X 1 ,X 2 , ., X n sampel acak dari distribusi dengan fkp

-1
)=
f(x;
)=
> 0 , dan nol untuk yang lain.
a. Buktikan bahwa mean geometrik (X

cukup dan lengkap untuk
b. Tentukan MLE dari
.X
. X n )
1/ n
dari sampel merupakan statistik
, dan periksa apakah merupakan fungsi dari mean geometrik
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 ].
1. Misalkan X sampel acak dengan fkp anggota klas eksponensial. Buktikan E [ K ( X ) ] = - q (

(
)/p
).
2. Jika f ( x ;
) = exp [
K(x) +S(x)+q(
) dari Y = K ( X ) adalah M ( t ) = exp [ q (
3. Jika diketahui E ( Y ) = E [ K ( X ) ] =
) ] , a < x < b dan
)-q(
+ t ) ], untuk
<
<
<
, maka buktikan Y berdistribusi normal
, maka buktikan M ( t
+t<
N(
.
,1).
1. Pertidaksamaan Rao - Cramer

Pada subbab ini akan dibahas tentang batas bawah varians dari peduga parameter yang unbias,
yang dinyatakan dalam pertidaksamaan Rao - Cramer sebagai berikut.
Misalkan X 1 ,X 2 , ., X n merupakan sampel acak dari dari daistribusi dengan fkp f (
x;
),
={
<
<
., X n
2
}, dengan
dan
diketahui. Misalkan Y = u (X 1 ,X 2 ,
) merupakan penduga unbias untuk
, maka vrians dari Y, katakan
, 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 ;
Jika kedua persamaan di atas diturunkan terhadap
) . 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 ;
)/
], yang berarti E [ Z ] = 0. Oleh karena Z
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
dan E (Z ) = 0 maka didapat 1 =

1 atau
)/
] maka didapat E
merupakan korelasi antara
.0+
atau
=1/
)2
1 atau ( 1/
. Statistik Y dinamakan penduga efisien untuk
jika varians
1 maka (1 /
atau
2
Y.
Definisi :
Misalkan Y penduga unbias untuk parameter
dari Y sama dengan batas bawah pertidaksamaan Rao - Cramer.

1. Buktikan bahwa
X yang merupakan mean sampel acak dari distribusi normal
merupakan peduga efisien untuk
N(
2. Buktikan bahwa
X yang merupakan mean sampel acak dari distribusi binomial
b ( 1,
),0<
< 1 merupakan penduga yang efisien.
3. Diberikan f ( x ;
) =1/
,0<x<
dan nol untuk yang lain dengan
> 0. Hitung n E dan
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 ;
) = . Buktikan Bahwa batas bawah Rao - Cramer nya adalah 2/ n , dengan n
adalah ukuran sampel.
5. Buktikan bahwa E = - E
V. ESTIMASI
1. Estimasi Titik
Misalkan peubah acah X mempunyai pdf f(x;
dinamakan ruang parameter . Karena
) dengan
tidak diketahui. Himpunan
tidak tunggal , maka untuk setiap nilai
, 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
} akan dipilih satu anggota pdf
akan diperlukan untuk mengestimasi parameter
);
f(x;
) yang
. Untuk keperluan itu ambil sampel acak X1 ,
., Xn yang berasal dari suatu distribusi dengan pdf f(x ;
) Masalahnya sekarang adalah
memilih Y = u (X1 , ., Xn ) , sehingga jika x1 , .., xn merupakan nilai observasi dari X1 ,

., Xn maka nilai dari
y = u (x1 , .., xn ) merupakan penduga terbaik dari
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 ;
tersebut dinyatakan sebagai fungsi terhadap

atau ditulis L (
; x1 , .., xn ) = f(x 1 ;
). f(x2 ;
. Pdf bersama antara

). Jika pdf bersama
maka dinamakan fungsi likelihood yang dinotasikan L
). f(x2 ;
ditentukan fungsi u (x1 , .., xn ), sehingga jika
) f(xn ;
diganti dengan
),
. Dari fungsi ini
u (x1 , .., xn ) didapat L (
; x1 , .., xn ) maksimum. Statistik u (X1 , ., Xn ) dinamakan maximum likelihood estimator.

Definisi 4.1:
Sembarang statistik yang mempunyai harapan matematik sama dengan parameter
estimator dari parameter
dinamakan unbias
Definisi 4.2 :
Sembarang statistik yang convergen stokastik ke parameter
parameter
dinamakan penduga konsisten dari
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,
..
), (
, ..
. Ekspektasi E ( Xk ) sering dinamakan
moment ke - k dari suatu distribusi , k = 1, 2, 3, Jumlahan Mk = dinamakan moment ke - k dari

sampel, k = 1, 2, 3, Selanjutnya samakan E ( Xk ) dengan Mk dimulai dengan
k = 1 dan
seterusnya sehingga didapat sejumlah persamaan untuk mendapatkan penyelesaian tunggal dari
..
, katakan hi( Mi, ), i = 1, 2, , r yang bersesuaian.

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-
( MLE ) dari parameternya.
/ x ! , x = 0, 1, 2, . ;
, 0< x , 1 ,
, -
> 0 dan nol untuk yang lain.
<x<
,x>0,
,x
,-
0. ,dan nol untuk yang lain.
,-
<
<
dan nol untuk yang lain.
> 0 , dan nol untuk yang lain.

<
<
1. Misalkan X1 , X 2 , .., X n merupakan sapel acak dari suatu distribusi yang mempunyai fkp
f ( x,
) e - ( x-
) = ( 1/
)/
,x
,-
<
<
> 0. Tentukan MLE dari
dan
1. Misalkan Y1 < Y 2 < < Y n merupakan order statistik dari sampel acak uang mempunyai fkp f (
x,
)=1,
+ , -
<x<
, dan nol untuk yang lain. Buktikan bahwa setiap
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
3. Misalkan Y n merupakan statistik sehingga
dan
> 0. Jika X 1 , X 2 ,
dan
= 0. Buktikan bahwa Yn konsisten terhadap
1. Mesuares of Quality of Estimators

Dalam bagian ini akan dibahas beberapa kriteria atau sifat dari estimator, misalnya unbiased
minimum varians estimator ( umve ), atau estimator minimax.
Definisi 4.3 :
Untuk n bilangan bulat positif , Y = u ( X 1 , X
estimator ( umve ) dari suatu parameter
, ., X n ) dikatakan unbiased minimum varians
jika Y unbias yaitu
E(Y)=
lebih kecil atau sama dengan dari varians setiap estimator unbias untuk
dan jika varians dari Y
Sebagai gambaran dapat dijelaskan sebagai berikut, misalkan X 1 , X 2 , .,X 9 merupakan sampel
acak dari distribusi normal N (
,1),-
merupakan statistik yang unbias untuk
<
, maka berdistribusi normal N (
, 1/9 ) dan
. Di lain pihak X1 juga berdistribusi normal N (
, 1) yang
berarti juga merupakan statistik unbias untuk
<
. Tetapi jika diperhatikan ternyata mempunyai varians
yang lebih kecil jika dibanding dengan X 1 .

Kriteria lain yang biasa dipakai untuk menentukan suatu estimator baik didasarkan dengan adanya
fungsi kerugian, seperti uraian berikut. Misalkan
X 1 , X 2 , .,X n merupakan sampel acak

berukuran n dari suatu distribusi yang mempunyai fkp f ( x ,
). Misalkan Y = u ( X 1 , X 2 , ., X n )
merupakan statistik yang diharapkan merupakan estimator dari
, dan w ( y ) merupakan fungsi dari
hasil pengamatan , yang dinamakan fungsi keputusan. Fungsi yang teridiri atas parameter dan keputusan
dinamakan fungsi kerugian ( loss function ) ,dinotasikan L (
, w(y) ) atau L. Ekspektasi dari fungsi
kerugian dinamakan fungsi risiko ( risk function ), yang dinotasikan R (
, w ).
Contoh :
Misalkan X 1 , X 2 , .,X n merupakan sampel acak dari distribusi normal
<
, dan Y = merupakan mean dari sampel . Misalkan
Jika w1 ( y ) = y dan w2 ( y ) = 0 maka

= E[
-0]
R(
L(
, w1 ) = E [
N(
,(w(y))=[
, 1 ), -
<
- w ( y ) ] 2.
- Y ] 2 = 1/ 25 dan R (
, w1 )
. Dari hasil tersebut berarti w1 ( y ) merupakan statsitik yang mempunyai risiko
lebih kecil dibanding w2 ( y ).

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
dan mempunyai varians 2
,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<
> 0. Buktikan bahwa 4 Y1 , 2 Y2 , dan ( 4 / 3 ) Y3 merupakan unbias
. Tentukan varians dari semua unbias estimator tersebut.
4. Misalkan Y1 dan Y2 merupakan independen stokastik unbias estimator untuk
, katakan varians Y1
sama dengan varians Y2 . Tentukan konstanta k dan l sehingga

k Y1 + l Y2 merupakan unbias estimator dengan varians lebih kecil dibanding
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 ) ] 2 . Jika w ( y ) berbentuk b + ( y / n ) , dengan
b suatu konstanta yang tidak tergantung pada y , maka buktikan R (
,w(y))=b2 +(
1. Misalkan X 1 , X 2 , .,X n merupakan sampel acak dari distribusi normal N (

tidak diketahui. Misalkan Y = dan misalkan L [
,w(y)]=[
),
/n).
> 0 , dan
- w ( y ) ] 2 . Jika w ( y ) berbentuk b
y , dengan b suatu konstanta yang tidak tergantung pada y maka buktikan

2
R(
,w(y))=(
/n
) [ ( n 2 - 1 ) b 2 - 2n ( n - 1 ) b + n 2 ].
1. Selang Kepercayaan dari Parameter

Dalam sub bab di atas estimasi dari suatu parameter hanya dinyatakan sebagai satu nilai saja yang
biasanya dinamakan estimasi titik. Ada kalanya penggunaan estimasi titik terhadap parameter kurang
memadai, sebagai contoh misalnya ada seseorang yang mengatakan bahwa produksi telor di Jawa Timur
pada saat ini adalah 4.987.456 butir. Hal ini kurang tepat karena pada saat orang menghitung produksi
telur yang satu ada kemungkinan yang lain sudah bertelur, maka untuk itu estimasi yang lebih tepat
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
1. Tentukan estimasi titik dari
dapat dilakukan sebagai berikut.
sebut
2. Tentukan distribusi dari .

3. Bentuk peubah yang terdiri atas
dan yang dinamakan pivot.
4. Tentukan distribusi dari pivot.

5. Tentukan selang kepercayaan dari
Contoh :
Misalkan X
dengan
,X
, ..,X n merupakan sampel acak dari dsitribusi normal N (

2
tidak diketahui dan
diketahui. Akan ditentukan selang kepercayaan sebesar 1 -
,
untuk
),
.
Dari langkah - langkah di atas didapat

1. Penduga dari
adalah
1. Distribuai dari adalah normal N (
/ 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
yang berarti selang kepercayaan sebesar 1 -z
/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.
3. Misalkan sampel acak berukuran 17 dari distribusi normal N (

5,76. Tentukan selang kepercayaan 90 % untuk mean
) 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 /
.
5. Misalkan X 1 , X 2 , ..,X 9 merupakan sampel acak berukuran 9 dari distribusi normal N (

2
dan
).
a. Jika
diketahui , tentukan panjang 95 % selang kepercayaan untuk
pada sampel acak
9(-
)/
jika interval itu didasarkan
.
b. Jika
tidak diketahui , tentukan nilai ekspektasi panjang 95 % jika didasarkan pada sampel acak
8(-
)/S .
c. Bandingkan dua jawaban tersebut.

1. Misalkan X 1 , X 2 , ..,X n + 1 merupakan sampel acak berukuran n + 1 , n > 1 dari sampel acak
yang berdistribusi normal N (
n+1
). Misalkan = dan S 2 = . Tentukan konstanta c sehingga c ( - X
) / S berdistribusi t. Jika n = 8 , tentukan k sehingga P ( - k S < X9 < + k S) = 0,80.
1. Misalkan Y berdistribusi binomial b ( 300, p ). Jika nilai observasi dari Y adalah
y = 75 , maka
tentukan selang kepercayaan 90 % untuk parameter p.
2. Jika merupakan mean dari sampel acak berukuran n yang mempunyai distribusi normal N (
2
dengan
,
),
diketahui. Dengan menggunakan tabel daistribusi normal N ( 2 ) - N ( -2 ) = 0,954 tentukan
c 1(
dan c 2 (
),c
) sehingga
P (c 1 (
) merupakan fungsi naik dari
)< < c2(
)) = 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
, yaitu mean dari
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
y = 5,6 dan s2 2 = 7,88 . Tentukan selang
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
x = 40. Tentukan selang kepercayaan 90 %
untuk p 1 - p 2..
6. Tentukan selang kepercayaan sebesar 1 2
varians
7. Jika
dan
X dan
untuk selisih mean
dari dua distribusi normal jika
diketahui dan keduanya tidak sama.
Y keduanya merupakan mean dari dua independen sampel acak yang masing-masing
berukuran n , dari distribusi normal N(
) dan N (
Tentukan n sehingga
-
P(
X-
Y-
), dengan variansnya diketahui.

/5<
<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
). Tentukan selang kepercayaan 90 % untuk
, ..,X n merupakan sampel acak dari distribusi normal
Misalkan 0 < a < b . Buktikan bahwa ekspektasi matematik panjang dari interval acak [
b,
( XI -
) 2 / a ] adalah ( b - a ) ( n
)2/
( XI -
) diketahui
= 3,2 dan s 2 = 4,24. Tentukan
11. Misalkan S 2 merupakan varians dari sampel acak berukuran n yang diambil dari distribusi normal N(
2
) dengan
dan
).
/ ab ).
10. Sampel acak berukuran 15 dari distribusi normal N (

selang kepercayaan 90 % untuk
N(
keduanya tidak diketahui. Misalkan g (z) adalah fkp dari Z = n S2 /
yaitu
( n - 1 ). Misalkan a dan b suatu konstanta sehingga interval pengamatan ( n s 2 / b , n s 2 / a )

2
merupakan selang kepercayaan sebesar 90 % untuk
. Jika panjang n s 2 ( b - a ) / ab minimum ,
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.
12. Tentukan selang kepercayaan sebesar 1 distribusi normal jika
untuk perbandingan
dari dua sampel acak
diketahui.
13. Misalkan X 1 , X 2 , ..,X 6 merupakan sampel acak berukuran 6 dari distribusi gamma dengan
parameter
= 1 dan
> 0. Tentukan selang kepercayaan sebesar 98 % untuk
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 (
). Gunakan kenyataan bahwa ( n S1 2 + m S2 2 )
( n + m - 2 ) untuk menentukan selang kepercayaan dari
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
merupakan peubah acak yang mempunyai distribusi, yang
biasanya dinamakan distribusi prior dengan notasi h (

parameter
). Sehingga untuk menentukan estimasi dari
selain memanfaatkan informasi sampel juga memanfaatkan informasi distribusi prior.
Misalkan X
, X
, ..,X n merupakan sampel acak dari distribusi X dan Y merupakan
statistik yang merupakan fungsi dari X 1 , X 2 , ..,X 6 , maka fkp dari Y untuk setiap
fkp bersyarat dari Y jika
dan
diberikan , yang dinotasikan g ( y /
adalah
k(y,
adalah k 1 ( y ) , sehingga fkp bersyarat dari

dinamakan distribusi posterior. Jika L (
)=h(
)g(y/
/ y ) = yang
w ( y ) yang meminimumkan fungsi
- w ( y ) ) 2 maka w ( y ) merupakan mean dari k (

L(
median dari k (
). Sedangkan fkp marginal dari Y
, w ( y ) ) merupakan fungsi kerugian dengan w ( y ) adalah
,w(y))= (
jika
). Berarti fkp bersama antara Y
jika diberikan Y = y adalah k (
estimator yang diambil, maka penyelesaian Bayes adalah

kerugian. Jika L (
adalah
,w(y))=
-w(y))
/ y ), dan
maka w ( y ) merupakan
/ y ).
1. Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi normal

=
X merupakan sampel dari mean. Ambil fungsi kerugian
. Jika
berdistribusi normal N (
) sebagai estimasi titik untuk
) dengan
L(
N(
,w(y) =
,
(
) dan Y
-w(y)
diketahui . Tentukan penyelesaian Bayes w ( y
2. Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi Poison dengan mean
> 0.
Misalkan Y =
-1
e-
X I dan fungsi kerugian adalah L (

(
- w ( y ) ) 2 . Jika h (
,w(y))= (
> 0. Tentukan penyelesaian Bayes sebagai estimasi titik untuk
)=
.
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
penyelesaian Bayes sebagai estimasi titik untuk
h(
)=
+1
<
<
,w(y)
. Tentukan

Statmat II Edit

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statmat II Edit

Diunggah oleh

Hak Cipta:

Format Tersedia

MATKUL :STATISTIKA MATEMATIKA II

Dosen : Istiqomah, S.Si, M.Sc.

1. Ruang sampel dan Kejadian

1. Menghitung titik sampel

STATISTIKA MATEMATIKA II_SEMESTER 4

( Jawab : 5 ! = 5.4.3.2.1 = 120

STATISTIKA MATEMATIKA II_SEMESTER 4

enam orang tersebut ?. ( Jawab : ( 6 1 ) ! = 5 ! = 120 ).

1. Cara frekwensi relative

) dan kejadian A yang diamati pada percobaan

1. Beberapa Hukum Peluang

Jika kedua ruas

dibagi dengan n ( S ) maka didapat atau

Akibat : Jika A dan B saling lepas, maka P ( A

STATISTIKA MATEMATIKA II_SEMESTER 4

A ) = P ( A ) + P ( A ) = P ( S ) = 1, yang berarti didapat P( A ) = 1 P ( A ).

1.8 Fungsi Kepadatan Peluang ( fkp) / Pdf (Probability Density Function)

Dari syarat pdf ke-dua maka didapat atau 6k = 12 , sehingga

2)=P (X=1)+P (X=2)=

hitung P ( X < 0,5 )

hitung P ( X > 0,3 )

P ( X < 0,5 ) = = ( 0,5 )2 0 = 0,25

P ( X > 0,3 ) = = 1 ( 0,3 )2 = 1 0,09 = 0,91

1. Fungsi Distribusi / Distribusi Kumulatif

x ), maka peluang seperti di atas disebut distribusi kumulatif dari

peubah acak X yang dinotasikan F ( x ).

f ( x ) = 1 untuk 0 < x < 1 dan nol untuk yang lain

f( x ) = e-x untuk x > 0 dan nol untuk yang lain

f( x ) = untuk x = 1 , 2, 3 dan nol untuk yang lain

f ( x ) = untuk x = 1 , 2 , 3 dan nol untuk yang lain

F ( x ) = = x untuk 0 < x < 1

1.10 Ekspektasi Matematik

- h < t < h untuk h bilangan real positif, yang dinotasikan M ( t ).

) 3 ada maka disebut

kemencengan atau skewness.

Jika peubah acak X mempunyai mean

) 4 ada maka disebut

keruncingan atau kurtosis.

Teorema 1.14 ( Teorema Chebyshev )

Soal - soal latihan

2. Buktikan = - log ( 1 - x ) , - 1 < x < 1

4. Jika A dan B suatu kejadian maka buktikan

1. Misalkan P ( A ) = P ( B ) = 1/3 dan P ( A

1. Misalkan P ( A ) = , P ( B ) = 1/8 , dan P ( C ) = , dengan A , B , dan C saling lepas. Hitung

1. Untuk bilangan bulat positif n > r , buktikan

a. Tentukan fkp dari X

a. Buat grafik dari distribusi komulatifnya

x > 1, dan nol

untuk yang lain.

a. Untuk nilai k yang mana agar f ( x ) merupakan fkp ?.

1. Peubah acak X mempunyai distribusi komulatif F ( x ) =

e. Hitung P ( X < 1,25 )

a. Tentukan distribusi komulatif dari X

1. Peubah acak X mempunyai fkp f ( x ) =

1. Gunakan pertidaksamaan Chebychev untuk menentukan batas bawah

P ( 5/8 < X <

7/8 ) jika X mempunyai fkp f ( x ) = 3 x 2 , 0 , x < x < 1

2. Jika A1 , A2 , .. merupakan himpunan-himpunan sehingga Ak

.. , maka tentukan jika

21. Jika A1 , A2 , .. merupakan himpunan-himpunan sehingga Ak

1. Untuk setiap fkp di bawah ini hitung P (

b ) P ( < X < 5/2 )

< 1 ) dan P ( X 2 < 9 )

a. f ( x ) = x 2 /18 , -3 < x < 3 , dan nol untuk yang lain