Statmat11 PDF
Statmat11 PDF
STATISTIKA MATEMATIKA
Adi Setiawan
Contents
1 Pendahuluan
1.1 Sifat Kecukupan . . .
1.2 Sifat Kelengkapan . .
1.3 Sifat Ketakbiasan . . .
1.4 Keluarga Eksponensial
.
.
.
.
1
1
7
11
13
2 Estimasi Titik
2.1 Metode yang digunakan bila tersedia statistik cukup yang lengkap
2.2 Metode yang digunakan bila tidak tersedia statistik cukup lengkap
2.3 Kriteria Pemilihan Estimator : Prinsip MLE . . . . . . . . . . . .
2.4 Estimator Momen . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Kriteria Pemilihan Estimator : Pendekatan Teori Keputusan . . .
2.6 Sifat-sifat Optimal secara Asimptotik dari Estimator . . . . . . . .
19
21
22
28
31
33
40
3 Pengujian Hipotesis
3.1 Konsep Umum dari Pengujian Hipotesis Neyman-Pearson . .
3.2 Pengujian Hipotesis Sederhana Melawan Alternatif Sederhana
3.3 Uji UMP untuk Pengujian Hipotesis Komposit . . . . . . . .
3.4 Uji UMPU untuk Pengujian Hipotesis Komposit . . . . . . .
3.5 Pengujian Parameter dari Distribusi Normal . . . . . . . . . .
3.5.1 Uji Tentang Variansi . . . . . . . . . . . . . . . . . . .
3.5.2 Uji Tentang mean . . . . . . . . . . . . . . . . . . . .
3.6 Perbandingan Parameter Dua Distribusi Normal . . . . . . .
3.6.1 Perbandingan Variansi Dua Densitas Normal . . . . .
3.6.2 Perbandingan Mean Dua Densitas Normal . . . . . . .
3.7 Uji Likelihood Ratio . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
46
46
49
58
70
73
73
75
77
77
79
80
4 Daerah Kepercayaan
4.1 Interval Kepercayaan
4.2 Interval Kepercayaan
4.3 Interval Kepercayaan
4.4 Hubungan antara Uji
.
.
.
.
.
.
.
.
91
. 91
. 98
. 101
. 102
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . . . . . . . . . . . . . . . . .
Bila Muncul Parameter Nuisans . . .
dan Interval Kepercayaan Pendekatan
Hipotesis dan Interval Kepercayaan .
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Chapter 1
Pendahuluan
Dalam bab ini terlebih dahulu akan dibahas tentang ruang parameter (parameter space), statistik cukup (sufficient statistics), sifat kelengkapan (completeness), sifat ketakbiasan (unbiasedness) dan keluarga eksponensial (exponential family).
1.1
Sifat Kecukupan
1
IA (x)
(1.1.3)
(1.1.4)
1
IA (x)
(1.1.5)
h (x )2 i
1
1
exp
2
22
2
(1.1.6)
Jika diketahui dan dipilih = maka = R dan fungsi kepadatan probabilitas dari variabel random X adalah
h (x )2 i
1
(1.1.7)
exp
f (x; ) =
2 2
2 2
sedangkan jika diketahui dan dipilih 2 = maka = { R| > 0} dan
fungsi kepadatan probabilitas dari variabel random X adalah
(x )2 i
f (x; ) =
.
exp
2
2
h
(1.1.8)
Contoh 1.3
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi identik
(independent and identically distribution) yaitu Binom(1, ). Hal itu berarti
fungsi probabilitas dari Xi adalah
f (xi ; ) = xi (1 )1xi IA (xi )
(1.1.9)
P
untuk i = 1, 2, . . . , n, A = {0, 1} dan = (0, 1). Misalkan T = ni=1 Xi .
Karena Xi berdistribusi Binom(1, ) maka T berdistribusi Binom(n, ) sehingga fungsi probabilitas dari T adalah
n
fT (t; ) =
t (1 )1t IB (t)
(1.1.10)
t
dengan B = {0, 1, . . . , n}.
Misalkan dianggap bahwa percobaan Binomial telah dilakukan dan nilai
pengamatan dari Xi adalah xi untuk i = 1, 2, . . . , n. Masalah yang dihadapi
adalah bagaimana membuat inferensi tentang berdasarkan pada xi untuk
i = 1, 2, . . . , n. Apabila kita memberi tanda 1 untuk sukses maka akan
muncul pertanyaan tentang : dapatkah dilakukan inferensi tentang bila
diketahui banyaknya sukses yang terjadi. Bila banyaknya sukses yang terjadi
adalah t atau T = t untuk t = 0, 1, 2, . . . ,
n maka
akan ditentukan berapa
n
probabilitas setiap satu kemungkinan dari
cara yang berbeda untuk
t
3
terjadinya t sukses.
P (X1 = x1 , . . . , Xn = xn )
P (X1 = x1 , . . . , Xn = xn |T = t) =
P (T = t)
(
P (X1 =x1 ,...,Xn =xn )
jika x1 + x2 + . . . + xn = t
P (T =t)
=
0
jika yang lain.
Hal ini berarti
P (X1 = x1 , . . . , Xn = xn |T = t) =
x1 (1 )1x1 . . . xn (1 )1xn
n
t (1 )1t
t
Pn
Pn
(1 )n i=1 xi
=
n
t (1 )1t
t
1
=
n
t
i=1
xi
1
n
t
tidak bergantung pada . Oleh karena itu total banyaknya sukses t menyediakan semua informasi tentang .
Contoh 1.3 memotivasi definisi statistik cukup berikut ini.
Definisi 1.1
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (x, ) dan
= (1 , 2 , . . . , r )t Rr .
Misalkan T = (T1 , T2 , . . . , Tm )t dengan
Tj = Tj (X1 , X2 , . . . , Xn )
4
1
2 1
n
Y
i=1
1
I( , ) (xi ),
2 1 1 2
1
1 < X(1) < X(n) < 2 ,
(2 1 )n
1
I[ ,) (X(1) )I(,2 ) (X(n) ),
f (x1 , x2 , . . . , xn ; ) =
(2 1 )n 1
1
f (x1 , x2 , . . . , xn ; ) =
g1 (X(1) , )g2 (X(n) , ),
(2 1 )n
f (x1 , x2 , . . . , xn ; ) =
dengan g1 (X(1) , ) = I[1 ,) (X(1) ) dan g2 (X(n) , ) = I[1 ,) (X(1) )I(,2 ) (X(n) ).
Akibatnya dengan menggunakan Teorema Faktorisasi Fisher-Neyman diperoleh (X(1) , X(n) ) merupakan statistik cukup untuk . Khususnya jika 1 =
diketahui dan 2 = maka X(1) merupakan statistik cukup untuk . Dengan
cara yang sama jika 2 = diketahui dan maka X(n) merupakan statistik
cukup untuk .
Contoh 1.5
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dari N (, 2 ). Bila x = (x1 , x2 , . . . , xn )t , = 1 , 2 = 2 dan = (1 , 2 )t
maka fungsi kepadatan probabilitas dari Xi adalah
f (xi ; ) =
h (x )2 i
1
i
1
exp
2
22
2
)
.
exp
i
1
22 i=1
( 22 )n
Tetapi, karena
n
X
i=1
(xi 1 ) =
n h
X
i=1
(xi x) + (
x 1 )] =
n
X
i=1
(xi x)2 + n(
x 1 )2
Pn
2 t
sehingga (X,
i=1 (Xi X) ) merupakan statistik cukup untuk . Pada sisi
lain fungsi kepadatan probabilitasnya dapat dinyatakan sebagai
n
n
n 2
X
1 X 2
1
1
1
xi
x .
f (xi ; ) =
exp
exp
22
2 i=1
22 i=1 i
( 22 )n
P
Hal itu berarti, jika 2 = 2 diketahui dan 1 = maka ni=1 Xi merupakan
statistik
P cukup untuk . Di samping itu, jika 1 = diketahui dan 2 =
maka ni=1 Xi2 merupakan statistik cukup untuk . Demikian juga, dengan
2 t
menggunakan Akibat Teorema Faktorisasi Fisher-Neyman (X,
PnS ) meru-2
1
pakan statistik cukup untuk . Jika 1 = diketahui maka n i=1 (xi )
merupakan statistik cukup untuk 2 = .
Pada contoh-contoh di atas, dimensi dari statistik cukup sama dengan
dimensi parameternya. Jika X1 , X2 , . . . , Xn variabel random saling bebas
dan berdistribusi identik dari distribusi Cauchy dengan parameter = (, 2 )
dan fungsi kepadatan probabilitas
f (x; , 2 ) =
2
+ (x )2
untuk < x < maka tidak ada statistik cukup yang dimensinya lebih
kecil dari statistik cukup (X1 , X2 , . . . , Xn )t .
Jika m adalah bilangan bulat terkecil sehingga T = (T1 , T2 , . . . , Tm )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m merupakan statistik cukup untuk = 1 , . . . , r )t maka T dinamakan statistik cukup minimal
untuk .
1.2
Sifat Kelengkapan
Misalkan X vektor random berdimensi k dengan fungsi kepadatan probabilitas f (x; ) dan Rr . Misalkan g : Rk 7 R fungsi terukur sehingga
g(X) merupakan variabel random. Dianggap bahwa E [g(X)] ada untuk semua dan F = {f (x; )| }.
Definisi 1.2
Keluarga F dikatakan lengkap (complete) jika untuk setiap g,
E [g(X)] = 0
untuk semua menyebabkan bahwa g(X) = 0 kecuali mungkin pada N
sehingga P [X N ] = 0 untuk semua .
7
Contoh 1.6
Misalkan F = {f (x; )|f (x; ) =
A = {0, 1, 2, . . . , n}. Karena
E[g(X)] =
n
X
i=1
dengan =
dengan
n
x
g(x) (1 )
nx
= (1 )
n
X
x=0
g(x)
n
x
g(x)
n
x
x = 0
Contoh 1.7
Misalkan
e x
F = {f (x; )|f (x; ) =
IA (x), (0, )}
x!
dengan A = {0, 1, 2, 3, . . .}. Karena
X g(x)
e
= e
x = 0
E[g(X)] =
g(x)
x!
x!
x=0
x=0
dengan (0, ) maka g(x) = 0 untuk . hal ini ekuivalen dengan g(x) = 0
untuk x = 0, 1, 2, . . . , n. Akibatnya keluarga distribusi Poisson F merupakan
keluarga yang lengkap.
Contoh 1.8
Misalkan
F = {f (x; )|f (x; ) =
1
I[,] (x), (0, )}.
R
Karena E[g(X)] = 0 untuk semua = (, ) maka a g(x)dx = 0 untuk
semua > sehingga g(x) = 0 kecuali mungkin untuk himpunan N sehingga P [X N ] untuk semua dengan X adalah variabel random
yang mempunyai fungsi kepadatan probabilitas f (x; . Hal yang sama juga
benar jika f (x; ) adalah U (, ).
Contoh 1.9
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (, 2 ).
Jika diketahui dan = maka keluarga distribusi normal
F = {f (x; )|f (x; ) =
h (x )2 i
, R}
exp
2 2
2 2
1
h (x )2 i
exp
, (0, )}
2
2
1
h (x )2 i
, R, (0, )}
exp
2 2
2 2
1
(X X)
suatu statistik. Perhatikan bahwa
S 2 = i=1 n i
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
2 =
(Xi X)
2 =
(Xi X)
2 =
(Xi X)
2 =
(Xi X)
2 =
(Xi X)
2 =
(Xi X)
2 =
(Xi X)
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
n
X
i=1
2
[(Xi ) + ( X))
2 + 2( X)(X
[(Xi )2 + ( X)
i )]
2 + 2( X)
(Xi ) + n( X)
2
n
X
i=1
(Xi )
2 + 2( X)n(
X
)
(Xi )2 + n( X)
2 2n( X)n(
(Xi )2 + n( X)
X)
2
(Xi )2 n( X)
)2 .
(Xi )2 n(X
10
N (, 2 ) sehingga
Karena Xi N (0, 2 ) untuk j = 1, 2, . . . , n dan X
n
berakibat maka distribusi dari S 2 tidak bergantung pada . Dengan meng dan S 2 saling bebas.
gunakan Teorema Basu diperoleh bahwa X
1.3
Sifat Ketakbiasan
Definisi 1.3
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (x; ) dengan R dan
T = (T1 , . . . , Tm )t dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m
adalah statistik cukup untuk . Statistik U adalah statistik tak bias untuk
jika E [U ] = untuk setiap .
Teorema 1.4 (Teorema Rao-Blackwell)
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (x; ) dengan R dan
T = (T1 , . . . , Tm )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m adalah statistik cukup
untuk . Misalkan U (X1 , X2 , . . . , Xn ) statistik tak bias untuk yang bukan
fungsi dari T saja. Jika (t) = E [U |T = t] maka
1. variabel random (T) merupakan fungsi statistik cukup T.
2. (T) merupakan statistik tak bias untuk .
3. Var ((T)) < Var (U ) dengan asalkan E [U 2 ] < .
cukup tak bias untuk dan E [U 2 ] < untuk semua maka U adalah
statistik tak bias untuk dengan variansi terkecil dalam kelas yang mengandung semua statistik tak bias untuk .
Definisi 1.4
Statistik tak bias untuk yang mempunyai variansi minimum dalam kelas semua statistik tak bias dari dinamakan UMVU (uniformly minimum
variance unbiased ).
Terminologi uniformly diperoleh dari fakta bahwa variansi minimum
untuk semua .
Contoh 1.11
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi
P identik dengan distribusi Binom(1, ) dengan (0, 1). Statistik T = ni=1 Xi
= T merumerupakan statistik cukup untuk dan juga lengkap. Karena X
n
merupakan statistik tak
pakan statistik tak bias untuk maka statistik X
bias dengan variansi minimum untuk .
Contoh 1.12
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan distribusi N (, 2 ). Jika diketahui dan = maka
T =
n
X
Xi
i=1
2
Diperoleh E[Xi ] = dan Var(Xi ) = untuk i = 1, 2, 3. Hal itu berarti
bahwa X1 merupakan statistik tak bias untuk dengan variansi 2 . Demikian
juga T = X1 + X2 + X3 merupakan statistik cukup untuk dan juga merupakan statistik yang lengkap. Karena X1 bukan merupakan fungsi dari T
maka X1 bukan statistik tak bias dengan variansi minimum untuk . Oleh
karen itu dipilih statistik yang merupakan fungsi dari T dan juga merupakan
statistik tak bias untuk yaitu T /3 dengan sifat E[T /3] = . Dalam hal ini
Var(T /3) = 2 /3 lebih kecil dari 2 dengan (0, ).
1.4
Keluarga Eksponensial
Contoh 1.14
n
Misalkan f (x; ) =
x (1 )nx IA (x) dengan A = {0, 1, 2, . . . , n}.
x
Fungsi probabilitas tersebut dapat dinyatakan sebagai
n
n
f (x; ) = (1 ) exp[log(
IA (x)
)]
x
1
sehingga distribusi Binomial merupakan anggota keluarga
den eksponensial
n
13
Contoh 1.15
Misalkan variabel random X berdistribusi N (, 2 ). Jika diketahui dan
= maka fungsi kepadatan probabilitas dari X adalah
f (x; ) =
h
i
h 2 i
h i
1
1
exp
exp 2 x exp 2 x2
2
2
h 2 i
1
exp 2 x ,
Q() =
,
2
T (x) = x,
h x2 i
h(x) = exp 2 .
2
1
,
2
Q() =
1
,
2
T (x) = (x )2 ,
h(x) = 1.
Jika ruang parameter dari keluarga fungsi kepadatan eksponensial 1 parameter mengandung interval non degenerate maka keluarga tersebut lengkap.
Teorema 1.6
Misalkan X variabel random dengan fungsi kepadatan probabilitas f (x; )
dengan R seperti tersebut di atas. Keluarga
G = {g(x; )| }
dengan adalah fungsi kepadatan probabilitas dari T (X) maka G lengkap
asalkan mengandung interval non degenerate.
Teorema 1.7
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas merupakan anggota keluarga eksponensial 1 parameter.
P
1. Statistik T = ni=1 T (Xi ) merupakan statistik cukup untuk .
14
Contoh 1.16
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan N (, 2 ) yang merupakan anggota keluarga eksponensial dalam = .
Statistik
n
1X
X=
Xi
n i=1
merupakan statistik lain yang tidak tergantung pada maka dengan menggunakan Teorema 1.9 diperoleh bahwa x dan S 2 saling bebas.
Generalisasi dari Keluarga Eksponensial
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan X = (X1 , . . . , Xn )t .
Fungsi kepadatan probabilitas bersama dari merupakan anggota keluarga eksponensial r parameter jika mempunyai bentuk
f (x; ) = c() exp
n
hX
i=1
i
Qi ()Ti (x) h(x)
Contoh 1.17
Misalkan variabel random X berdistribusi N (1 , 2 ). Fungsi kepadatan probabilitas dari X dapat dinyatakan sebagai
f (x; 1 , 2 ) =
h
h
1
1 2i
2 i
1
x .
exp 1 x exp x
22
2
22
22
Hal ini berarti keluarga distribusi normal merupakan anggota keluarga distribusi eksponensial dengan
c() =
h
1
2 i
exp 1 ,
22
22
Q1 () =
1
,
2
Q2 () =
dan
T1 (x) = x,
T2 (x) = x,
16
h(x) = 1.
1
,
22
17
18
Chapter 2
Estimasi Titik
Misalkan X variabel random dengan fungsi kepadatan probabilitas f (x; )
dengan Rr . Jika diketahui maka semua probabilitas yang diinginkan dapat dihitung. Akan tetapi biasanya tidak diketahui sehingga
memunculkan masalah bagaimana mengestimasi parameter atau suatu
fungsi dari yaitu g() dengan g fungsi real dan terukur.
Definisi 2.1
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (x; ). Sebarang statistik
U = U (X1 , X2 , . . . , Xn )
yang digunakan untuk menaksir kuantitas yang tidak diketahui dinamakan
estimator dari g(). Nilai dari U (x1 , x2 , . . . , xn ) untuk nilai-nilai pengamatan
x1 , x2 , . . . , xn dinamakan estimasi dari g().
Definisi 2.2
Misalkan g fungsi real dan terukur. Estimator U = U (X1 , X2 , . . . , Xn ) dinamakan estimator tak bias (unbiased estimator ) dari g() jika
E[U = U (X1 , X2 , . . . , Xn )] = g()
untuk semua . Fungsi g dikatakan tertaksir (estimable) jika g() mempunyai estimator tak bias.
Definisi tentang ketakbiasan mengelompokkan statistik-statistik ke dalam
suatu kelas estimator tak bias. Jika U = U (X1 , X2 , . . . , Xn ) estimator tak
bias untuk g() maka harga harapan dari U sama dengan g(). Meskipun
19
Var(U )
.
Oleh karena itu, Var(U ) yang kecil akan memperbesar batas bawah probabilitas konsentrasi U di sekitar g().
Definisi 2.3
Misalkan g tertaksir. Suatu estimator
U = U (X1 , X2 , . . . , Xn )
dikatakan estimator U M V U untuk g() jika U tak bias dan mempunyai
variansi minimum diantara kelas semua estimator tak bias dari g() dengan
. Jika U = U (X1 , X2 , . . . , Xn ) adalah sebarang estimator tak bias dari
g() maka
Var (U1 ) Var (U )
untuk semua .
Dalam banyak kasus, estimator UMVU ada. Untuk memperolehnya terdapat 2 metode yaitu metode pertama yang digunakan bila tersedia statistik
cukup yang lengkap dan metode kedua yang digunakan bila tidak tersedia
statistik cukup yang lengkap. Pada metode kedua, terlebih dahulu ditentukan batas bawah semua estimator dan kemudian memilih suatu estimator
yang mempunyai variansi sama dengan batas bawah tersebut.
20
2.1
Misalkan
T = (T1 , T2 , . . . , Tr )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , r adalah statistik cukup
untuk dan U = U (X1 , X2 , . . . , Xn ) estimator tak bias dari g() dengan g
fungsi real. Misalkan (T) = E[U |T]. Estimator merupakan estimator tak
bias dari g() dan Var() Var(U ) untuk semua dengan kesamaan
dipenuhi bila U merupakan fungsi dari T.
Jika tersedia statistik cukup maka Teorema Rao-Blackwell mengatakan
bahwa pencarian estimator UMVU untuk g() cukup dibatasi pada kelas estimator tak bias yang hanya tergantung pada T. Jika T lengkap maka dengan
menggunakan Teorema Lehman-Scheffe, estimator tak bias (T) adalah estimator unik yang mempunyai variansi minimum seragam dalam kelas semua
estimator tak bias. Metode ini tidak hanya menjamin keberadaan estimator
tetapi juga menghasilkannya.
Teorema 2.1
Misalkan g fungsi terukur dan real. Misalkan terdapat estimator tak bias
U = U (X1 , X2 , . . . , Xn ) dari g() dengan variansi berhingga. Jika
T = (T1 , T2 , . . . , Tr )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , r adalah statistik cukup
untuk , lengkap dan (T) = E[U |T] maka estimator UMVU untuk g()
dan tunggal.
Contoh 2.1
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi Binom(1, ) dan akan ditentukan estimator UMVU dari variansi X. Karena X
berdistribusi maka variansi dari X adalah Var(X) = g() = (1 ). Jika
Pn
2
(Xi X)
U = i=1
n1
maka E [U ] = g(). Hal itu berarti U merupakan estimator tak bias untuk
g(). Lebih jauh,
n
X
X
2=
(Xi X)
Xi2 nX.
i=1
i=1
21
Jika T =
Pn
i=1
Xi2
=
nX
n
X
i=1
Xi n
n
1 X
i=1
Xi
2
Xi maka diperoleh
n
X
Xi2
i=1
=
nX
2
n
X
i=1
Xi n
n
1 X
Xi
i=1
2
=T
T2
,
n
1
sehingga U = n1
T Tn . Karena T merupakan statistik lengkap dan juga
merupakan statistik cukup untuk maka dengan mengingat Teorema 2.1, U
merupakan estimator UMVU untuk g() = (1 ).
Contoh 2.2
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (, 2 )
dengan dan 2 tidak diketahui. Akan ditentukan estimator UMVU P
untuk
2
2 t
2
dan P
. Misalkan = (, ) , g1 () = dan g1 () = . Jika X = ni=1 Xi
dan
dan ni=1 Xi2 merupakan statistik yang lengkap. Jika U1 = X
n
1X
2
(Xi X)
S =
n i=1
2
2.2
4.
...
...
f (x1 ; ) . . . f (xn ; )
...
dapat dideferensialkan di bawah tanda integral atau tanda sigma dengan sebarang statistik tak bias untuk .
Teorema berikut ini memberikan sifat tentang batas bawah dari variansi
suatu statistik.
Teorema 2.2 (Cramer-Rao Inequality)
Misalkan X1 , . . . , Xn variabel random saling-bebas dan berdistribusi identik dengan fungsi kepadatan serta dianggap syarat-syarat tersebut dipenuhi.
Untuk sebarang estimator tak bias U = U (X1 , . . . , Xn ) dari g() berlaku
Var(U )
[g 0 ()]2
nI()
1
Akibatnya
ln f (x; ) 2
1 2
1
2
x +
(1 x)2
x(1 x).
2
2
(1 )
(1 )
ln f (x; ) 2
1
2
1
2
2
E[X
]
+
E[(1
X)
]
E[X(1 X)]
2
(1 )2
(1 )
1
1
= 2 +
(1 )
(1 )2
1
1
+
=
1
1
=
.
(1 )
=
CRLB =
(1 )
.
n
dan
ln f (x; ) 2
1 2 2
x x.
1
2
= 1 + 2 (1 + )
1
= 1 + (1 + ) 2
1
= 1 + + 1
1
=
.
= 1+
1
[g 0 ()]2
= 1 = .
nI()
n
n
atau
1 (x )2
.
ln f (x; ) = ln
2 2
2 2
Akibatnya
1 (x )
ln f (x; )
=
atau
ln f (x; ) 2
1 (x )2
.
2 2
2
berdistribusi chi-kuadrat dengan derajat bebas 1. Akibatnya E[ (X)
] = 1.
2
Hal itu berarti
ln f (x; ) 2
1
1 (X )2
E
=
= 2E
2
2
sehingga batas bawah Cramer-Rao untuk g() adalah
CRLB =
g 0 ()
1
2
= 1 = .
nI()
n
n 2
adalah Var(X)
n
merupakan estimator UMVU untuk .
Kasus 2
Misalkan bahwa diketahui dan 2 = . Fungsi kepadatan probabilitas
X yang berdistribusi N (, ) adalah
f (x; ) =
sehingga ln f (x; ) =
1
2
h (x )2 i
1
exp
2
2
ln(2) 21 ln
(x)2
.
2
Akibatnya
1
(x )2
ln f (x; )
= +
2
2 2
dan
ln f (x; ) 2
1
1 (x )2
1 x 4
= 2 + 2
.
+ 2
4
2
26
Karena variabel random X berdistribusi N (, 2 ) maka X
berdistribusi
h x 4 i
h (X )2 2 i
E
= E
h (X )2 i h (X )2 i2
= Var
+ E
= 2 + 1 = 3.
E
= 2 E[1] + 2 E
+ 2E
4
2
sehingga
h ln f (x; ) 2 i
1
1
3
4 2 2 2 4 2
1
.
=
2 2
Karena batas bawah Cramer-Rao untuk g() adalah
E
CRLB =
1
2 2
[g 0 ()]2
= 1 =
.
nI()
n
n 22
n
hX
(Xi )2 i
E
= n,
i=1
n
hX
(Xi )2 i
Var
= 2n
i=1
P
2
2
estimator tak bias untuk dan variansinya 2n sama
sehingga ni=1 (Xi )
2 =
1 X
2.
(Xi X)
n 1 i=1
27
Karena
Pn
i=1
X
i X
2
maka variansi dari 2 adalah 22 /(n 1). Hal itu berarti estimator UMVU
untuk 2 mempunyai variansi lebih besar dari batas bawah Cramer-Rao.
Estimator UMVU untuk g() dinamakan estimator efisien untuk g().
Jika u estimator UMVU untuk dan U sebarang estimator tak bias untuk
g() maka kuantitas mengukur efisiensi relatif U terhadap u. Jelas bahwa
efisiensi relatif mempunyai nilai dalam interval (0, 1].
2.3
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (x; ), Rr dan anggap
bahwa fungsi kepadatan probabilitas bersamanya dinyatakan dengan
f (x1 ; )f (x2 ; ) . . . f (xn ; ).
Bila fungsi kepadatan probabilitas bersama ini, variabel x dipandang sebagai
konstanta dan merupakan fungsi dari maka dinamakan fungsi likelihood
(likelihood function) dan dinotasikan dengan
L(|x1 , x2 , . . . , xn ).
Definisi 2.5
Estimasi = (x1 , x2 , . . . , xn ) dinamakan MLE (maximum likelihood estimator ) dari jika
L(|x1 , x2 , . . . , xn ) = max{L(|x1 , x2 , . . . , xn )}
dan = (x1 , x2 , . . . , xn ) dinamakan MLE untuk .
Karena fungsi y = ln x, x > 0 merupakan fungsi naik tajam maka untuk memaksimumkan L(|x1 , x2 , . . . , xn ) terhadap cukup dengan memaksimumkan
ln L(|x1 , x2 , . . . , xn ).
Contoh 2.6
Misalkan X1 , . . . , Xn variabel random saling-bebas dan berdistribusi Poisson().
Fungsi probabilitas dari Xi adalah
f (xi ; ) =
28
e xi
xi !
xi
Qn
i=1
xi !
i=1
l
1 = 0 dan diperoleh = X.
Sedangkan
Oleh karena itu
= n + nX
2
l
= n
x 12 < 0 untuk semua > 0 sehingga berlaku juga untuk = .
Contoh 2.7
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (, 2 )
dengan parameter = (, 2 )t . Fungsi likelihoodnya adalah
sehingga
n
1
1 X
L(|x1 , x2 , . . . , xn ) =
exp 2
(xi )2
2 i=1
2 2
dan
2)
n
1 X
(xi )2 .
2
2 i=1
n
2 X
n
ln L
= 2
(Xi ) = 2 (X
)
2 i=1
n
n
1 X
ln L
= 2 + 4
(Xi )2 = 0
2
2
2 i=1
P
dan 2 = 1 n (Xi X)
2 . Jika 2 diketahui
sehingga diperoleh
= X
i=1
n
dan = maka
=Px adalah MLE untuk sedangkan jika diketahui dan
2 adalah MLE untuk 2 .
2 = maka
= n1 ni=1 (Xi X)
Contoh 2.8
n
Y
i=1
n
Y
i=1
f (xi ; )
1
1
I[,) (X(1) )I(,] (X(1) ).
( )n
1
I[c,) (X(1) )I(,+c] (X(1) ).
(2c)n
1
Fungsi likelihood dimaksimumkan dan nilai maksimumnya adalah (2c)
n untuk
sebarang sehingga c X(1) dan + c X(n) yaitu ekuivalen dengan
X(n) c X(1) + c.
Hal itu berarti bahwa sebarang statistik yang terletak antara X(n) c dan
X(1) + c merupakan MLE untuk . Sebagai contoh 21 [X(1) + X(n) ] merupakan
MLE untuk . Jika diketahui dan = maka = X(1) merupakan MLE
untuk sedangkan jika diketahui dan = maka = X(n) merupakan
MLE untuk .
Teorema 2.3
Misalkan X1 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan
probabilitas f (x; ) dan T = (T1 , . . . , Tr )t dengan Tj = Tj (X1 , . . . , Xn ) untuk j = 1, 2, . . . , r merupakan statistik cukup untuk = (1 , . . . , r )t . Jika
= (1 , . . . , r ) adalah MLE yang tunggal untuk dan merupakan fungsi
dari T .
Teorema 2.4
Misalkan X1 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan
probabilitas f (x; ) dan Rr . Jika didefinisikan pada ke Rm
yang merupakan fungsi korespondensi satu-satu dan adalah MLE untuk
30
maka () merupakan MLE untuk (). Hal itu berarti MLE invariant di
bawah transformasi satu-satu.
Contoh 2.9
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (, 2 )
dengan parameter = (, 2 )t . Berdasarkan Contoh 2.7, merupakan
MLE
untuk 2 . Misalkan didefinisikan : 7 dengan () = dan
= = {R R| 0} yang merupakan fungsi korespondensi satu-satu.
Dengan menggunakan Teorema 2. 4, diperoleh bahwa
v
u n
u1 X
t
2
(Xi X)
n i=1
merupakan MLE untuk .
2.4
Estimator Momen
1X k
x = mk (1 , 2 , . . . , r )
n i=1 i
31
i=1
Contoh 2.11
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi U (, )
dengan dan tidak diketahui. Dengan metode momen diperoleh sistem
persamaan
Pn
i=1 Xi
= E[X] = + ,
= X
2
Pn n 2
X
( )2 ( + )2
i
i=1
= X2 = E[X 2 ] = Var(X) + (E[X])2 =
+
,
n
12
4
sehingga diperoleh
+ = 2X
2
( )2 2
=
=
X2 X
12
12
atau
+ = 2X
+ = S 12.
Akibatnya estimator momen untuk dan berturut-turut adalah
12
12
=X
S, = X +
S.
2
2
Terlihat bahwa estimator momen dari dan bukan merupakan fungsi dari
statistik cukup dari dan . Hal ini merupakan salah satu kekurangan
dari metode momen. Kekurangan lain dari metode ini adalah bahwa metode
ini tidak dapat digunakan bila momennya tidak ada seperti pada distribusi
Cauchy.
32
2.5
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (x; ), R dan diinginkan
untuk mengestimasi .
Definisi 2.6
Fungsi keputusan adalah fungsi terukur yang didefinisikan dari Rn ke R.
Nilai (x1 , x2 , . . . , xn ) dari pada dinamakan keputusan (decision).
Definisi 2.7
Untuk mengestimasi berdasarkan X1 , X2 , . . . , xn dan menggunakan keputusan . Fungsi kerugian (loss function) adalah fungsi non negatif dari dan
(x1 , x2 , . . . , xn ) yang menyatakan kerugian yang diakibatkan bila mengestimasi dengan (x1 , x2 , . . . , xn ).
Fungsi kerugian yang biasa digunakan adalah
L[; (x1 , x2 , . . . , xn )] = | (x1 , x2 , . . . , xn )|
atau secara umum
L[; (x1 , x2 , . . . , xn )] = | (x1 , x2 , . . . , xn )|k
untuk k > 0 atau L[; (x1 , x2 , . . . , xn )] fungsi konveks dari . Bentuk fungsi
kerugian yang biasa digunakan adalah
L[; (x1 , x2 , . . . , xn )] = ( (x1 , x2 , . . . , xn ))2 .
Definisi 2.8
Fungsi resiko (risk function) yang bersesuaian dengan L[; ] dan dinotasikan
dengan R[; ] didefinisikan sebagai
R[; ] = E[L(; (x1 , x2 , . . . , xn ))].
Hal itu berarti bahwa resiko dari fungsi keputusan yang diberikan adalah
rata-rata atau harapan jika fungsi keputusan tersebut digunakan.
Dua keputusan dan dikatakan ekuivalen bila
R[; ] = E[L(; (x1 , x2 , . . . , xn ))] = E[L(; (x1 , x2 , . . . , xn ))] = R[; ].
33
34
Hal itu berarti bahwa R() adalah resiko rata-rata dari seluruh ruang parameter bila digunakan estimator .
Misalkan D2 adalah kelas semua estimator sehingga R() berhingga untuk suatu prior pada yang diketahui.
Definisi 2.12
Dalam kelas D2 , estimator dikatakan estimator Bayes (dalam teori keputusan dan berkaitan dengan fungsi kepadatan probabilitas prior pada )
jika R() R( ) untuk semua estimator yang lain.
Penentuan Estimator Bayes
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x, ), R. Dalam hal ini digunakan fungsi kerugian kuadrat. Misalkan variabel random dengan fungsi kepadatan prior .
Akan ditentukan sehingga menjadi estimator Bayes dari dalam arti teori
keputusan.
Teorema 2.5
Estimasi Bayes dari yang bersesuaian dengan fungsi kepadatan probabilitas
pada sehingga
Z
f (x1 ; )f (x2 ; )()f (xn ; ) . . . d
dan
asalkan kontinu.
Jika nilai pengamatan dari Xi adalah xi untuk i = 1, 2, . . . , n maka
akan ditentukan fungsi kepadatan probabilitas bersyarat dari bila diberikan
35
f (x; )()
f (x1 ; )f (x2 ; ) . . . f (xn ; )
=
h(x)
h(x)
f (x1 ; )f (x2 ; ) . . . f (xn ; )()
=
h(x)
dengan
h(x) =
f (x; )()d =
untuk kontinu.
Estimator Bayes untuk yaitu (x1 x2 , . . . , xn ) adalah harapan dari
berkaitan dengan fungsi kepadatan probabilitas posteriornya. estimator Bayes
yang lain dari adalah median dari h(|x) atau modus dari h(|x) jika ada.
Contoh 2.12
Misalkan variabel random saling bebas dari distribusi Binom(1, ) dengan
= (0, 1). Fungsi kepadatan probabilitas priornya dipilih berdistribusi
Beta(, ) dengan parameter dan yaitu
() =
( + ) 1
(1 )1
()()
Z
P
( + ) 1 P xi
=
(1 )n xi 1 (1 )1 d
()() 0
Z
P
( + ) 1 P xi +1
=
(1 )+n xi 1 d
()() 0
P
P
( + ) ( + ni=1 xi )( + n ni=1 xi )
=
()()
( + + n)
36
dan
I1 =
()() 0
Z
P
( + ) 1 P xi ++11
=
(1 )+n xi 1 d
()() 0
P
P
( + ) ( + ni=1 xi + 1)( + n ni=1 xi )
=
.
()()
( + + n + 1)
P
( + + n)( + ni=1 xi + 1)
P
=
( + + n)( + ni=1 xi )
P
P
( + + n) + ni=1 xi ( + ni=1 xi )
P
=
( + + n)( + + n)( + ni=1 xi )
P
+ ni=1 xi
.
=
++n
Telah diperoleh bahwa estimator Bayes dari dalam arti teori keputusan
diberikan dengan
Z
(x1 , x2 , . . . , xn ) =
h(|x)d
37
asalkan kontinu.
Teorema 2.6
Misalkan terdapat fungsi kepadatan probabilitas pada sehingga untuk
estimasi Bayes yang didefinisikan dengan
R
f (x1 ; )f (x2 ; )()f (xn ; ) . . . d
(x1 x2 , . . . , xn ) = R
f (x1 ; )f (x2 ; )()f (xn ; ) . . . d
dan resiko R[; ] tidak tergantung pada . Estimator (x1 x2 , . . . , xn ) merupakan estimator minimaks.
Contoh 2.12
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi Binom(1, )
dengan = (0, 1). Fungsi kepadatan
probabilitas priornya dipilih berdisPn
tribusi Beta(, ). Jika X =
i=1 Xi maka X berdistribusi Binom(n, )
sehingga E[X] = n dan Var(X) = n(1 ) serta
E[X 2 ] = Var(X) + (E[X])2 = n(1 ) + (n)2 = n(1 + n).
Bila
P
+ ni=1 Xi
+X
(x1 x2 , . . . , xn ) =
=
++n
++n
X + i
n++
h (n + + ) (X + ) i2
=E
n++
(n + + )2 2 2(n + + )E[X + ] + E[X + ]2
=
(n + + )2
2
(n + 2n + 2n + ( + )2 )2 2(n + + )(n + ) + E[X 2 ] + 2E[X] + 2
=
(n + + )2
2 2
2
2
( + ) n 2 2 + n n 2 + n2 2 + 2
=
(n + + )2
2 2
2
( + ) n 22 2 + n + 2
=
(n + + )2
2
2
[( + ) n] [22 + 2 n] + 2
.
=
(n + + )2
Bila = =
1
n
2
dan 22 + 2 n = 0 sehingga
2
1
(1/4)n
2 =
.
R(, ) =
=
2
(n + + )
(n + n)
4(1 + n)2
=
(x1 x2 , . . . , xn ) =
n+n
2( n + 1)
merupakan estimator minimaks.
Contoh 2.13
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari distribusi N (, 2 )
dengan 2 diketahui dan = . Estimator x merupakan estimator UMVU
untuk tetapi juga merupakan estimator minimaks dan estimator yang admisible.
Contoh 2.14
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari distribusi N (0, 2 )
dengan 2 tidak diketahui. Misalkan 2 = . Estimator UMVU untuk
adalah
n
1X 2
U=
X
n i=1 i
2
+ 0 + ( 1)2 2
n
2
(22 + n2 2n + n)
n
2
=
[(n + 2)2 2n + n].
n
=
39
2
n
akan meminimumkan resiko dan resikonya sama dengan n+2
Nilai = n+2
2
yang lebih kecil dari 2n untuk semua . Akibatnya U tidak admisible yaitu
resikonya bukan yang terkecil.
2.6
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi identik dengan fungsi kepadatan probabilitas f (x; ), R.
Definisi 2.12
Barisan estimator dari , {Vn } = {Vn (X1 , X2 , . . . , Xm )} dikatakan konsisten dalam probabilitas (konsisten lemah) jika
Vn
untuk n dan untuk semua . Demikian juga barisan estimator
dari , dikatakan konsiten hampir pasti (konsisten kuat) jika
Vn
untuk n dan untuk semua .
Teorema 2.7
Jika E[Vn ] dan Var(Vn ) untuk n maka Vn .
Definisi 2.13
Barisan estimator dari , yang sudah dinormalkan dikatakan normal secara
asimptotik ke N (0, 2 ()) jika
n(Vn ) d X
untuk n dan untuk semua dengan X berdistribusi normal
N (0, 2 ()) (di bawah P ).
Sifat
Jika
Definisi 2.14
Barisan estimator , dikatakan BAN (best asimptotically normal ) jika
1. estimator tersebut normal secara asimptotik.
2. variansi 2 () dari distribusi normal limitnya terkecil untuk semua
dalam kelas semua barisan estimator yang memenuhi (1).
Barisan estimator BAN juga dinamakan efisien secara asimptotik.
Teorema 2.8
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x; ) dengan R. Jika syarat-syarat 1 sampai 6
pada pasal 2.2 dipenuhi, maka persamaan likelihood
ln L(|x1 , x2 , . . . , xn ) = 0
h ln f (x; ) i2
Misalkan X1 , . . . , Xn variabelP
random saling bebas berdistribusi Binom(1, ).
1
41
n
1
2
n(Xn ) yang berdistribusi normal adalah
i=1 (Xi ) . Variansi dari
n
1
2
I () = . Limit variansi dari
n
i
h1 X
(Xi )2 2
n
n i=1
yang berdistribusi normal adalah I 1 ( 2 ) = 2 2 .
Definisi 2.15
Misalkan X1 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan
probabilitas f (x; ) dengan R. Dua barisan estimator
{Un } = {U (X1 , . . . , Xn }
dan {Un } = {U (X1 , . . . , Xn } dikatakan ekuivalen secara asimptotik jika untuk setiap berlaku sifat
n(Un Vn ) 0.
Contoh 2.18
Misalkan X1 , . . . , Xn variabel random saling bebas berdistribusi Binom(1, ).
Estimator UMVU untuk adalah
n
X
= 1
Xi .
Un = Xn = X
n =1
42
Estimator ini juga merupakan MLE. Akan tetapi estimator Bayes untuk
dengan fungsi kepadatan probabilitas prior Beta(, ) adalah
P
+ ni=1 Xi
n++
dan estimator minimaksnya adalah
Wn =
n
2
P
+ ni=1 Xi
.
n+ n
n(Un ) Z
dengan Z N (0, (1 )). Dapat juga ditunjukkan bahwa
n(Un Vn ) 0.
43
44
45
Chapter 3
Pengujian Hipotesis
Dalam seluruh bab ini X1 , X2 , . . . , Xn adalah variabel random saling bebas
dan berdistribusi identik yang didefinisikan pada ruang probabilitas (S, F, P ),
Rr dan mempunyai fungsi kepadatan probabilitas f (x; ).
3.1
Berikut ini diberikan definisi tentang hipotesis yang mendasari bab ini.
Definisi 3.1
Suatu pernyataan berkenaan dengan parameter seperti dinamakan hipotesis (statistik) tentang dan biasanya dinotasikan dengan H
atau H0 . Demikian juga pernyataan bahwa c dengan c = adalah
hipotesis (statistik) tentang yang dinamakan alternatif dari H atau ditulis
dengan A atau Ha . Hal itu berarti H(H0 ) : c .
Seringkali hipotesis berasal dari klaim bahwa produk baru, teknik baru
dan sebagainya lebih effisien dari yang telah ada. dalam konteks ini H
atau H0 adalah suatu pernyataan yang meniadakan klaim ini dan dinamakan
hipotesis nul (null hypothesis).
Jika mengandung hanya satu titik yaitu = {0 } maka H dinamakan
hipotesis sederhana (simple hypothesis) dan jika mengandung lebih dari satu
titik maka dinamakan hipotesis komposit (composite hypothesis). Hal yang
sama juga berlaku untuk alternatif. Bila hipotesis dibuat maka akan muncul
masalah bagaimana menguji hipotesis berdasarkan pada nilai-nilai pengamatan.
46
Definisi 3.2
Uji random atau statistik (fungsi uji atau test function) untuk pengujian
hipotesis H melawan alternatif A adalah fungsi terukur yang didefinisikan
pada Rn ke [0, 1] dan mempunyai interpretasi berikut ini. Jika (x1 , x2 , . . . , xn )t
adalah nilai pengamatan dari (X1 , X2 , . . . , Xn )t dan
(x1 , x2 , . . . , xn ) = y
maka hal ini dapat digambarkan sebagai suatu koin, yang mempunyai probabilitas untuk mendapatkan muka sebesar y, dilempar satu kali dan bila
memperoleh muka maka H akan ditolak dan bila memperoleh belakang
maka H akan diterima. Dalam kasus khusus, y dapat bernilai 0 atau 1 untuk semua (x1 , x2 , . . . , xn )t sehingga uji dinamakan uji yang tidak random
(non randomized test). Hal itu berarti uji non random berbentuk
1 jika (x1 , x2 , . . . , xn )t B
(x1 , x2 , . . . , xn ) =
0 jika (x1 , x2 , . . . , xn )t B c
Dalam hal ini, himpunan Borel B Rn dinamakan daerah kritik (daerah
penolakan - rejection region) dan B c dinamakan daerah penerimaan (acceptance region). Dalam pengujian hipotesis, kita dapat menghilangkan salah
satu dari 2 jenis kesalahan berikut yaitu kesalahan yang terjadi karena H
ditolak padahal H benar yaitu parameter yang tidak diketahui terletak
dalam atau kesalahan yang terjadi karena menerima H padahal H salah.
Definisi 3.3
Misalkan () = P [MenolakH] sehingga
1 () = P [MenerimaH]
dengan . Hal itu berarti bahwa () dengan adalah probabilitas
untuk menolak H di bawah anggapan H benar.
Untuk , () adalah probabilitas kesalahan tipe I. Besaran
1 ()
dengan c adalah probabilitas menerima H yang dihitung di bawah
anggapan H salah. Jadi untuk c , 1 () menyatakan probabilitas
kesalahan tipe II.
Jelas bahwa, merupakan batas atas terkecil dari probabilitas kesalahan
tipe I. Diinginkan untuk membuat sekecil mungkin (lebih disukai 0) dan
47
pada saat yang sama membuat kuasanya sebesar mungkin (lebih disukai
1). Tentu saja, memaksimumkan kuasa ekuivalen dengan memaksimumkan
probabilitas kesalahan tipe II. sayangnya, dengan ukuran sampel yang tetap,
hal ini tidak dapat dilakukan. hal yang dapat dilakukan adalah memilih
ukuran tertentu untuk tingkat keberartian yang diperlukan (biasanya diambil
0,005; 0,001; 0,05 atau 0,1) dan mencari uji yang memaksimumkan kuasa.
Dengan anggapan bahwa kerugian potensial berkenaan dengan keputusan
yang salah, pembuat keputusan merupaka seorang yang konservatif yang
menyokong hipotesis nol sebagai kebenaran dan jika tidak demikian maka
haruslah ada fakta-fakta dari data bahwa hal tersebut salah. Dalam hal ini,
dia percaya bahwa akibat kesalahan penolakan hipotesis nol akan jauh lebih
buruk dari pada kesalahan yang diakibatkan oleh menerimanya.
Sebagai contoh, perusahaan obat menganggap bahwa pasar obat produk baru untuk menyembuhkan penyakit dibandingkan obat yang telah ada
mempunyai tingkat penyembuhan sebesar 60%. Berdasarkan pada percobaan
terbatas, divisi penelitian mengklaim bahwa obat baru lebih efektif. Jika
obat tersebut gagal lebih efektif atau mempunyai efek samping yang membahayakan, maka akan kehilangan pelanggan yang disebabkan oleh kekunoan
produk akan lebih kecil pengaruhnya dibandingkan dengan kegagalan yang
diakibatkan oleh ketidak-efektifan obat yang baru. Untuk itu, jika keputusan
dibuat berdasarkan pada sejumlah percobaan klinis maka hipotesis nol seharusnya adalah bahwa tingkat penyembuhan tidak lebih dari 60% melawan
alternatif bahwa tingkat penyembuhannya lebih dari 60%.
Perlu dicatat bahwa dalam uji non random dengan daerah kritik B diperoleh
() = P [(x1 , x2 , . . . , xn )t B]
= 1.P [(x1 , x2 , . . . , xn )t B] + 0.P [(x1 , x2 , . . . , xn )t B c ]
= E [(x1 , x2 , . . . , xn )].
Hal yang sama juga dapat dikerjakan untuk uji non random. Jadi
() = () = E [(x1 , x2 , . . . , xn )], .
Definisi 3.4
Uji tingkat yang memaksimumkan kuasa uji diantara semua uji tingkat
dikatakan uji paling kuasa seragam (uniformly most powerful - UMP ).
Jadi adalah uji UMP tingkat jika
48
1. sup[ ()| ] = .
2. () (), c untuk sebarang uji yang memenuhi (1).
Jika c hanya terdiri dari satu titik maka UMP hanya dinamakan uji paling
kuasa (most powerful - MP ).
3.2
Dalam kasus ini, ruang parameter hanya terdiri dari 2 titik yang dapat dituliskan sebagai 0 dan 1 yaitu
= {0 , 1 }.
Misalkan f0 dan f1 fungsi kepadatan probabilitas yang diketahui. Misalkan
dituliskan f0 = f (x; 0 ), dan X1 , X2 , . . . , Xn variabel random saling bebas
dengan fungsi kepadatan probabilitas f (x; ), .
Akan dilakukan pengujian hipotesis H : = {0 } melawan alternatif
A : = {1 } pada level . Dengan kata lain akan diuji hipotesis bahwa
populasi berdistribusi f0 melawan f1 .
Teorema 3.1
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x; ), = {0 , 1 }. Akan diuji hipotesis H : 0
melawan alternatif A : = 1 pada level (0 < < 1). Misalkan
R(z; 0 , 1 ) =
(3.2.1)
(3.2.2)
Akibat 3.1
Jika didefinisikan seperti (3.2.1) dan (3.2.2) maka () . Dalam
contoh-contoh berikut, = {0 , 1 } dan akan diuji hipotesis sederhana
melawan alternatif sederhana dengan tingkat keberartian .
Contoh 3.1
Misalkan X1 , X2 , . . . , Xn sampel random dari populasi yang berdistribusi
Binom(1, ). Berdasarkan sampel tersebut akan diuji hipotesis H : = 0
melawan alternatif A : = 1 pada level dengan anggapan 0 < 1 . Diperoleh
f (x1 ; 1 )f (x2 ; 1 ) . . . f (x2 ; 1 )
f (x1 ; 0 )f (x2 ; 0 ) . . . f (x2 ; 0 )
x1 (1 1 )1x1 1x2 (1 1 )1x2 . . . 1xn (1 1 )1xn
= 1x1
0 (1 0 )1x1 0x2 (1 0 )1x2 . . . 0xn (1 0 )1xn
Pni=1 xi 1 nPni=1 xi
1
1
=
0
1 0
R(z; 0 , 1 ) =
sehingga
ln R(z; 0 , 1 ) =
n
X
i=1
Xi ln
1
50
+ n
n
X
i=1
1
1
Xi ln
.
1 0
ln R(z; 0 , 1 )
1
1
1
Xi ln
+ n
Xi ln
0
1 0
i=1
h
X
1
1 1 i
Xi ln
ln
0
1 0
i=1
n
h (1 ) i
X
1
0
Xi ln
(1
0
1)
i=1
n
X
n
X
Xi
i=1
n
X
> ln c
> ln c
> ln c n ln
> ln c n ln
1
1
1 0
1
1
1 0
11
ln c n ln 1
0
i
> h
1 (10 )
ln 0 (11 )
Xi > c 0
i=1
dengan
11
ln c n ln 1
0
.
c0 =
1 (10 )
ln 0 (11 )
Pn
1 jika Pi=1 Xi > c0
jika Pni=1 Xi = c0
(z) =
n
0 jika
i=1 Xi < c0
dengan c0 dan ditentukan sehingga
E0 [(z)] = P0
n
hX
i=1
Pn
Xi > c0 + P0
n
hX
i=1
i
Xi = c 0 =
n
X
i=1
n
X
i=1
Xi > c0 ) + P0 (
Xi c0 ) + P0 (
51
n
X
i=1
n
X
i=1
Xi = c0 ) = 0, 05
Xi = c0 ) = 0, 05
1 0, 05 = P0 (
0, 95 = P0 (
n
X
i=1
n
X
i=1
Karena 0 dan P0 (
sehingga haruslah
Pn
i=1
Xi c0 ) + P0 (
Xi c0 ) + P0 (
n
X
Xi = c 0 )
i=1
n
X
Xi = c0 ).
i=1
Xi = c0 ) 0 maka P0 (
P 0 (
n
X
i=1
Pn
i=1
Xi = c 0 ) 0
Xi c0 ) 0, 95.
P
Untuk itu dipilih c0 sehingga P0 ( ni=1 Xi c0 ) 0, 95 tetapi paling dekat
dengan 0, 95. Berdasarkan Tabel P
kumulatif distribusi Binom(25, 0, 5) diperoleh bahwa c0 = 17 sehingga P0 ( ni=1 Xi c0 ) dan berlaku
P 0 (
n
X
Xi = c 0 ) = P 0 (
i=1
n
X
i=1
Xi 17) P0 (
n
X
i=1
Xi 16)
Akibatnya
0, 95 = P0 (
n
X
i=1
Xi 17) P0 (
= 0, 9784 0, 0323
diperoleh = 0, 8792. Oleh karena
1
0, 8792
(z) =
n
X
i=1
dengan
Pn
i=1
n
X
Xi = 17)
i=1
Xi 17) + P=0,75 (
n
X
i=1
Xi 17)
Xi Binom(25, 0, 75).
Contoh 3.2
Misalkan X1 , . . . , Xn sampel random dari populasi yang berdistribusi Poisson().
52
Berdasarkan sampel tersebut akan diuji hipotesis H : = 0 melawan alternatif A : = 1 pada level dengan anggapan 0 < 1 . Diperoleh
f (x1 ; 1 )f (x2 ; 1 ) . . . f (x2 ; 1 )
f (x1 ; 0 )f (x2 ; 0 ) . . . f (x2 ; 0 )
R(z; 0 , 1 ) =
1 1 e1 1 2 e1
x1 !
x2 !
x
x
0 1 e0 0 2 e0
x1 !
x2 !
Pni=1 xi
0
=
=
ln R(z; 1 , 0 ) =
...
1xn e1
xn !
0xn e0
xn !
exp n(1 0 )
sehingga
...
n
X
ln
i=1
0
n(1 0 ).
xi ln
i=1
n
X
i=1
xi ln
0
0
n(1 0 ) > ln c
n(1 0 ) > ln c + n(1 0 )
n
X
xi ln
i=1
1
0
n
X
gai
Pn
i=1
xi >
i=1
atau
xi > c0 dengan c0 =
ln[c exp(n(
10 ))]
ln
0
1
1 jika
jika
(z) =
0 jika
n
X
Pn
Xi > c 0
Pi=1
n
Pni=1 Xi = c0
i=1 Xi < c0 .
xi > c0 ) + P0
i=1
n
X
i=1
53
xi = c 0 =
P
dan ni=1 Xi Poisson(ni ) untuk i = 0, 1.
Sebagai gambaran, misalkan akan diuji hipotesis H : = 0, 3 melawan
A : = 0, 4 dengan = 0, 05 dan n = 20. Diperoleh
E0 ((z)) = P0 (
n
X
xi > c0 ) + P0 (
i=1
n
X
xi = c0 ) = 0, 05
i=1
sehingga
1 P 0 (
1 0, 05 = P0 (
0, 95 = P0 (
n
X
i=1
n
X
i=1
n
X
i=1
xi c0 ) + P0 (
n
X
xi c0 ) P0 (
xi c0 ) P0 (
Pn
i=1
n
X
i=1
n
X
xi = c0 ) = 0, 05
xi = c 0 )
xi = c0 ).
i=1
n
X
i=1
Pn
i=1
xi = c0 ) 0.
xi = c0 ) 0, 95
n
X
i=1
xi 10)
dan
P(
n
X
i=1
xi = 10) = P (
n
X
i=1
xi 10) P (
n
X
i=1
xi 9)
Oleh karena itu ditentukan sehingga 0, 9574 0, 0413 atau = 0, 1791. Uji
UMP menjadi
P
jika Pni=1 Xi > 10
1
0, 1791 jika Pni=1 Xi = 10
(z) =
n
0
jika
i=1 Xi < 10.
54
n
X
i=1
n
X
xi = 10) = 0, 2013.
i=1
Contoh 3.3
Misalkan X1 , . . . , Xn sampel random dari populasi yang berdistribusi N (, 1).
Berdasarkan sampel tersebut akan diuji hipotesis H : = 0 melawan alternatif A : = 1 pada level dengan anggapan 0 < 1 . Diperoleh
f (x1 ; 1 )f (x2 ; 1 ) . . . f (x2 ; 1 )
f (x1 ; 0 )f (x2 ; 0 ) . . . f (x2 ; 0 )
(x2 1 )2
(x2 1 )2
(xn 1 )2
1 exp
1 exp
1 exp
.
.
.
2
2
2
2
2
2
=
2
2
(x2 0 )
(x2 0 )
(xn 0 )2
1 exp
1 exp
1 exp
.
.
.
2
2
2
2
2
2
P
exp 12 ni=1 (xi 1 )2
=
Pn
1
2
exp 2 i=1 (xi 0 )
R(z; 0 , 1 ) =
= exp
n
1 X
sehingga ln R(z; 1 , 0 ) =
i=1
1
2
[(xi 0 ) (xi 1 ) ]
Pn
i=1 [(xi
0 )2 (xi 1 )2 ] atau
1X 2
[x 20 xi + 02 (x2i 21 xi + 12 )]
ln(R(z; 1 , 0 ) =
2 i=1 i
n
1X
[2(0 1 )xi + 02 12 ]
=
2 i=1
= (1 0 )
n
X
i=1
1
xi + n(02 12 ).
2
Hal itu berarti R(z; 1 , 0 ) > c akan ekuivalen dengan ln R(z; 1 , 0 ) > ln c
55
yaitu
(1 0 )
n
X
i=1
1
xi + n(02 12 ) > ln c
2
(1 0 )
(1 0 )
n
X
i=1
n
X
i=1
n
X
1
xi > ln c + n(02 12 )
2
1
xi > ln c + n(1 0 )(1 + 0 )
2
ln c
1
+ n(1 0 )(1 + 0 )
1 0 2
i=1
1 ln c
n(1 + 0 )
.
+
x >
n 1 0
2
> c0 dengan c0 = 1 ln c + n(1 +0 ) . Uji UMP adalah
Berarti X
n 1 0
2
(z) =
xi >
> c0
1 jika X
0 yang lain
Contoh 3.4
Misalkan X1 , . . . , Xn sampel random dari populasi yang berdistribusi N (0, ).
Berdasarkan sampel tersebut akan diuji hipotesis H : = 0 melawan alternatif A : = 1 pada level dengan anggapan 0 < 1 . Diperoleh
R(z; 0 , 1 ) =
=
x2
x2
x2
x2
xn
1
1
exp[ 211 ] 2
exp[ 221 ] . . . 2
exp[ 2
]
1
1
1
xn
1
1
exp[ 210 ] 2
exp[ 220 ] . . . 2
exp[ 2
]
0
0
0
Pn 2
n/2 exp 21
i=1 xi
1
0
=
Pn 2
1
1
exp 20 i=1 xi
1
20
n/2
n
1
1 X 2i
x
exp
1
21 20 i=1 i
n
h X
i
n/2
0
1
0
x2i .
exp
=
1
21 0 i=1
Akibatnya
n
1 0 X 2 1 0
x + ln
ln R(z; 1 , 0 ) =
20 1 i=1 i 2
1
n
1 0 X 2
1 0
xi > ln c ln
20 1 i=1
2
1
n
1 1
1 0 X 2
xi > ln c + ln
20 1 i=1
2
0
r
n
1 0 X 2
1
x > ln c
20 1 i=1 i
0
n
r
X
20 1
1
2
xi >
ln c
.
1
0
0
i=1
57
Berarti
Pn
2
i=1 xi
> c0 dengan c0 =
(z) =
20 1
1 0
q
ln c 10 . Uji UMP menjadi
Pn 2
1 jika
i=1 xi > c0
0 yang lain
n
X
x2i
> c0 =
i=1
P
dan 1 ni=1 Xi2 2n untuk i = 0, 1.
Sebagai gambaran, akan diuji hipotesis H : = 4 melawan A : = 16
dengan = 0, 01 dan n = 20. Akan ditentukan c0 sehingga
P 0
n
X
x2i
> c0 = 0, 01
i=1
yaitu
P 0
n
X
i=1
n
1 X
1
x2i > c0 = 0, 01.
x2i > c0 = P0
4 i=1
4
n
hX
i=1
3.3
= P=16
n
h1 X
150, 264 i
x2i >
16 i=1
16
= 0, 977.
Sebagian besar masalah praktis, paling sedikit salah satu merupakan hipotesis komposit. Misalkan variabel random saling bebas dengan fungsi kepadatan probabilitas f (x; ), R,
g(z; ) = f (x1 ; )f (x2 ; ) . . . f (xn ; )
58
terdapat uji yang merupakan uji UMP dalam kelas semua uji yang mempunyai tingkat keberartian lebih kecil atau sama dengan . Dalam kasus LR
(likelihood ratio) dalam V (z), uji yang digunakan adalah
Akibat 3.2
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan probabilitas dapat dinyatakan sebagai
f (x; ) = C() exp[Q()T (x)]h(x)
dengan Q fungsi naik/turun tajam. Untuk pengujian hipotesis
H : = { | 0 }
melawan alternatif A : c . Dengan tingkat keberartian maka uji UMP
dalam kelas semua uji tingkat lebih kecil atau sama dengan . Jika Q naik
maka digunakan uji
1 jika
jika
(z) =
0 jika
uji
V (z) < c
V (z) = c
V (z) > c
atau 2 }
61
Teorema 3.3
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x; ) dapat dinyatakan sebagai
f (x; ) = C() exp[Q()T (x)]h(x)
dengan Q fungsi monoton tajam dan R. Misalkan
= { | 1
atau 2 }
0 yang lain
0 yang lain
dengan c1 , c2 dan 1 , 2 ditentukan sehingga
dan
E2 [(z)] = P2 (V (z) < c1 atauV (z) > c2 ) + 1 P2 (V (z) = c1 ) + 2 P2 (V (z) = c2 ) =
P
dengan V (z) = ni=1 T (Xi ). Dapat ditunjukkan bahwa fungsi () = E[(z)]
dengan merupakan fungsi naik untuk 0 dan turun untuk 0
dengan 1 < 0 < 2
62
Contoh 3.5
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi Binom(1, )
dengan = (0, 1). Fungsi probabilitas dari X yang berdistribusi
Binom(n, ) adalah
f (x; ) = n (1 )nx IA (x)
dengan A = {0, 1, 2, . . . , n}. Fungsi probabilitas tersebut dapat dinyatakan
sebagai
h i
f (x; ) = (1 )nx exp ln
IA (x)
1
sehingga distribusi Binomial merupakan anggota keluarga eksponensial dengan
c() = (1 ) , Q() = ln
, T (x) = x, h(x) = IA (x).
1
P
Karena Q() = ln 1
merupakan fungsi naik dan V (z) = ni=1 Xi maka
uji UMP untuk hipotesis H : 0 melawan A : > 0 adalah
Pn
1 jika P
i=1 Xi > c
jika P ni=1 Xi = c
(z) =
n
X
Xi > c) + P0 (
i=1
n
X
Xi = c) =
i=1
P
dan ni=1 Xi Binom(n, ).
Sebagai gambaran, akan diuji hipotesis H : 0.5 melawan A : > 0.5
dengan = 0, 01 dan n = 25. Dalam hal ini c dan ditentukan sehingga
P=0,5
n
X
Xi > c + P=0,5
i=1
n
X
i=1
Xi = c = 0, 05.
n
X
i=1
Xi > c + P=0,75
n
X
i=1
63
Xi = c = 0, 5923.
Pn
1 jika cP
1 <
i=1 Xi < c2
n
i jika
X
(z) =
i = ci (i = 1, 2) dan c1 < c2
i=1
0 yang lain
dan
E2 [(z)] = P2 (c1 < V (z) < c2 ) + 1 P2 (V (z) = c1 ) + 2 P2 (V (z) = c2 ) =
P
dengan V (z) = ni=1 T (Xi ).
Sebagai gambaran, akan diuji hipotesis H : 0, 25 atau 0, 75
melawan A : 0, 25 < < 0, 75 dengan = 0, 05 dan n = 25. Untuk c1 = 10
dan c2 = 15 diperoleh
4161 + 22 = 205,
21 + 4162 = 205
Pn
1 jika 10
Pn< i=1 Xi < 15 Pn
i jika
(z) =
i=1 Xi = 15
i=1 Xi = 10 atau
0 yang lain
n
n
X
X
(0, 5) = P=0,5 10 <
xi < 15 + 0, 4901P=0,5
xi = 10
i=1
+ 0, 4901P=0,5
n
X
i=1
xi = 15
i=1
= 0, 6711.
Contoh 3.6
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi Poisson()
dengan = (0, ). Fungsi probabilitas dari X yang berdistribusi
Poisson() adalah
x e
f (x; ) =
x!
64
ex ln e
x!
= e ex ln
1
x!
P
sehingga Q() = ln dan V (z) = ni=1 Xi . Karena Q() merupakan fungsi
naik maka uji UMP untuk hipotesis H 0 melawan A : > 0 adalah
Pn
1 jika Pi=1 Xi > c
jika Pni=1 Xi = c
(z) =
n
0 jika
i=1 Xi < c
n
X
Xi > c) + P0 (
i=1
n
X
Xi = c) =
i=1
P
dan ni=1 Xi Poisson(n).
Sebagai gambaran, akan diuji hipotesis H : 0, 5 melawan A : > 0, 5
dengan n = 10 dan = 0, 05. Berdasarkan Tabel distribusi Poisson dengan
mean n0 = 10(0, 5) = 5 diperoleh c = 9 dan = 182/363 = 0, 5014. Kuasa
dari uji pada saat = 1 adalah
(1) = P=1
n
X
i=1
= 1 P=1
n
X
Xi > 9 + 0, 5014P=1
Xi > 9
i=1
n
X
i=1
Xi 9
n
n
h
X
X
i
+ 0, 5014 P=1
Xi 9 P=1
Xi 8
i=1
i=1
= 0, 6048.
Contoh 3.7
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi N (, 2 )
dengan = R. Fungsi probabilitas dari X yang berdistribusi N (, 2 )
adalah
h (x )2 i
1
f (x; ) =
exp
2 2
2 2
65
atau
1
2
x2
f (x; ) = exp 2 exp 2 x
exp 2
2
2
2 2
P
n
sehingga Q() = / 2 dan V (z) = i=1 Xi . Karena Q() = / 2 fungsi naik
maka untuk menguji hipotesis H : 0 melawan A : > 0 adalah
>c
1 jika X
(z) =
<c
0 jika X
dengan c ditentukan sehingga
> c) =
E0 [(z)] = P0 (X
N (, 2 /n). Kuasa ujinya adalah
dan X
> c) = 1 P (X
c)
() = P (X
hX
c i
= 1P
/ n / n
h n(c ) i
= 1
.
< c2 ) = .
E2 [(z)] = P2 (c1 < X
< c2 ) = 0, 05.
E2 [(z)] = P2 (c1 < X
(0) =
= 0, 61.
4
4
Contoh 3.8
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi N (, ) dengan = (0, ). Fungsi kepadatan probabilitas dari X yang berdistribusi
N(, ) adalah
h (x )2 i
1
f (x; ) =
exp
2
2
67
E0 [(z)] = P0
dan
Pn
i=1 (Xi
n
X
i=1
(Xi )2 =
() = P
n
X
i=1
(Xi ) > c
= 1P
= 1P
n
X
(Xi ) c
i=1
n
X
1
i=1
(Xi )2 <
c
c
= 1P
<
.
2n
dan
(1/4)
n
X
i=1
(Xi )2 225
di bawah anggapan H benar. Berdasarkan Tabel distribusi chi-kuadrat dengan derajat bebas 25 diperoleh bahwa c/4 = 37, 652 atau c = 150, 608. Kuasa
ujinya untuk = 12 adalah
150, 608
() = 1 P 225 <
= 1 P (225 < 30, 1216) = 1 0, 02 = 0, 98.
12
68
n
X
(Xi )2 < c2 =
c1 <
E2 [(z)] = P2 c1 <
Kuasa ujinya adalah
i=1
n
X
i=1
(Xi )2 < c2 = .
c2
c1
() = P 2n <
P 2n <
.
dan
c2
c1
P 225 <
P 225 <
= 0, 01.
3
3
Dengan metode coba-coba (trial and error ) dapat ditentukan c1 dan c2 dari
tabel distribusi chi-kuadrat dengan derajat bebas 25.
69
3.4
70
Teorema 3.4
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan fungsi kepadatan
probabilitasnya dinyatakan dengan
f (x; ) = C() exp[Q()T (x)]h(x)
dengan R. Misalkan
= { ; 1 2 }
dengan 0 , 1 , 2 dan 0 = {0 } dengan 1 < 2 .
Untuk menguji hipotesis H : melawan alternatif A : c dan
hipotesis H : 0 melawan alternatif A0 : 0c pada level terdapat uji
UMP yang diberikan oleh
0 yang lain
dengan c1 , c2 dan 1 , 2 ditentukan dengan E1 [(z)] = dan E2 [(z)] =
untuk H dan E0 [(z)] = dan E0 [V (z)(z)] = E0 [V (z)] untuk H 0 .
Dapat ditunjukkan bahwa () = E [(z)] dengan turun 0
dan naik untuk 0 untuk suatu 1 < 0 < 2 .
Contoh 3.9
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari N (, ) dengan
2 diketahui dan = . Akan diuji hipotesis H : = 0 melawan A : 6= 0 .
Fungsi kepadatan probabilitas N (, 2 ) adalah
h (x )2 i
1
f (x; ) =
exp
2 2
2 2
2
2 2
P
n
sehingga Q() = dan V (z) = 12 i=1 Xi = nX2 . Oleh karena itu uji UMPU
adalah
(z) =
0 yang lain
dengan c01 =
c
1
n
n0
dan c01 =
c
2
n
atau
n0
.
n(X0 )
2
> c02
0)
N (0, 1). Karena
Pada sisi lain, di bawah H, berlaku sifat n(X
0
0
N (0, 1) simetri maka c1 = c2 = c (yaitu c > 0) sehingga menjadi
n(X 0 )
< c
atau
0 )
n(X
>c
(z) =
0 yang lain
dengan c ditentukan sehingga P (21 > c) = .
72
3.5
3.5.1
Proposisi 3.2
Untuk menguji hipotesis H : 0 melawan A : > 0 digunakan uji
UMP
Pn
2
1 jika
i=1 (Xi X) > c
(z) =
0 yang lain
dengan c ditentukan oleh P 2n1 > c2 = . Bila hipotesisnya adalah
H 0 : 0 melawan A0 : 0 maka digunakan uji
Pn
2
1 jika
i=1 (Xi X) < c
(z) =
0 yang lain
dengan c ditentukan oleh P 2n1 < c2 = .
Pn
2
(X X)
berdis-
Contoh 3.10
Misalkan X1 , X2 , . . . , X25 merupakan variabel random saling bebas dari distribusi N (, 2 ) dengan dan 2 tidak diketahui. Untuk menguji hipotesis
H : 3 melawan A : > 3 digunakan uji UMP
Pn
2
1 jika
i=1 (Xi X) > c
(z) =
0 yang lain
dengan c ditentukan oleh P (224 > c/9) = 0, 05. Berdasarkan Tabel distribusi chi-kuadrat dengan derajat bebas 24 diperoleh c/9 = 36, 415 atau
c = 327, 735. Kuasa uji pada = 5 adalah
P (224 > 327, 735/25) = P (224 > 13, 1094) = 0, 962.
73
uji
Pn
2
1 jika
i=1 (Xi X) < c
0 yang lain
Proposisi 3.3
Untuk menguji hipotesis H : 1 atau 2 melawan A : 1 < < 2
digunakan uji UMPU
P
2 < c2
1 jika c1 < ni=1 (Xi X)
(z) =
0 yang lain
dengan c1 dan c2 ditentukan oleh
P(
dan
P(
c2
c1
< 2n1 < 2 ) =
2
1
1
c1
c2
< 2n1 < 2 ) = .
2
2
2
c2
c1
< 2n1 < 2 ) =
2
1
1
c2
c1
< 2n1 < 2 ) = .
2
2
2
74
Contoh 3.11
Misalkan X1 , X2 , . . . , X25 merupakan variabel random saling bebas dari distribusi N (, 2 ) dengan dan 2 tidak diketahui. Untuk menguji hipotesis
H : 2 atau 3 melawan A : 2 < < 3 digunakan uji UMPU
P
2 < c2
1 jika < c1 < ni=1 (Xi X)
(z) =
0 yang lain
dengan c1 dan c2 ditentukan berdasarkan metode trial and error oleh
c2
c1
c2
c1
P ( < 2n1 < ) = P (2n1 > ) P (2n1 > ) = 0, 05
4
4
4
4
dan
P(
c2
c1
c2
c1
< 2n1 < ) = P (2n1 > ) P (2n1 > ) = 0, 05.
9
9
9
9
Proposisi 3.4
Untuk menguji hipotesis H : = 0 melawan A : 6= 0 digunakan uji
UMPU
P
Pn
2 < c1 atau
2
1 jika < ni=1 (Xi X)
i=1 (Xi X) > c2
(z) =
0 yang lain
R c /2
dengan c1 dan c2 ditentukan oleh c12/20 g(t)dt dengan g adalah fungsi kepa0
datan probabilitas dari 2n1 .
Uji dengan menggunakan luas ekor sama yang biasa digunakan bukanlah
merupakan uji UMPU tetapi merupakan pendekatan dari uji UMPU untuk
n .
3.5.2
Proposisi berikut ini banyak digunakan dalam menentukan uji mean pada
suatu populasi.
Proposisi 3.5
Untuk menguji hipotesis H : 0 melawan A : > 0 digunakan uji
UMPU
1 jika t(z) > c
(z) =
0 yang lain
75
(X
X)
i
i=1
n1
Misalkan X1 , X2 , . . . , X25 merupakan variabel random saling bebas dari distribusi N (, 2 ) dengan dan 2 tidak diketahui. Untuk menguji hipotesis
H : 0 melawan A : > 0 dengan = 0, 05 digunakan uji UMPU
1 jika t(z) > 1, 7109
(z) =
0 yang lain
Untuk menentukan kuasa uji dari uji tersebut digunakan ujit non central.
76
3.6
3.6.1
Proposisi berikut ini digunakan untuk pengujian perbandingan variansi antara dua populasi.
Proposisi 3.8
Untuk menguji H : 0 melawan A : > 0 digunakan uji UMPU
(
Pn
(Y Y )2
1 jika Pmi=1(Xii X)
2 > c
i=1
(z) =
0 yang lain
(m1)c
dengan c ditentukan sehingga P (Fn1,m1 > c0 ) = dan c0 = (n1)
.
0
0
Sedangkan untuk menguji, H : 0 melawan A : < 0 digunakan uji
UMPU
(
Pn
(Y Y )2
1 jika Pmi=1(Xii X)
2 < c
i=1
(z) =
0 yang lain
i=1
i=1
dan Y1 , . . . , Y25 variabel random saling bebas dari distribusi N (2 , 22 ). Dianggap dua sampel tersebut saling bebas dan semua parameter tidak diketahui. Untuk menguji H : 2 melawan A : > 2 dengan = 0, 05
digunakan uji UMPU
(
Pn
(Y Y )2
1 jika Pmi=1(Xii X)
2 > c
i=1
(z) =
0 yang lain
dengan c ditentukan sehingga P (F20,24 > c0 ) = 0, 05 dan
c0 =
(21 1)c
= 5c/12.
(24 1)2
(21 1)c
= 5c/12
(24 1)2
i=1
Proposisi 3.9
78
3.6.2
Misalkan
Y X
2 + Pn (Yj Y )2
(X
X)
i
i=1
j=1
t(z, w) = qP
m
dan dianggap 12 = 12 = 2 .
Proposisi 3.10
m+n2
1
1 .
+n
m
Untuk
m+n2
1
1 .
+n
m
q
dengan c ditentukan oleh P (t15+102 > c0 ) = 0, 05 dan c0 = c 15+102
atau
1
1
+ 10
15
q
p
23
c0 = c 10+15
atau c0 = c 23(6). Berdasarkan tabel distribusi t diperoleh
150
p
c 23(6) = 1, 7139 atau c = 0, 1459. Sedangkan, untuk menguji H : 0
melawan A : < 0 dengan = 0, 05 digunakan uji UMPU
1 jika t(z, w) < c
(z, w) =
0 yang lain
79
q
atau
dengan c ditentukan oleh P (t15+102 < c0 ) = 0, 05 dan c0 = c 15+102
1
1
+ 10
15
q
p
23
c0 = c 10+15
atau c0 = c 23(6). Berdasarkan tabel distribusi t diperoleh
150
p
c 23(6) = 1, 7139 atau c = 0, 1459.
Proposisi 3.11
3.7
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x; ), Rr dan . Misalkan
L() = f (x1 ; )f (x2 ; ) . . . f (xn ; )
dengan dan
L( c ) = f (x1 ; )f (x2 ; ) . . . f (xn ; )
80
dengan c . Bila dan c terdiri dari satu titik maka L() dan L( c )
dapat ditentukan dan untuk menguji H : melawan A : c , uji MP
menolak bila nisbah kemungkinannya (likelihood ratio-LR)
L()/L( c )
lebih besar. Akan tetapi bila dan c mengandung lebih dari satu titik
maka L() dan L( c ) tidak dapat ditentukan oleh H dan A dan metodee
pada pasal-pasal terdahulu tidak dapat digunakan.
Misalkan
L(
) = max{L()| },
L(
c ) = max{L()| c }
dan
= max{L()| }.
L()
terlalu kecil yaitu lebih kecil dari atau
Hipotesis H ditolak jika L(
)/L()
sama dengan c dan c ditentukan dari ukuran ujinya. Lemma Fundamental Neyman-Pearson merupakan kejadian khusus dari uji LR. Jika kuanti hampir sama nilainya maka data cenderung mendukung
tas L(
) dan L()
hipotesis bahwa yang sebenarnya terletak dalam yang dinyatakan dalam
H. Jika tidak demikian data cenderung mendiskreditkan H. Notasi yang
digunakan adalah
L(
)
.
=
L(
Di bawah H benar, statistik ln mempunyai distribusi asmptotik yang
diketahui. Hipotesis H ditolak jika
2 ln > c
dengan c ditentukan berdasarkan pada .
Teorema 3.5
Misalkan X1 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan
probabilitas f (x; ), dengan Rr dan berdimensi m. Nilainilai positif dari fungsi kepadatan probabilitas tidak bergantung pada . Di
bawah syarat-syarat 1-6 pada pasal 2.2, distribusi asimptotik dari 2 ln
adalah 2rm asalkan yaitu jika n berlaku sifat
P (2 ln x) G(x)
dengan x 0 untuk semua dan G adalah fungsi distribusi dari 2rm .
81
Contoh 3.16
Diketahui X1 , . . . , Xn variabel random saling bebas dari distribusi N (, 2 ).
Kasus 1 ( diketahui)
Akan diuji hipotesis H : = {0 } dengan = R. Karena MLE
maka
dari adalah
= X
n
h
i
1 X
2
L() = exp 2
(Xi X)
2 i=1
dan
n
i
h
X
2
= exp 1
.
(X
)
L()
i
0
2 2 i=1
Dalam hal ini lebih mudah ditentukan distribusi dari 2 ln dari pada .
Diperoleh
n
0 )2
2 ln = 2 (X
n
X
i=1
dan
n
X
i=1
maka
2
(Xi X)
(Xi 0 )2
n
i
h
X
1
1
2 =p 1
L() = p
(Xi X)
exp p
en/2
(2
)n
(2
)n i=1
(2
)n
82
dan
n
i
h
X
1
1
1
L(
) = p
en/2
exp p
(Xi 0 )2 = p
n
n
n
(2
)
(2
) i=1
(2
)
sehingga
=
atau
Karena
n
X
i=1
(Xi 0 )
n
X
i=1
=
=
n
X
i=1
n
X
i=1
2/n
n
Pn
2
(Xi X)
.
= Pni=1
2
i=1 (Xi 0 )
+ (X
0 )
(Xi X)
2
2 + 2(Xi X)(
X
0 ) + ( X
0 )2
(Xi X)
2 + 2(X
0 )
(Xi X)
n
X
2 + n(X
0 )2
=
(Xi X)
n
X
i=1
+
(Xi X)
i=1
maka
=
=
=
=
=
dengan
h Pn (X )2 i1
i
0
Pi=1
n
2
i=1 (Xi X)
P
h n (X X)
2 + n(X
0 )2 i1
i
i=1
P
n
2
i=1 (Xi X)
h
0 )2 i1
n(X
1 + Pn
2
i=1 (Xi X)
i1
h
0 )2
n(X
1
P
1+
n
1
2
n 1 n1
i=1 (Xi X)
h
t2 i1
1+
n1
n(X 0 )
t = t(z) = q
.
P
n
1
2
(X
X)
i
i=1
n1
83
n
X
i=1
0 )2
(X
Hal itu berarti, jika < 0 ekuivalen dengan t2 > c untuk c konstanta
tertentu. Uji LR ekuivalen dengan
1 jika t < c dan t > c
(z) =
0 yang lain
dengan c ditentukan sehingga P (tn1 > c)/2.
Contoh 3.17
Diketahui X1 , . . . , Xm variabel random saling bebas dari distribusi N (1 , 12 )
dan Y1 , . . . , Yn variabel random saling bebas dari distribusi N (2 , 22 ). Dianggap dua sampel tersebut saling bebas. Misalkan bahwa sampel X dan sampel
Y saling bebas dan diinginkan untuk menguji hipotesis berikut. Dalam hal
ini fungsi kepadatan probabilitas bersama X dan Y adalah
m
n
h
1 m+n 1
i
1 X
1 X
2
2
exp
(X
(Y
)
.
i
1
j
2
1m 2n
212 i=1
222 j=1
2
Kasus 1
Dianggap bahwa 1 = 2 = tetapi tidak diketahui dan ingin diuji hipotesis H : 1 = 2 (= ) dengan tidak diketahui.
Di bawah = { = (1 , 2 , )t |1 , 2 R, > 0} maka MLE dari
parameter adalah
m
n
X
1 X
2
2
2
(Xi X) +
(Yj Y ) .
1, = X,
2, = Y ,
=
m + n i=1
j=1
Oleh karena itu
m+n
= 1
e(m+n)/2 .
L()
2
t
Di bawah = { = (1 , 2 , ) |1 , 2 R, > 0} maka MLE dari parameter
adalah
m
n
mX
X
+ nY
1 X
=
Xi +
Yj =
.
m + n i=1
m+n
j=1
m+n
m
n
X
1 X
1 X
Vk =
Xi +
Yj =
.
m + n k=1
m + n i=1
j=1
84
1 m+n (m+n)/2
L(
) =
e
.
2
Akibatnya
=
dan
m+n
2/(m+n) =
2
.
2
(Xi
)
n
X
i=1
n
X
i=1
+ (X
(Xi X)
)
2
2 + 2(Xi X)(
X
) + ( X
(Xi X)
)2
n
n
n
X
X
X
2
=
(Xi X) + 2(X )
(Xi X) +
(X
)2
i=1
n
X
i=1
i=1
i=1
2 + m(X
)2
(Xi X)
n
X
2+m X
mX + n Y 2
=
(Xi X)
m+n
i=1
n
X
2 + m nX n Y 2
=
(Xi X)
m+n
i=1
n
X
2+
=
(Xi X)
i=1
mn2
Y )2 .
(X
2
(m + n)
(Yj
) =
n
X
j=1
(Yj Y )2 +
85
m2 n
Y )2 .
(X
(m + n)2
Akibatnya
(m +
n)
2
m
n
hX
i
X
2
=
(Xi
) +
(Yj
)2
i=1
n
X
i=1
n
X
j=1
2+
(Xi X)
mn2
Y )2
(X
(m + n)2
m2 n
Y )2
+
(X
2
(m + n)
j=1
mn 2
(X Y ) .
= (m + n)
2 +
m+n
(Yj Y )2 +
dengan
h
2/(m+n) = 1 +
p
i1
t
m+n2
mn
(X
m+n
Y )
t= r
hP
i.
Pn
m
1
2
2
i=1 (Xi X) +
j=1 (Yj Y )
m+n2
Oleh karena itu, uji LR menolak H bila < 0 maka akan ekuivalen dengan
uji
1 jika t < c dan t > c (c > 0)
(z, w) =
0 yang lain
dengan c ditentukan oleh P (tm+n2 > c) = /2 dan z = (x1 , x2 , . . . , xm )t
dan w = (y1 , y2 , . . . , yn )t (karena di bawah H, t berdistribusi tm+n2 ).
Kasus 2
Akan diuji hipotesis H : 1 = 2 (= tidak diketahui).
Di bawah = { = (1 , 2 , 1 , 2 )t |1 , 2 R, 1 , 2 > 0} diperoleh
n
1,
= X,
2,
= Y ,
1,
1 X
2,
(Xi X)
=
m i=1
2,
1X
=
(Yj Y )2 .
n j=1
1, =
1, ,
dan
X
1 X
2+
=
(Xi X)
(Yj Y )2 .
m + n i=1
j=1
m
2, =
2,
m
86
dan
sehingga
m+n
1
= 1
L()
e(m+n)/2
2
2
m/2
n/2
(
1, ) (
2, )
2
1 m+n
1
e(m+n)/2
L(
) =
2 )(m+n)/2
(
dengan
2
2
1,
)m/2
2,
)n/2
2 )(m+n)/2
Pn
2 m/2
(Xi X)
(m + n)(m+n)/2 Pi=1
n
2
j=1 (Yj Y )
=
P
Pn (X X)
2 + n (Yj Y )2 (m+n)/2
i
mm/2 nn/2 i=1 Pn (Yj j=1
Y )2
j=1
P
n
1
2 m/2
(m+n)/2 m1 m1 P i=1 (Xi X)
(m + n)
n
1
2
n1 n1
j=1 (Yj Y )
=
P
n
1
2 m/2
m1 m1 P i=1 (Xi X)
m/2
n/2
m n
1 + n1 1 n (Y Y )2
j=1 j
n1
m/2
m1
(m+n)/2
f
n1
(m + n)
=
(m+n)/2
m/2
n/2
m n
1 + m1
f
n1
f=
1
m1
1
n1
Pm
Pni=1
2
(Xi X)
.
(Yj Y )2
j=1
Uji LR menolak H bila < 0 akan ekuivalen dengan uji F yang menolak
H jika g(f ) < c untuk c tertentu dan
m/2
m1
f
n1
g(f ) =
(m+2)/2 .
m1
1 + n1 f
Nilai maksimum g(f ) dicapai bila f =
m(n1)
.
n(m1)
g(f ) 0
untuk f . Oleh karena itu g(f ) < c jika dan hanya jika f < c1 atau
f > c2 untuk c1 dan c2 tertentu. Karena F berdistribusi Fm1,n1 di bawah
H maka c1 dan c2 ditentukan sehingga
P (Fm1,n1 < c1
dan g(c1 ) = g(c2 ). Secara praktis c1 dan c2 ditentukan sehingga masingmasing ekor dari distribusi Fm1,n1 mempunyai probabilitas /2 yaitu
P (Fm1,n1 < c1 ) = P (Fm1,n1 > c2 ) = /2.
88
89
90
Chapter 4
Daerah Kepercayaan
4.1
Interval Kepercayaan
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan probabilitas f (x; ), Rr .
Definisi 4.1
Interval random adalah interval berhingga atau tak berhingga dengan paling
sedikit 1 titik ujungnya meruapakan variabel random.
Definisi 4.2
Misalkan L(X1 , X2 , . . . , Xn ) dan U (X1 , X2 , . . . , Xn ) dua statistik sehingga
L(X1 , X2 , . . . , Xn ) U (X1 , X2 , . . . , Xn ).
Interval random [L(X1 , X2 , . . . , Xn ), U (X1 , X2 , . . . , Xn )] adalah interval kepercayaan untuk dengan koefisien konfidensi 1 (0 < < 1) jika
P (L(X1 , X2 , . . . , Xn ) U (X1 , X2 , . . . , Xn )) 1
untuk semua . U (X1 , X2 , . . . , Xn ) dinamakan batas kepercayaan atas
sedangkan L(X1 , X2 , . . . , Xn ) dinamakan batas kepercayaan bawah untuk
jika untuk semua berlaku sifat
P ( < U (X1 , X2 , . . . , Xn )) 1
dan
P (L(X1 , X2 , . . . , Xn ) < ) 1
91
)
n(X
.
92
+ b ) = 1 .
b X
P (X
n
n
(4.1.1)
b , X
+ b ] adalah interval kepercayaan untuk
Oleh karena itu [X
n
n
dengan koefisien kepercayaan 1 . Panjang interval tersebut adalah
l=
(b a)
.
n
Interval kepercayaan yang memenuhi (4.1.1) dengan panjang interval terpendek sehingga b dan a memenuhi (4.1.1).
Dapat ditunjukkan bahwa l terpendek bila b = c(c > 0) dan a = c
dengan c adalah kuantil atas dari distribusi N (0, 1) yang dinotasikan dengan Z/2 . Oleh karena itu interval kepercayaan terpendek untuk dengan
koefisien konfidensi 1 adalah
i
h
+ Z/2 .
Z/2 , X
X
n
n
Kasus 2 Jika diketahui dan parameter
Misalkan
nS 2
Tn ( 2 ) = 2n
Pn
1
2
2
nSn2
nSn2
P(
2
) = 1
b
a
93
l=
nSn .
a b
E[l] = E
nSn2 = E
n . (4.1.2)
a b
a b 2
a b
dl
da
= 0 atau
dl
1
1 db
= 2 + 2
=0
da
a
b da
2
db
= ab 2 . Bila Gn dan gn masing-masing adalah fungsi distribusi dan
yaitu da
fungsi kepadatan probabilitas dari 2n maka Gn (b) Gn (a) = 1 sehingga
d
dGn (b) dGn (a)
= (1 )
da
da
da
atau
dGn (b) db
gn (a) = 0
db da
atau
db
gn (a) = 0.
da
db
= ggnn(a)
. Akibatnya a2 gn (a) = b2 gn (b) sehingga a dan b
Hal itu berarti da
(b)
Rb
ditentukan sehingga a2 gn (a) = b2 gn (b). dan a gn (t)dt = 1 .
Sebagai contoh, untuk n = 25, = 1 dan 1 = 0, 95 sehingga Z/2 =
1, 96. Hal itu berarti interval kepercayaan 95% untuk adalah
gn (b)
0, 392, X
+ 0, 392].
[X
Bila digunakan ekor yang sama diperoleh a = 13, 120 dan b = 40, 646 maka
interval kepercayaan 95% untuk 2 adalah
h 25S 2
2 i
25S25
25
,
.
40, 646 13, 120
94
) = 1
b
a
P (a
1 X
l=2
Xi
a b i=1
1
hP
i
n
2Xi
1
1
Dengan harapan E(l) = E
= 2rn a b . Prosedur
i=1
untuk menentukan interval kepercayaan dengan panjang terpendek analog
pada Contoh 4.1, yaitu dipilih a dan b sehingga a2 g2rn (a) = b2 g2rn (b) dan
1
a
1
b
b
a
g2rn (t)dt = 1 .
95
=
1
dan
tidak
diketahui.
Karena
i=1 Xi atau
Pn
i=1 ln Xi merupakan statistik cukup untuk . Karena Xi berdistribusi
Beta dengan = 1 dan = maka Yi = 2 ln Xi berdistribusi chi-kuadrat
dengan derajat bebas 2 sehingga dengan mengingat X1 , . . . , Xn saling bebas
diperoleh
n
X
Tn () = 2
ln Xi
i=1
P(
a
Pn
i=1
ln Xi
b
Pn
i=1
ln Xi
) = 1 .
96
dl
da
=0
Contoh 4.4
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi U (0, ).
Statistik Yn = X(n) adalah statistik cukup untuk dan mempunyai fungsi
kepadatan probabilitas
n
gn (yn ) = n ynn1
X(n)
)
a
= 1 . Oleh
X(n) i
,
b
a
dan panjang intervalnya adalah l = a1 1b X(n) . Akibatnya
hX
n1
(n)
h
dl
1 da
1i
= X(n) 2
+
.
db
a db b2
n+1
n+1
dl
dl
dl
Karena db
= ab n1 maka da
= X(n) a b2 ab
. Karena da
< 0 untuk semua b
n+1
maka l turun dalam b dan nilai minimum dicapai bila a = 1/n . Oleh karena
itu interval kepercayaan dengan koefisien 1 dinyatakan dengan
X(n) ,
X(n) i
.
1/n
97
4.2
Contoh-contoh berikut ini menjelaskan bagaimana menentukan interval kepercayaan bila muncul parameter nuisans.
Contoh 4.5
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari distribusi N (, 2 )
dengan dan 2 tidak diketahui.
Kasus 1
Akan dikonstruksikan interval kepercayaan untuk . Misalkan
n(X )
Tn () =
Sn1
dengan
2
Sn1
1X
(Xi )2 .
=
n i=1
Xn b , Xn a .
n
n
Dengan alasan yang sama seperti pada Contoh 4.1 diperoleh interval kepercayaan dengan panjang terpendek yaitu
h
Sn1
n1
n tn1;/2 S
X
, Xn + tn1;/2
n
n
dengan tn1; adalah kuantil atas dari distribusi t dengan derajat bebas n1.
Untuk n = 25 dan = 0, 96 interval kepercayaan yang bersesuaian dengan
diambil dengan t24;0,025 = 2, 0639 sehingga diperoleh
h
i
Xn 0, 41278S24 , Xn + 0, 41278S24 .
98
Kasus 2
Akan dikonstruksikan interval kepercayaan untuk 2 . Misalkan
2
(n 1)Sn1
.
2
Karena T ( 2 ) berdistribusi chi-kuadrat dengan derajat bebas n1 maka dengan menggunakan alasan seperti pada Contoh 4.1 diperoleh interval kepercayaan untuk 2 yaitu
h (n 1)S 2
i
2
n1 (n 1)Sn1
,
b
a
dan interval kepercayaan terpendek diambil bila a dan b memenuhi
Tn ( 2 ) =
b
a
gn1 (t)dt = 1 .
Contoh 4.6
Sampel random X1 , X2 , . . . , Xn berasal dari distribusi N (1 , 12 ) dan sampel random berasal dari distribusi dengan 1, 2 , 1 , 2 tidak diketahui.
Akan dikonstruksikan interval kepercayaan untuk 1 2 dengan menganggap 1 = 2 = . Misalkan
m Yn ) (1 2 )
(X
Tm,n (1 2 ) = r
.
2
2
+(n1)Sn1
(m1)Sm1
1
1
n
m+n2
m
Statistik Tm,n (1 2 ) berdistribusi t dengan derajat bebas m + n 2. Hal
itu berarti interval kepercayaan 1 untuk 1 2 adalah
s
h
2
2
m Yn ) tm+n2;/2 (m 1)Sm1 + (n 1)Sn1 1 1 ,
(X
m+n2
m n
s
i
2
2
m Yn ) + tm+n2;/2 (m 1)Sm1 + (n 1)Sn1 1 1 .
(X
m+n2
m n
99
2
1
22
12
.
22
Misalkan
2
12 Sn1
.
2
22 Sn1
2
b
) = 1 .
2
2
Sn1
22
Sn1
Oleh karena itu interval kepercayaan untuk
12
22
adalah
i
h S2
2
Sm1
m1
.
a 2 ,b 2
Sn1 Sn1
Khususnya untuk interval kepercayaan yang mempunyai ekor sama dinyatakan dengan
h
i
2
2
Sm1
Sm1
0
Fn1;m1;/2 2 , Fn1;m1;/2 2
Sn1
Sn1
0
dengan Fn1;m1;/2
dan Fn1;m1;/2 masing-masing adalah kuantil /2 atas
dan bawah dari Fn1;m1 . Bila titik dibaca dari Tabel distribusi F maka titik
dapat dihitung dengan cara
0
Fn1;m1;/2
= 1/Fn1;m1;/2 .
0, 3171
2
2 i
S12
S12
,
3,
2388
.
2
2
S13
S13
100
4.3
P (c N (0, 1) c) = 1
2
(n 1)Sn1
n(X )
P (c
c) P (a
b) = 1
2
2
2
2 2
n )2 c , (n 1)Sn1 2 (n 1)Sn1 ) = 1 .
P (( X
n
b
a
Misalkan X1 , X2 , . . . , Xn variabel random dengan mean dan variansi 2 .
Dengan menggunakan Teorema Limit Pusat diperoleh
n(Xn )
N (0, 1).
n
X
i=1
untuk n maka
n )2 2
(Xi X
n )
n(X
N (0, 1).
Sn
101
Sn i
Sn
X Z/2 , X + Z/2
n
n
asalkan n .
Contoh 4.8
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi Binom(1, ).
Akan dikonstruksikan interval kepercayaan untuk dengan koefisien keper n (1 X
n ) maka dengan hasil di atas
cayaan mendekati 1 . Karena Sn2 = X
diperoleh interval kepercayaan untuk berikut
r
r
h
n (1 X
n)
i
X
Z/2
+ Z/2 Xn (1 Xn ) .
X
,X
n
n
Contoh 4.9
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi Poisson().
Interval kepercayaan untuk dengan koefisien kepercayaan mendekati 1
adalah
h
Sn
Sn i
X Z/2 , X + Z/2 .
n
n
4.4
103
104
105
Bibliography
[1] Lindgren, B. W., (1993), Statistical Theory 4th edition, Chapman &
Hall Inc, New York.
106