D
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
STATISTIKA MATEMATIKA II_SEMESTER 4
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
nPr =.
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
STATISTIKA MATEMATIKA II_SEMESTER 4
, dengan n =
Bukti :
Anggap jika n obyek tersebut berbeda, maka susunan yang terjadi adalah n!. Karena setiap n i 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
.
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)
0
1/8
1
3/8
2
3/8
3
1/8
1.
f(x) 0, x
1. = 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.
b.
c.
d.
berapakah k
hitung P ( X = 2 )
hitung P ( X > 2 )
hitung P ( X 2 )
Jawab :
STATISTIKA MATEMATIKA II_SEMESTER 4
a.
b.
c.
d.
Definisi 1.11
Peubah acak X tipe kontinu dikatakan mempunyai fkp f ( x ) jika
1. f ( x ) 0 , x
2. = 1
Jika X peubah acak tipe kontinu maka mempunyai sifat sebagai berikut
1.
2.
P(X=x)=0
P( A) =
Contoh :
Misalkan f ( x ) = kx , 0 < x < 1 dan nol untuk yang lain merupakan pdf dari X.
a.
b.
c.
d.
hitung k
hitung P ( X = 0,5 )
hitung P ( X < 0,5 )
hitung P ( X > 0,3 )
Jawab :
atau k = 2
P ( X = 0,5 ) = 0
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
a.
b.
c.
d.
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.
2.
3.
4.
1.
Jawab :
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
STATISTIKA MATEMATIKA II_SEMESTER 4
1.
2.
3.
4.
E(aX)=aE(X)
E(X+a)=E(X)+a
var ( a X ) = a2 var ( X )
var ( X + a ) = var ( 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 ) .
Teorema 1.14 ( Teorema Chebyshev )
Misalkan peubah acak X mempunyai distribusi peluang dengan mean
1.
2.
3.
4.
Buktikan a . = 2 n
b.
Buktikan = - log ( 1 - x ) , - 1 < x < 1
Buktikan a. = k ( k + 1 )
b . = 1/6 k ( k + 1 ) ( 2k + 1 )
Jika A dan B suatu kejadian maka buktikan
a. P ( A B ) = P ( A ) - P ( A B )
b. P ( A B ) = 1 - P ( A B )
1. Misalkan P ( A ) = P ( B ) = 1/3 dan P ( A B ) = 1/10. Hitung
a. P ( B )
b. P A B )
c. P ( B A )
d. P ( 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 C )
b. P ( A B 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.
-(k+1)
, jika
a. Ak = { x / 1/k x 3 - 1/k } , k = 1, 2, 3,
b. Ak = { ( x , y ) / 1/k x 2 + y 2 4 - 1/k } , k = 1, 2, 3, .
21. Jika A1, A2, .. merupakan himpunan-himpunan sehingga Ak Ak + 1 untuk
didefinisikan sebagai interseksi dari
k = 1, 2, dan
a. Ak = { x / 2 - 1/k x 2 } , k = 1, 2, 3,
b. Ak = { x / 2 < x 2 + 1/k } , k = 1, 2, 3, .
c. Ak = { ( x , y ) / 0 x 2 + y 2 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 )
b ) P ( < X < 5/2 )
1. Untuk setiap fkp di bawah ini hitung P ( 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
( distribusi
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
]/
]/
D
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
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 1 dan 2 serta varians 12 dan 22, maka
yang dinotasikan dengan
yang didefinisikan =
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 ( e tx + 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 (C 2 C3
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
STATISTIKA MATEMATIKA II_SEMESTER 4
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,
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 Y n =
Xi berdistribusi binomial b(n , p) jika X i independen stokastik berdistribusi bernoulli b( 1 , p ).
Demikian juga n = 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 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
sehingga untuk n 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 X 1, ., Xn yang berasal dari
distribusi dengan pdf f(x) = 1/ , 0 < x < ,
pdf dari Yn adalah gn( y ) =
,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
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
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 W n = 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.
f(x) = e- x , x > 0 , dan nol
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.
100 merupakan mean dari sampel acak berukuran 100 yang berdistribusi Kai-kuadrat dengan
6. Misalkan
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
2 ( 50 ) . Hitung
12. Misalkan adalah mean dari sampel acak berukuran 128 dari distribusi gamma dengan parameter = 2
dan = 4. Hitung nilai pendekatan dari P ( 7 < < 9 ).
13. Misalkan diketahui peubah acak independen Z i , i = 1, 2, ., 16 yang berdistribusi normal N ( 0 , 1 )
dan adalah mean dari sampel. Tentukan
a. P ( < )
b. P ( Z 1 - Z 2 < 2 )
a. P ( < 32 )
e. P ( < 25 )
c. P ( Z 1 + Z 2 < 2 )
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)
STATISTIKA MATEMATIKA II_SEMESTER 4
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 ) + pe t )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 A 1,
., 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 maka
M ( t ) = atau exp ( ( e t - 1 ) ).
Teorema 3.6
Jika X berdistribusi gamma dengan parameter dan makaE ( X ) = , dan var ( X ) =
2
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 = 1/ , maka distribusi gamma dikatakan
berdistribusi eksponensial dengan parameter yang fkp-nya adalah
f ( x ) = e- x , x > 0
=0
, yang lain
Teorema 3.9
Jika X berdistribusi eksponensial dengan parameter maka E ( X ) = 1/ dan var ( X ) = 1/ 2
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 2 maka
fkp-nya adalah
f ( x ) = , - < x < , - < < , dan 2 > 0.
= 0 , untuk yang lain
Teorema 3. 10
Jika X berdistribusi normal dengan mean dan varians 2 maka
M ( t ) = exp ( t + ( 2t2 )/ 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
2 =
Torema 3. 13
Jika X1, ., Xn peubah acak yang identik independen berdistribusi normal mean
dan varians 2 maka
fkp
f(x)=
= 0 , untuk yang lain
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
N ( 2 ,22 ) dan
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 =
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 ) ; 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 ).
1. Jika x = r adalah modus yang tunggal dari distribusi binomial B ( n , p ) maka buktikan ( n + 1 ) p - 1 < r
STATISTIKA MATEMATIKA II_SEMESTER 4
< ( n + 1 ) p.
2. Buktikan bahwa mgf dari distribusi negatif binomial adalah
M(t)=p r[1-(1
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
P ( - 2 < X < + 2 )
= 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 ,
P(c<X<d)=
25,2 ).
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.
( xI - )2= [
Dari baris terakhir terlihat bahwa faktor pertama hanya tergantung pada x, sedangkan faktor yang
kedua tidak tergantung pada . Dengan menggunakan teorema di atas berarti X merupakan statistik
cukup untuk .
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 ).
Soal - soal latihan :
N(0, ),>
3. Buktikan bahwa order statistik ke n dari sampel acak berukuran n yang berdistribusi seragam dengan fkp
f ( x ; ) = 1/ , 0 < x < dan nol yang lain merupakan statistik cukup untuk .
4. Misalkan X 1 , X 2 , , X n merupakan sampel acak berukuran n dari distribusi geometrik
dengan fkp f ( x ; ) = ( 1 - ) x , x = 0 , 1, 2, ; 0 < < 1, dan nol untuk yang lain. Buktikan
Xi merupakan statistik cukup untuk .
5. Buktikan bahwa jumlahan dari item - item sampel acak berukuran n dari distribusi gamma dengan fkp f (
x ; ) = ( 1 / ) e - x / , x > 0 , > 0 merupakan statistik cukup untuk .
6. Dari soal - soal latihan 1, 2, 4 , dan 5 buktikan bahwa mle dari merupakan fungsi dari statistik cukup
untuk .
. X 2 , X n
Misalkan X
,X
Y 1 = u (X 1 , X 2 , , X n
1. Misalkan Y 1 < Y 2 < Y 3 < Y 4 < Y5 merupakan order statistik dari sampel acak berukuran 5 dari distribusi
seragam dengan fkp f ( x ; ) = 1/ , 0 < x < , > 0, dan nol untuk yang lain. Buktikan bahwa 2
Y 3 merupakan estimator unbias untuk . Tentukan fkp bersama antara Y 3 dan statistik cukup Y 5 untuk
. Tentukan ekspektasi bersyarat E ( 2 Y3 / y5 ) = ( y 5 ) . Bandingkan varians dari
varians ( Y 5 ).
2. Jika X dan Y merupakan sampel acak berukuran 2 dari distribusi dengan fkp
2 Y3 dengan
f ( x ; ) = ( 1/
) e- x / , x > 0 dan > 0. Tentukan fkp bersama dari statistik cukup Z = X + Y untuk dan W = Y.
Buktikan bahwa W merupakan estimator unbias untuk dengan varians 2. Tentukan E ( W / z ) =
( z ) dan varians dari ( Z ).
f(x,y)=(2/
terdapat fungsi dari Y yang unbias untuk , maka fungsi dari Y tersebut merupakan penduga terbaik
tunggal untuk .
Soal - soal latihan :
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 > 0.
a. f ( x ; ) = 1/ 2 , - < x < , dan nol untuk yang lain.
b. N ( 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 < < 1 dan nol untuk yang lain. Buktikan bahwa Y = Xi
merupakan statistik lengkap untuk . Tentukan fungsi tunggal dari Y yang merupakan penduga terbaik
untuk .
1. Misalkan sampel acak berukuran n diambil dari distribusi yang mempunyai fkp
, x = 1, 2, ., , dengan 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 n + 1 - ( Y - 1 ) n + 1 ] / [ Y n - ( Y - 1 ) n ] merupakan penduga terbaik tunggal untuk
.
(*)
Fkp bentuk ( * ) dikatakan anggota klas eksponensial dari fkp tipe kontinu jika
,X
Y = K (Xi)
Y yaitu { g ( y ; ) /
< < } lengkap, atau Y merupakan statistik yang cukup dan lengkap untuk .
Soal - soal latihan :
1. Tulis fkp f ( x ; ) = ( 1/ 6 2 ) x 3 e - x / , x > 0 , > 0 dan nol untuk yang lain dalam bentuk
eksponensial. Jika X
,X
, ., X
f(x; )= e-
, x > 0 , > 0, dan nol untuk yang lain. Buktikan Y = X I merupakan statistik cukup untuk
f(x; )= x
-1
1/ n
b. Tentukan MLE dari , 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 ] .
< + t < .
N(,1).
Y = u (X
,X 2 , ., X n),
sehingga didapat
1 = f ( x i; ) dx I , untuk i = 1, 2, , n
dan
= y g ( y ; ) dy
= .. u ( x 1, x 2 , , x n ) f ( x 1; ) . f ( x n; ) dx 1. dx n
Jika kedua persamaan di atas diturunkan terhadap maka didapat
0 = dan
1= x
f ( x 1; ) . f ( x n; ) dx 1. dx n
= x
f ( x 1; ) . f ( x n; ) dx 1. dx n
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 = [ln f ( X I ; ) / ] maka didapat E
[ YZ ] = 1. Dilain pihak E [ YZ ] = E [ Y ] E [ Z ] + Y Z dengan merupakan korelasi antara Y
dan Z. Oleh karena E (Y ) = dan E (Z ) = 0 maka didapat 1 = . 0 + Y Z atau = 1 / Y
Z . Karena - 1 1 atau
2 1 maka (1 / Y Z ) 2 1 atau ( 1/ 2Z )
2 Y atau
Y.2
Definisi :
Misalkan Y penduga unbias untuk parameter . Statistik Y dinamakan penduga efisien untuk jika
varians dari Y sama dengan batas bawah pertidaksamaan Rao - Cramer.
Soal - soal latihan :
1. Buktikan bahwa X yang merupakan mean sampel acak dari distribusi normal
N ( , 2 )
b ( 1, ) , 0 <
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 dengan Y
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; ) dengan tidak diketahui. Himpunan
dinamakan ruang parameter . Karena 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; ) , untuk .
Dari keluarga pdf adalah { f(x; ) ; } akan dipilih satu anggota pdf
diperlukan untuk mengestimasi parameter . Untuk keperluan itu ambil sampel acak X 1, .,
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 X 1, ., Xn maka
nilai dari
Salah satu metode yang digunakan untuk menentukan estimasi titik adalah metode maximum
likelihood. Prinsip dari metode ini dapat diuraikan sebagai berikut. Misalkan X 1, ., Xn
merupakan sampel acak dari suatu distribusi dengan pdf f(x; ) , untuk . Pdf bersama antara
X1, ., Xn adalah
tersebut dinyatakan sebagai fungsi terhadap maka dinamakan fungsi likelihood yang dinotasikan L
atau ditulis L ( ; x1, .., xn) = f(x 1; ). f(x2 ; ) f(xn ; ) , . Dari fungsi ini
ditentukan fungsi u (x1, .., xn ), sehingga jika diganti dengan
u (x 1, .., 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 dinamakan unbias
estimator dari parameter .
Definisi 4.2 :
Sembarang statistik yang convergen stokastik ke parameter dinamakan penduga konsisten dari
parameter .
Selain metode maximum likelihood ada metode lain yaitu metode moment. Prinsip metode ini dapat
diuraikan sebagai berikut. Misalkan X 1, ., Xn merupakan sampel acak berukuran n dari suatu
distribusi dengan pdf f(x ; 1, .. r ), ( 1, .. r ) . 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
1,
1. Misalkan X1 , X 2 , .., X n merupakan sapel acak dari suatu distribusi yang mempunyai fkp
seperti di bawah. Tentukan estimator maksimum likelihood
( MLE ) dari parameternya.
a. f ( x , ) = x e - / x ! , x = 0, 1, 2, . ; 0. ,dan nol untuk yang lain.
b. f ( x , ) = e - 1 , 0< x , 1 , > 0 dan nol untuk yang lain.
c. f ( x , ) = e - x - , - < x < , - < < dan nol untuk yang lain.
d. f ( x , ) = ( 1/ ) e - x/ , x > 0 , > 0 , dan nol untuk yang lain.
e. f ( x , ) = e - ( x - ) , x , - < < , dan nol untuk yang lain.
1. Misalkan X1 , X 2 , .., X n merupakan sapel acak dari suatu distribusi yang mempunyai fkp
f ( x, , ) = ( 1/ ) e - ( x - ) / , 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 + , - < x < , dan nol untuk yang lain. Buktikan bahwa setiap
Y n - u ( X 1 , X 2 , , X n ) Y1 + .
statistik u ( X 1 , X 2 , , X n ) memenuhi
2. Distribusi Pareto sering dipakai pada model studi pemasukan ( incomes ) yang mempunyai fungsi
distribusi F ( x , , ) = 1 - ( / x )
.., X n adalah sampel acak dari distribusi tersebut maka tentukan mle dari dan .
= 0. Buktikan bahwa Yn konsisten terhadap .
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 ) , - < < , maka berdistribusi normal N ( , 1/9 ) dan
merupakan statistik yang unbias untuk . 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
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
N ( , 1 ), - <
L ( , ( w ( y ) ) = [ - w ( y ) ] 2.
R ( , w1 ) = E [ - Y ] 2 = 1/ 25 dan R ( , w1 ) =
E [ - 0 ] 2 = 2. Dari hasil tersebut berarti w1 ( y ) merupakan statsitik yang mempunyai risiko lebih
kecil dibanding w2 ( y ).
Soal - soal latihan :
1. Buktikan bahwa mean sampel yang berasal dari distribusi dengan fkp f ( x , ) = ( 1/ ) e - ( x / ) , x
> 0 , > 0 , dan nol untuk yang lain merupakan estimator unbias dan mempunyai varians 2 / 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 2 / n.
3. Misalkan Y 1 < Y2 < Y3 merupakan order statistik dari sampel acak berukuran 3 yang mempunyai fkp f
( x , ) = 1 / , 0 < x < , > 0. Buktikan bahwa 4 Y1 , 2 Y2 , dan ( 4 / 3 ) Y3 merupakan unbias
estimator untuk . 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 ) ) = b 2 + ( / n ) .
1. Misalkan X 1, X 2, .,X n merupakan sampel acak dari distribusi normal N ( , ) , > 0 , dan
tidak diketahui. Misalkan Y = dan misalkan L [ , w ( y ) ] = [ - w ( y ) ] 2. Jika w ( y ) berbentuk b
y , dengan b suatu konstanta yang tidak tergantung pada y maka buktikan
2
R ( , w ( y ) ) = ( 2 / n
) [ ( n 2 - 1 ) b 2 - 2n ( n - 1 ) b + n 2 ].
1.
2.
3.
4.
1.
1.
2.
3.
1. Misalkan nilai observasi mean dari sampel acak berukuran 20 yang berdistribusi normal N ( , 80 )
adalah 81,2. Tentukan selang kepercayaan sebesar 95 % untuk .
2. Misalkan merupakan mean dari sampel acak berukuran n dari distribusi normal
N ( , 9 ) . Tentukan
= 4,7 dan s 2 =
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 ( , 2 ). Misalkan = dan S 2 = . Tentukan konstanta c sehingga c ( - X n
+1
y = 75 , maka
2. Jika merupakan mean dari sampel acak berukuran n yang mempunyai distribusi normal N ( , 2 ) ,
dengan
tentukan ,
> 0. Gunakan teorema limit pusat untuk menentukan interval kepercayaan 0,954 dari , yaitu mean dari
distribusi gamma.
4. Misalkan dua sampampel acak masing-masing berukuran 10 terambil dari distribusi normal N( 1, 2
) dan N ( 2 ,
), dengan = 4,8 ; s12 = 8,64 ; y = 5,6 dan s22 = 7,88 . Tentukan selang
kepercayaan 95 % untuk 1 , 2.
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..
6. Tentukan selang kepercayaan sebesar 1 - untuk selisih mean 1 - 2 dari dua distribusi normal jika
varians 12 dan 2 2 diketahui dan keduanya tidak sama.
7. Jika X dan Y keduanya merupakan mean dari dua independen sampel acak yang masing-masing
berukuran n , dari distribusi normal N( 1, 2 ) dan N ( 2 , 2 ), dengan variansnya diketahui.
Tentukan n sehingga
P ( X -Y - / 5 < 1 - 2 < 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 , 2 ). Tentukan selang kepercayaan 90 % untuk 2.
9. Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi normal
N ( , 2 ).
Misalkan 0 < a < b . Buktikan bahwa ekspektasi matematik panjang dari interval acak [ ( X I - ) 2 /
b , ( X I - ) 2 / a ] adalah ( b - a ) ( n 2 / ab ).
10. Sampel acak berukuran 15 dari distribusi normal N ( ,
= 4,24.
12. Tentukan selang kepercayaan sebesar 1 - untuk perbandingan 12 / 22 dari dua sampel acak
distribusi normal jika 1, 2 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 S12 dan S22 merupakan varians dari sampel acak berukuran n dan m yang diambil dari distribusi
normal N( 1, 2 ) dan N ( 2 , 2 ). Gunakan kenyataan bahwa ( n S 12 + m S22 ) / 2 berdistribusi
2( n + m - 2 ) untuk menentukan selang kepercayaan dari 2.
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
STATISTIKA MATEMATIKA II_SEMESTER 4
tidak diketahui nilainya. Salah satu cara selain cara di atas untuk menentukan estimasi parameter adalah
dengan menganggap bahwa parameter
biasanya dinamakan distribusi prior dengan notasi h ( ). Sehingga untuk menentukan estimasi dari
parameter selain memanfaatkan informasi sampel juga memanfaatkan informasi distribusi prior.
Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi X dan Y merupakan statistik
yang merupakan fungsi dari X
,X
bersyarat dari Y jika = diberikan , yang dinotasikan g ( y / ). Berarti fkp bersama antara Y dan
adalah
N ( , 2) dan Y
L(,w(y) = (-w(y))
2. Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi Poison dengan mean > 0.
Misalkan Y = X I dan fungsi kerugian adalah L ( , w ( y ) ) = ( - w ( y ) ) 2 . Jika h ( ) = e- // ( ) , > 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/
1
, 0 < x < , dan nol untuk yang lain. Misalkan fungsi kerugian yang digunakan adalah L ( , w
( y ) ) = ( - w ( y ) ) 2 dan