disusun oleh
Daftar Isi
1 Peubah Acak dan Distribusi Kontinu
1.1 Fungsi distribusi . . . . . . . . . . .
1.2 Unsur Peluang . . . . . . . . . . . .
1.3 Ekspektasi . . . . . . . . . . . . . . .
1.4 Distribusi Bivariat . . . . . . . . . .
1.5 Distribusi Bersyarat . . . . . . . . .
1.6 Fungsi Pembangkit Momen . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Hipotesis
Hipotesis, Statistik Uji dan P-value . . .
Daerah Penolakan, Kesalahan dan Fungsi
Uji Paling Kuasa . . . . . . . . . . . . .
Uji Paling Kuasa Seragam . . . . . . . .
Uji Rasio Likelihood . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
Kuasa
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
4
7
9
11
13
.
.
.
.
.
.
.
1
1
1
5
6
6
7
7
.
.
.
.
1
1
2
3
4
.
.
.
.
.
1
1
2
3
4
4
BAB 1
Peubah Acak dan Distribusi
Kontinu
1.1
Fungsi distribusi
Definisi:
Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah
FX (x) = P (X x)
Contoh:
1. Misalkan X Bin(3, 0.5), maka fungsi distribusi F (x) adalah fungsi
tangga berikut
0,
1/8,
F (x) = 1/2,
7/8,
1,
x (, 0);
x [0, 1);
x [1, 2);
x [2, 3);
x [3, ).
0,
F (x) = P (X x) = P (a X x) =
xa
,
ba
1,
x < a;
x [a, b];
x > b.
K. Syuhada, PhD.
MA3081 Stat.Mat.
K. Syuhada, PhD.
1.2
Unsur Peluang
d
= h(x, 0) +
h(x, 4x) 4x=0 4x + o(4x)
d4x
=
=
dimana
lim
4x0
o(4x)
=0
4x
Fungsi
d
dF (x) =
F (x) 4x
dx
disebut DIFERENSIAL. Dalam statistika, diferensial dari fungsi distribusi
adalah UNSUR PELUANG (yang merupakan pendekatan terhadap h(x, 4x)).
d
Unsur peluang adalah fungsi linier dari dx
F (x).
Contoh:
Misalkan F (x) = 1 e3x untuk x 0. Apakah F (x) suatu fungsi distribusi?
Hitung unsur peluang di x = 2. Cari pendekatan untuk P (2 X 2.01).
Densitas rata-rata pada selang (x, x + 4x) didefinisikan:
Density rata-rata =def
P (x X x + 4x)
4x
Sedangkan fungsi densitas peluang atau fungsi peluang (f.p) di x adalah limit
MA3081 Stat.Mat.
K. Syuhada, PhD.
4x0
P (x X x + 4x)
4x
=
=
=
d
F (x)
dx
f (x)dx
a
Latihan:
1. Misalkan bilangan riil positif. Jika F (x) = 1 ex , maka f (x) =
2. Jika X U (a, b) maka F (x) = dan f (x) =
3. *Misalkan f (x) = c/(1 + x2R) untuk < x < dan c konstanta.
MA3081 Stat.Mat.
K. Syuhada, PhD.
Misalkan X peubah acak kontinu dengan fungsi peluang f (x) dan Y = g(X)
fungsi yang terdiferensial bernilai tunggal. Maka fungsi peluang dari Y :
d 1
1
fY (y) = fX (g (y)) g (y)
dy
untuk support Y = g(X). Komponen
J(y) =
d 1
g (y)
dy
MA3081 Stat.Mat.
K. Syuhada, PhD.
1.3
Ekspektasi
Misalkan X peubah acak dengan fungsi peluang f (x). Nilai harapan dari X,
jika ada, adalah
Z
E(X) = X =
f (x)dx
Catatan: nilai ekspektasi dikatakan ada jika nilai integral adalah hingga.
Misalkan X rv dengan pdf f (x). Maka nilai harapan dari g(X), jika ada,
adalah
Z
E[g(X)] =
g(x)f (x)dx
.
Operator integral bersifat linier. Jika g1 (X) dan g2 (X) fungsi-fungsi yang
memiliki ekspektasi dan a, b, c konstanta, maka
E[ag1 (X) + bg2 (X) + c] = aE[g1 (X)] + bE[g2 (X)] + c
Contoh/Latihan:
1. Jika distribusi X simetrik di sekitar c dan nilai harapanny ada maka
E(X) = c.
Bukti:
Z
E(X c) =
(x c)f (x) dx
Z
c
(x c)f (x)dx +
(x c)f (x)dx
c
uf (c u)du +
uf (c + u)du
=
0
0
Z
=
u(f (c + u) f (c u)) du = 0
0
MA3081 Stat.Mat.
K. Syuhada, PhD.
Bukti:
a+b
a+b
1
f
=f
+ =
2
2
ba
untuk ba
, ba
2
2
3. Misalkan X berdistribusi Cauchy dengan fungsi peluang
f (x) =
1
h
i,
2
1 + (x)
2
dengan , konstanta yang memenuhi || < dan (0, ). Tunjukkan bahwa fungsi peluang simetrik di sekitar namun ekspektasinya
bukanlah .
4. Misalkan X Exp(). Nilai harapan dari X adalah...
MA3081 Stat.Mat.
K. Syuhada, PhD.
1.4
Distribusi Bivariat
2
xy
FX,Y (x, y)
MA3081 Stat.Mat.
K. Syuhada, PhD.
fY (y) =
fX,Y (x, y) dx
fX,Y (x, y) =
E(g(X, Y )) = E(X) =
MA3081 Stat.Mat.
10
K. Syuhada, PhD.
1.5
Distribusi Bersyarat
Misalkan fX,Y (x, y) adalah fungsi peluang bersama, maka fungsi peluang Y ,
diberikan X = x, adalah
fY |X (y|x) =def
fX,Y (x, y)
,
fX (x)
E Y Y (X) =
(y y(x))2 fX,Y (x, y) dydx
11
K. Syuhada, PhD.
maka
fY |X (y|x) =
y(x) =
2. Misalkan (Y, X) berdistribusi normal bivariat dengan E(Y ) = Y , E(X) =
2
X , V ar(Y ) = Y2 , V ar(X) = X
, Cov(X, Y ) = X,Y X Y . Distribusi
bersyarat Y , diberikan X, adalah
(Y |X = x)
3. Tunjukkan bahwa
h
i
EX fY |X (y|X) = fY (y)
4. Buktikan
n h
io
h
i
EX E h(Y )|X = E h(Y )
5. Buktikan
h
V ar(Y ) = EX
i
h
i
V ar(Y |X) + V ar E(Y |X)
3y 2
, 0<y<x<1
x3
Maka
fY (y) =
E(Y r ) = , E(Y ) = , V ar(Y ) =
fX (x) =
fY |X (y|x) =
E(Y r |X = x) = , E(Y |X = x) = , V ar(Y |X = x) =
V ar(E(Y |X)) =
E(V ar(Y |X)) =
MA3081 Stat.Mat.
12
K. Syuhada, PhD.
1.6
asalkan ekspektasi ada untuk t disekitar 0. Jika semua momen dari X tidak
ada, maka fungsi pembangkit momen juga tidak ada. Fungsi pembangkit
momen berkaitan dengan fungsi pembangkit peluang
MX (t) = GX (et )
asalkan GX (t) ada untuk t disekitar 1. Jika MX (t) adalah fungsi pembangkit
peluang maka MX (0) = 1.
Contoh/Latihan:
1. Jika fX (x) = ex I0, (x), maka
MX (t) =
2. Jika MX (t) ada maka
Ma+bX (t) =
3. Jika
P Xi , i = 1, . . . , n saling bebas, MXi (t) ada untuk setiap i, dan S =
Xi , maka
MS (t) =
4. Fungsi pembangkit momen bersifat unik. Setiap distribusi memiliki
fungsi pembangkit momen yang unik, dan setiap fungsi pembangkit
momen berkorespondensi dengan tepat satu distribusi. Akibatnya, jika
fungsi pembangkit momen ada maka fungsi pembangkit momen tersebut
secara unik menentukan distribusinya. Beri contoh.
5. Pandang turunan dari MX (t) yang kemudian dievaluasi di t = 0. Apa
yang dapat anda katakan? Dapatkah kita mendapatkan momen orde
tinggi?
6. Dapatkah hasil diatas digunakan untuk distribusi diskrit? Ambil contoh
distribusi Geometrik dengan parameter p.
MA3081 Stat.Mat.
13
K. Syuhada, PhD.
7. Misalkan Y U (a, b). Gunakan fungsi pembangkit momen untuk mendapatkan momen pusat
r
a+b
2
E((Y Y ) ) = E
Y
2
MA3081 Stat.Mat.
14
K. Syuhada, PhD.
BAB 2
Distribusi Sampel, Likelihood
dan Penaksir
2.1
Sampel Acak
n
Y
fXi (xi )
i=1
Contoh/Latihan:
1. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi Eksponensial dengan parameter . Fungsi peluang n-variatnya adalah...
2. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi Uniform pada selang
(a, b). Fungsi peluang n-variatnya adalah...
2.2
Likelihood
Misalkan fungsi peluang n-variat bergantung pada parameter yang tidak diketahui . Fungsi peluang tersebut ditulis sebagai
fX1 ,X2 ,...,Xn (x1 , . . . , xn |1 , . . . , k )
atau
fX (x|)
1
Contoh/Latihan:
1. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi N (, 2 ). Fungsi
peluang n-variat yang bergantung pada parameternya ditulis sebagai...
Definisi
Fungsi likelihood adalah ukuran yang menyatakan sebarapa sering nilai ,
diberikan bahwa x telah terobservasi. Fungsi likelihood BUKAN suatu peluang. Fungsi likelihood diperoleh dengan (i) menukar peran dan x dalam
fungsi peluang n-variat, dan (ii) membuang suku yang tidak bergantung pada
. Notasi:
L() = L(|x) fX (x|)
Contoh/Latihan:
1. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi Eksponensial dengan parameter . Fungsi likelihoodnya adalah...
function likefunction;
% this function calculates the likelihood function of distribution
%
% created by K Syuhada, 14/3/2011
clear
clc
n = input(n = ); % size of random sample
% data
x = exprnd(0.5,n,1);
sumx = sum(x);
% parameter of exponential distribution
lambda = 0.5:0.05:5;
for i = 1:length(lambda)
L(i) = (lambda(i)^n)*exp(-lambda(i)*sumx);
end
plot(lambda,L)
MA3081 Stat.Mat.
K. Syuhada, PhD.
xi
(1 )n
xi
, 0 < < 1.
.
d
1
MA3081 Stat.Mat.
K. Syuhada, PhD.
=
= X.
n
(Pr: Tunjukkan bahwa ini memaksimumkan L() dengan menghitung
turunan kedua).
2. Misalkan X1 , . . . , Xn sampel acak berdistribusi U (0, ). Tentukan yang
memaksimumkan L(0, ). Dengan kata lain, tentukan penaksir untuk
.
Sifat Penaksir
kita dapat menentukan sifat baik peSetelah kita mendapatkan penaksir ,
naksir. Salah satunya adalah sifat TAK BIAS. Penaksir dikatakan tak bias
apabila
= .
E()
Untuk contoh sampel acak Bernoulli,
X1 + + Xn
E() = E
n
1
= E(X1 + + Xn )
n
1
=
E(X1 ) + + E(Xn )
n
1
= ( + + )
n
=
adalah penaksir tak bias untuk .
Jadi, penaksir = X
Catatan: Jika suatu penaksir bersifat bias maka selisih nilai ekspektasi dan
nilai tidak nol, atau
E( ) 6= 0.
MA3081 Stat.Mat.
K. Syuhada, PhD.
2.3
Statistic Cukup
Definisi -1
Suatu statistik T = t(X) adalah CUKUP atau sufficient untuk suatu keluarga
distribusi fX (x|) JIKA dan HANYA JIKA fungsi likelihoodnya bergantung
terhadap X hanya melalui T:
L() = h(t(X), )
Definisi -2
Suatu statistik T = t(X) adalah CUKUP untuk suatu keluarga distribusi
fX (x|) JIKA dan HANYA JIKA distribusi bersyarat dari X TIDAK BERGANTUNG pada :
fX|T (x|t, ) = h(x)
Definisi -3
Suatu statistik T = t(X) adalah CUKUP untuk suatu keluarga distribusi
fX (x|) JIKA dan HANYA JIKA fungsi peluangnya dapat difaktorkan sebagai:
fX (x|) = g(t(x)|) h(x)
Contoh/Latihan:
1. Misalkan Xi untuk i = 1, . . . , n saling
P bebas dan berdistribusi identik
Bernoulli(p). Tunjukkan bahwa Y = ni=1 Xi adalah statistik cukup.
2. Misalkan X1 , . . . , Xn sampel acak
Pn berdistribusi Poisson dengan parameter . Tunjukkan bahwa T = i=1 Xi adalah statistik cukup.
3. Misalkan Xi untuk i = 1, . . . , n saling bebas dan berdistribusi identik
adalah statistik cukup.
N(, 1). Tunjukkan bahwa Y = X
4. Misalkan X1 , . . . , Xn sampel acak berdistribusi
Gamma dengan paramPn
eter (, ). Tunjukkan bahwa T = i=1 ln(Xi ) adalah statistik cukup.
5. Pandang sampel acak berukuran n dari U (a, b), dengan a diketahui. Tunjukkan bahwa T = X(n) adalah statistik cukup.
6. Pandang sampel acak berukuran n dari N (, 2 ), dengan , 2 tidak
diketahui. Tunjukkan bahwa statistik T berikut adalah cukup:
2
SX
T =
X
MA3081 Stat.Mat.
K. Syuhada, PhD.
2.4
Distribusi Sampel
Misalkan X1 , X2 , . . . , Xn sampel acak berukuran n dari distribusi Poisson dengan parameter . Peubah acak Xi , i = 1, . . . , n saling bebas dan berdistribusi
identik dengan fungsi peluang n-variat:
P (X = x) =
n
Y
en y
e xi
= Qn
,
x
!
x
!
i
i
i=1
i=1
P
P
dengan y =
xi . Dapat ditunjukkan juga Y =
Xi cukup. Distribusi
sampel dari Y adalah
fY (y|) =
en (n)y
.
y!
2.5
Statistik Terurut
Misalkan X1 , . . . , Xn sampel acak berukuran n dari suatu populasi yang berdistribusi tertentu, dengan fungsi peluang fX dan fungsi distribusi FX . Pandang
X(k) , statistik terurut ke-k. Untuk menentukan fX(k) (x), pertama partisikan
I1 = (, x]; I2 = (x, x + dx]; I3 = (x + dx, ).
Fungsi peluang fX(k) (x) adalah peluang mengamati sejumlah k 1 dari X di
I1 , tepat sebuah X di I2 , dan sejumlah n k dari X di I3 :
k1
1
nk
n
FX (x)
fX (x)dx 1 FX (x)
fX(k) (x)
k 1, 1, n k
MA3081 Stat.Mat.
K. Syuhada, PhD.
k1
nk
n
fX(k) (x) =
FX (x)
1 FX (x)
fX (x)
k 1, 1, n k
Contoh/Latihan:
1. Fungsi peluang dari statistik terurut terkecil/terbesar adalah...
2. Statistik terurut ke-k pada distribusi U (0, 1) memiliki fungsi peluang...
2.6
2.7
Teorema
Misalkan X1 , . . . , Xn sampel acak berukuran n dari populasi dengan mean X
2
dan variansi X
. Distribusi dari
Zn =
X
X
X / n
n (X X )
c = (c)
lim P
n
X
MA3081 Stat.Mat.
K. Syuhada, PhD.
Pandang: X1 + + Xn ,
n
!
X
E
Xi = n X ,
i=1
V ar
n
X
!
2
= n X
,
Xi
i=1
Pn
lim P
Xi n X
c
n X
i=1
= (c)
berdistribusi normal? n = 1?
Seberapa besar n harus kita pilih agar X
Bergantung pada distribusi dari data (parent distribution)!
Misalkan X Exp(). Distribusi ini memiliki kemencengan (skewness)
dan kelancipan (kurtosis):
E(X X )3
p
= 2,
3 =
3
X
dan
4 =
E(X X )4
3 = 6,
4
X
2
berdistribusi Ga(n, n).
dengan X = 1/ dan X
= 1/2 . Mean sampel X
adalah
Kemencengan (skewness) dan kelancipan (kurtosis) dari X
X )3
2
E(X
p
= ,
3 =
3
n
X
dan
4 =
X )4
E(X
3 = 6/n,
4
X
MA3081 Stat.Mat.
K. Syuhada, PhD.
Misalkan X B(n, p) (ingat bahwa distribusi X tersebut sama dengan distribudi dari sejumlah n peubah acak Bernoulli(p)). Untuk n besar,
p(1 p)
p N p,
n
!
n(c p)
P (
p c) p
p(1 p)
X N (np, np(1 p))
1
1
P (X = x) = P x X x +
, x = 0, 1, . . . , n
2
2
!
x + 0.5 np
x 0.5 np
p
p
,
np(1 p)
np(1 p)
dimana menambah dan mengurangi dengan 0.5 disebut continuity correction.
Koreksi kekontinuan untuk pendekatan normal terhadap fungsi distribusi dari
X dan p adalah
1
P (X c) = P X x +
, x = 0, 1, . . . , n
2
!
x + 0.5 np
p
np(1 p)
dan
1
P (
p c) = P p c +
, c = 0/n, 1/n, . . . , n/n
2n
!
n(c + 0.5/n p)
p
p(1 p)
MA3081 Stat.Mat.
K. Syuhada, PhD.
BAB 3
Penaksiran dan Selang
Kepercayaan
3.1
n
1 X
2,
(Xi X)
n 1 i=1
dan/atau
n
1 X
2,
(Xi X)
V =
n i=1
3.2
Konsistensi
Salah satu sifat dari penaksir yang baik adalah sifat tak bias. Kita akan
mempelajari sifat baik yang lain yaitu konsisten. Namun sebelumnya, perhatikan Ketaksamaan Chebyshev. Misalkan X peubah acak dengan fungsi
peluang fX (x). Misalkan h(X) fungsi non-negatif dari X dan ekpektasinya
ada serta k adalah konstanta positif. Maka
P (h(X) k)
E(h(X))
.
k
Bukti:
Aplikasi 1 Ketaksamaan Chebyshev. Misalkan E(X) = X dan V ar(X) =
2
X
< . Maka
|X X |2
1
2
k 2.
P
2
X
k
Bukti:
Aplikasi 2 Ketaksamaan Chebyshev. Misalkan T peubah acak (penaksir dari
parameter ) dengan E(T ) = T dan V ar(T ) = T2 < . Maka
P [|X | < ] 1
MSEX ()
.
2
Bukti:
MA3081 Stat.Mat.
K. Syuhada, PhD.
Konsistensi
Definisi: Barisan dari penaksir-penaksir, {Tn }, disebut KONSISTEN untuk
jika
lim P (|Tn | < ) = 1,
Buktikan bahwa jika sebuah penaksir memiliki sifat MSC maka penaksir
tersebut konsiten.
3.3
Selang Kepercayaan
Tn
c = (c).
lim P
n
Tn
Dengan kata lain,
Tn N (, T2n ),
MA3081 Stat.Mat.
K. Syuhada, PhD.
asalkan ukuran sampel cukup besar. Misalkan T2n = 2 /n dan Wn2 adalah
penaksir yang konsisten untuk 2 . Maka
Tn
lim P
c = (c).
n
STn
Dengan menggunakan distribusi (sampel besar) dari Tn , didapat
Tn
P z/2
z/2 1 ,
STn
yang dapat dimanipulasi shg
X
2
SX
=
2
V ar(SX
)=
3.4
Efisiensi
Ketaksamaan Cramer-Rao
Misalkan peluang bersama X1 , . . . , Xn adalah fX (x|), dimana bersifat skalar
dan support dari X tidak bergantung pada . Misalkan statistik T (X) adalah
penaksir tak bias untuk fungsi (yang terdiferensial) dari ; E(T ) = g(). Maka,
dibawah kondisi regularitas sedang,
V ar(T )
(g()/)2
,
I
MA3081 Stat.Mat.
K. Syuhada, PhD.
dengan
I = E
ln fX (X|)
2
.
Kuantitas I disebut informasi Fisher dan merupakan indeks yang menyatakan banyaknya informasi yang dimiliki oleh X tentang .
Suku
(g()/)2
I
disebut Batas Bawah Cramer-Rao atau Cramer-Rao Lower Bound.
Contoh/Latihan:
1. Misalkan sampel acak berukuran n dari P oi(). Apakah penaksir MLE
untuk memuat/memenuhi/mencapai CRLB?
2. Pandang s.a dari eksponensial dengan mean 1/. Apakah penaksirnya
mencapai CRLB?
Efisiensi
Efisiensi dari penaksir tak bias dari g() adalah rasio dari CRLB terhadap
variansi dari penaksir. Misalkan T penaksir tak bias untuk g(), maka efisiensi
dari T adalah
Efisiensi =
CRLB
,
V ar(T )
MA3081 Stat.Mat.
K. Syuhada, PhD.
BAB 4
Uji Hipotesis
4.1
Beberapa definisi:
1. Hipotesis, H0 dan H1 , adalah pernyataan tentang model peluang. Dapat
juga dikatakan sebagai karakteristik populasi. H0 umumnya menyatakan
tidak ada efek, tidak ada perbedaan dsb. H1 adalah lawan dari H0 .
2. Statistik uji adalah fungsi dari data 0 . Statistik uji dipilih untuk membedakan H0 dengan H1 . Umumnya, statistik uji memuat penaksir dari
. Statistik uji yang dikenal antara lain Z, t, 2 .
3. Salah satu cara untuk mendapatkan statistik uji untuk menguji
H0 : = 0
versus H1 1-sisi atau 2-sisi adalah dengan menguji rasio likelihood
LR =
L(0 |X)
max L(|X)
4.2
Beberapa definisi:
1. Misalkan data X1 , . . . , Xn . Daerah penolakan adalah himpunan nilainilai dari statistik uji yang menolak H0 . Daerah penerimaan adalah
komplemen dari daerah penolakan.
2. Kesalahan:
Tipe I: kesalahan menolak H0 yang benar
Tipe II: kesalahan menerima H0 yang salah
3. Ukuran uji (test size):
= P (menolak H0 |H0 benar)
4. Kesalahan tipe II dan kuasa adalah, berturut turut,
= P (menerima H0 |H0 salah)
dan
1 = P (menolak H0 |H0 salah)
Contoh/Latihan:
1. Pandang uji
H0 : p = 0.4 versus H1 : p 6= 0.4
berdasarkan sampel acak berukuran 10 dari Bernoulli(p). Misalkan Y =
P
Xi . Jika daerah kritisnya adalah menolak H0 jika Y 0 atau Y 8,
maka ukuran uji-nya adalah
= 1 P (1 Y 7|p = 0.4) =
Sedangkan kesalahan tipe II dan kuasanya adalah
=
MA3081 Stat.Mat.
K. Syuhada, PhD.
kuasa =
Plot sbb:
2. Pandang Uji Z. Lakukan seperti hal diatas.
Fungsi Kuasa
Misalkan X1 , . . . , Xn sampel acak dari fX (x|). Misalkan ruang parameter
adalah . Misalkan 0 dan 1 adalah subruang dari yang saling asing.
Pandang uji
H0 : 0 versus H1 : 1 .
Fungsi kuasa adalah fungsi dari , didefinisikan sbg
() = P (menolak H0 |),
untuk semua (meskipun biasanya digunakan saat 1 ).
Contoh/Latihan:
1. Pandang uji
H0 : = 0 versus H1 : > 0
berdasarkan sampel acak berukuran n dari N (, 2 ), dengan 2 diketahui. Uji satu sampel
Z=
0
X
/ n
4.3
Definisi:
Hipotesis sederhana adalah hipotesis yang secara lengkap memberikan spesifikasi distribusi bersama dari data. Tidak ada parameter yang tidak diketahui
MA3081 Stat.Mat.
K. Syuhada, PhD.
f0 (x)
<K
f1 (x)
4.4
4.5
MA3081 Stat.Mat.
K. Syuhada, PhD.