Pertemuan 1 Statmat

Pendahuluan Review Peluang Statistika Inferensi
Distribusi Statistika Terurut

bagian pertama
Andi Kresna Jaya

andikresna@yahoo.com
Jurusan Matematika
September 16, 2014

Andi Kresna Jaya andikresna@yahoo.com
Outline
Pendahuluan
Review Peluang
Statistika Inferensi
Back
Outline
Pendahuluan
Review Peluang
Back
Outline
Pendahuluan
Review Peluang
Back
Sasaran pembelajaran: Kemampuan mahasiswa memahami

konsep statistika terurut
1
2
3
Kemampuan memahami konsep peluang, peubah acak,

sampel, dan statistik
Ketepatan dalam penjelasan definisi statistika terurut
Ketepatan dalam menentukan fkp marginal dari statistik
terurut
Metode: Kuliah dan Diskusi

Text book: Hogg dan Craig, Introduction to
Mathematical Statistics; Casella dan Berger,
Statistical Inference
Opening
1
Jumlah sekawanan angsa liar adalah sepuluh kali akar jumlah

angsa liar yang terbang dari danau menuju awan; 18 bagian
lainnya terbang menuju hutan; dan masih tersisa 3 pasang lain
sedang bercengkrama di air; berdekatan dengan
ranting-ranting bunga teratai.
Misalkan
x adalah jumlah seluruh angsa, maka
x = 10 x + 18 x + 6.
Jumlah lebah dalam suatu sarang adalah akar setengah

jumlah lebah yang pergi untuk mengisap madu dari bunga
melati; sedang yang lain 89 dari jumlah lebah sedang
beterbangan; dan yang masih tersisa adalah seekor lebah
betina di sarang dan seekor lebah pekerja di atas putik bunga.
Berapa jumlah lebah dalam sarang tersebut?
Misalkan y adalah jumlah lebah, maka y =
py
+ 98 y + 1 + 1
Opening
1
Jumlah sekawanan angsa liar adalah sepuluh kali akar jumlah

angsa liar yang terbang dari danau menuju awan; 18 bagian
lainnya terbang menuju hutan; dan masih tersisa 3 pasang lain
sedang bercengkrama di air; berdekatan dengan
ranting-ranting bunga teratai.
Misalkan
x adalah jumlah seluruh angsa, maka
x = 10 x + 18 x + 6.
Jumlah lebah dalam suatu sarang adalah akar setengah

jumlah lebah yang pergi untuk mengisap madu dari bunga
melati; sedang yang lain 89 dari jumlah lebah sedang
beterbangan; dan yang masih tersisa adalah seekor lebah
betina di sarang dan seekor lebah pekerja di atas putik bunga.
Berapa jumlah lebah dalam sarang tersebut?
Misalkan y adalah jumlah lebah, maka y =
py
+ 98 y + 1 + 1
Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

ruang sampel B, maka berlaku
1
2
P(E ) tak negatif

P(E1 E2 En ) = P(E1 ) + P(E2 ) + + P(En ), dengan
Ei Ej = , i 6= j
P(B) = 1.
Definisi 2: Misalkan sebuah eksperimen acak dengan ruang

sampel B, sebuah fungsi X disebut peubah acak jika X
memetakan setiap unsur c B ke satu dan hanya satu unsur
bilangan riil X (c) = x. Ruang peta X dinyatakan dengan
A = {x|x = X (c), c B}.
Misalkan f (x) sebuah P
fungsi sehingga berlaku
f (x) > 0, x A, dan A f (x) = 1.
Peluang sebagai fungsi himpunan A A dapat diekspresikan
sebagai bentuk dari f (x) oleh bentuk
Z
X
P(A) = p(x A) =
f (x) atau P(A) = p(x A) =
f (x)dx.
A
A

1
2
P(E ) tak negatif

Ei Ej = , i 6= j
P(B) = 1.

A = {x|x = X (c), c B}.
f (x) > 0, x A, dan A f (x) = 1.
Z
X
P(A) = p(x A) =
f (x)dx.
A
A

1
2
P(E ) tak negatif

Ei Ej = , i 6= j
P(B) = 1.

A = {x|x = X (c), c B}.
f (x) > 0, x A, dan A f (x) = 1.
Z
X
P(A) = p(x A) =
f (x)dx.
A
A

1
2
P(E ) tak negatif

Ei Ej = , i 6= j
P(B) = 1.

A = {x|x = X (c), c B}.
f (x) > 0, x A, dan A f (x) = 1.
Z
X
P(A) = p(x A) =
f (x)dx.
A
A

1
2
P(E ) tak negatif

Ei Ej = , i 6= j
P(B) = 1.

A = {x|x = X (c), c B}.
f (x) > 0, x A, dan A f (x) = 1.
Z
X
P(A) = p(x A) =
f (x)dx.
A
A

1
2
P(E ) tak negatif

Ei Ej = , i 6= j
P(B) = 1.

A = {x|x = X (c), c B}.
f (x) > 0, x A, dan A f (x) = 1.
Z
X
P(A) = p(x A) =
f (x)dx.
A
A

1
2
P(E ) tak negatif

Ei Ej = , i 6= j
P(B) = 1.

A = {x|x = X (c), c B}.
f (x) > 0, x A, dan A f (x) = 1.
Z
X
P(A) = p(x A) =
f (x)dx.
A
A
Fungsi distribusi peluang untuk peubah acak X dinyatakan

oleh F (x) = P(X x), dengan sifat-sifat:
1
2
3
0 F (x) 1
F (x) monoton tak turun
F (y ) = 0 untuk setiap titik y yang lebih kecil dari nilai terkecil
pada ruang X
F (z) = 1 untuk setiap titik z yang lebih besar dari nilai
terbesar pada ruang X .
Fungsi distribusi F (x) = P(X x) adalah peluang kumulatif

untuk semua nilai yang lebih kecil atau sama dengan x
P
F (x) = R w x f (w ) , diskrit
x
F (x) = f (w )dw , kontinu

1
2
3
0 F (x) 1
pada ruang X

P
x

1
2
3
0 F (x) 1
pada ruang X

P
x

1
2
3
0 F (x) 1
pada ruang X

P
x

1
2
3
0 F (x) 1
pada ruang X

P
x

1
2
3
0 F (x) 1
pada ruang X

P
x
Definisi 3: Misalkan X adalah peubah acak kontinu. Jika X

mempunyai fkp f (x) dan berlaku
Z
|x|f (x)dx <
maka ekspektasi dari X adalah

Z
E (X ) =
xf (x)dx.
Demikian pula berlaku untuk X peubah acak diskrit. Jika X

mempunyai fmp p(x) dan berlaku
X
|x|p(x) <
x

X
E (X ) =
xp(x) < .
x

Z
|x|f (x)dx <

Z
E (X ) =
xf (x)dx.

X
|x|p(x) <
x

X
E (X ) =
xp(x) < .
x

Z
|x|f (x)dx <

Z
E (X ) =
xf (x)dx.

X
|x|p(x) <
x

X
E (X ) =
xp(x) < .
x

Z
|x|f (x)dx <

Z
E (X ) =
xf (x)dx.

X
|x|p(x) <
x

X
E (X ) =
xp(x) < .
x
Teorema 1: Misalkan X adalah peubah acak dan misalkan

Y = g (X ) untuk suatu fungsi g .
1
R
Jika X kontinu dengan fkp fX (x), |g (x)|fX (x)dx nilainya
ada, maka ekspektasi dari Y ada dan diberikan oleh bentuk
Z
E (Y ) =
g (x)fX (x)dx
P
Jika X diskrit dengan fmp pX (x), x |g (x)|pX (x) nilainya
X
E (Y ) =
g (x)pX (x)
x
Teorema 2:
E [k1 g1 (X ) + k2 g2 (X )] = k1 E [g1 (X )] + k2 E [g2 (X )]

1
R
Z
E (Y ) =
g (x)fX (x)dx
P
X
E (Y ) =
g (x)pX (x)
x
Teorema 2:

1
R
Z
E (Y ) =
g (x)fX (x)dx
P
X
E (Y ) =
g (x)pX (x)
x
Teorema 2:

1
R
Z
E (Y ) =
g (x)fX (x)dx
P
X
E (Y ) =
g (x)pX (x)
x
Teorema 2:
Misalkan X adalah sebuah peubah acak yang fkp(fmp) adalah

f (x; ), dengan dapat berupa sebuah bilangan real atau
vektor real.Misalkan RP untuk p 1.
Contoh: adalah vektor (, 2 ) untuk X yang berdistribusi
N(, 2 ). Untuk X yang berdistribusi binomial, adalah p,
peluang sukses.
Jika tidak diketahui, informasi tentang dapat diperoleh
dari sampel acak X1 , X2 , , Xn . Dikatakan sampel acak
artinya X1 , X2 , , Xn adalah peubah-peubah acak yang
saling bebas dan berdistribusi peluang yang sama (iid).
Sebuah statistik Y adalah sebuah fungsi dari sampel; dkl
Y = Y (X1 , X2 , , Xn ). Dalam banyak kasus di statistika
inferensi, Y adalah (fungsi) penaksir titik untuk .
Contoh: Misalkan X berdistribusi Bernoulli dengan parameter
adalah peluang suksesnya. Statistik Y = X , proporsi sukses
dalam sampel adalah penaksir titik untuk .

peluang sukses.

peluang sukses.

peluang sukses.

peluang sukses.
Untuk sebuah peubah acak X yang kemudian diambil sampel

acak beberapa hal yang menjadi permasalahan adalah
1
fkp (f (x)) atau fmp (p(x)) tidak diketahui secara lengkap

(tidak ada asumsi distribusi untuk X ).
Bentuk fkp atau fmp diketahui tetapi parameter tidak
diketahui, dimana mungkin berupa vektor parameter.
Contoh:
1
2
X berdistribusi eksponential, Exp(), dengan tidak diketahui;

X berdistribusi binomial, b(n, p), dengan n diketahui tapi p
tidak diketahui;
X berdistribusi gamma, (, ), dengan dan tak diketahui.
Untuk permasalahan di atas, fkp atau fmp untuk X akan

dinyatakan dalam bentuk f (x; ) atau p(x; ), dengan .
Perhatikan contoh 1, Ruang parameternya adalah
= {| > 0}, parameter distribusi, ini tidak diketahui,
sehingga kita akan mengestimasinya.

1

Contoh:
1
2

tidak diketahui;


1

Contoh:
1
2

tidak diketahui;


1

Contoh:
1
2

tidak diketahui;


1

Contoh:
1
2

tidak diketahui;


1

Contoh:
1
2

tidak diketahui;


1

Contoh:
1
2

tidak diketahui;


1

Contoh:
1
2

tidak diketahui;


1

Contoh:
1
2

tidak diketahui;

Misalkan di dalam kotak, terdapat m bola yang diberi label

1, 2, , m. Semua bola identik (kecuali pada pemberian
labelnya). Eksperimen yang dilakukan adalah memilih sebuah
bola secara acak dan mencatat bilangan yang diperoleh.
Misalkan X adalah bilangan pada bola, maka distribusi
peluang dari X adalah
P(X = x) =
1
, untuk x = 1, 2, , m.
m
Perhatikan dalam situasi ini, banyaknya bola dalam kotak

tidak ketahui. Ini berarti = m parameter yang tidak
diketahui dan adalah himpunan bilangan bulat positif.
Untuk mendapatkan informasi tentang parameter m, kita
ambil sampel dari pengambilan n bola, jadi kita akan
mempunyai X1 , X2 , , Xn , dengan Xi adalah angka pada
pengambilan bola ke-i.

P(X = x) =
1
, untuk x = 1, 2, , m.
m


P(X = x) =
1
, untuk x = 1, 2, , m.
m

Pengambilan sampel (sampling) ada berbagai macam, dua

cara yang paling sering digunakan adalah
1
Sampling dengan pengembalian, di sini sebuah bola diseleksi

secara acak, kemudian bilangannya dicatat, selanjutnya bola
dikembalikan dalam kotak. Bola-bola dalam kotak kemudian
diacak dan mengambil bola berikutnya. Dalam kasus ini, dapat
dilihat bahwa X1 , X2 , , Xn adalah peubah acak-peubah acak
yang saling lepas dan berdistribusi identik dengan distribusi
dari X . Sampel yang diperoleh dengan cara ini disebut Sampel
acak.
Sampling tanpa pengembalian, di sini n bola diseleksi secara
acak. Jika bola-bola dipilih satu untuk suatu waktu, mereka
tidak akan dikembalikan setelah masing-masing diambil. Dapat
dimengerti dalam kasus ini, X1 , X2 , , Xn tidak saling bebas,
tapi setiap Xi mempunyai distribusi yang sama. Jenis sampling
ini disebut sampling acak sederhana.
Jika m sangat jauh lebih besar dari n, kedua tipe sampling ini
secara penerapannya akan sama.
Pengambilan sampel (sampling) ada berbagai macam, dua

cara yang paling sering digunakan adalah
1
Sampling dengan pengembalian, di sini sebuah bola diseleksi

secara acak, kemudian bilangannya dicatat, selanjutnya bola
dikembalikan dalam kotak. Bola-bola dalam kotak kemudian
diacak dan mengambil bola berikutnya. Dalam kasus ini, dapat
dilihat bahwa X1 , X2 , , Xn adalah peubah acak-peubah acak
yang saling lepas dan berdistribusi identik dengan distribusi
dari X . Sampel yang diperoleh dengan cara ini disebut Sampel
acak.
Sampling tanpa pengembalian, di sini n bola diseleksi secara
acak. Jika bola-bola dipilih satu untuk suatu waktu, mereka
tidak akan dikembalikan setelah masing-masing diambil. Dapat
dimengerti dalam kasus ini, X1 , X2 , , Xn tidak saling bebas,
tapi setiap Xi mempunyai distribusi yang sama. Jenis sampling
ini disebut sampling acak sederhana.
Jika m sangat jauh lebih besar dari n, kedua tipe sampling ini
secara penerapannya akan sama.
Simple example 1 (Hogg et all, Introduction to

Mathematical Statistics)
The box contains m balls labeled from 1, 2, , m and that
the balls are identical except for the number. Suppose m is
unknown. To estimate m we draw a random sample of the
balls, X1 , X2 , , Xn with replacement. The distribution of
each Xi is P(X = x) = 1/m, for i = 1, 2, , m. An intuitive
point estimator of m is the statistics Y = max {X1 , , Xn }
This would appear to be a good estimator of m. But how far
is Y from m? One way of answering this is to consider the
distribution of Y . The support of Y is {1, 2, , m}. To
determine the cdf of Y , note that because Y is the maximum
of the X observations, the event Y y , for 1 y m, is
characterized as,
{Y y } = {X1 y , X2 y , , Xn y } =
n
\
{Xi y }.
i=1

The box contains m balls labeled from 1, 2, , m and that
the balls are identical except for the number. Suppose m is
unknown. To estimate m we draw a random sample of the
balls, X1 , X2 , , Xn with replacement. The distribution of
each Xi is P(X = x) = 1/m, for i = 1, 2, , m. An intuitive
point estimator of m is the statistics Y = max {X1 , , Xn }
This would appear to be a good estimator of m. But how far
is Y from m? One way of answering this is to consider the
distribution of Y . The support of Y is {1, 2, , m}. To
determine the cdf of Y , note that because Y is the maximum
of the X observations, the event Y y , for 1 y m, is
characterized as,
{Y y } = {X1 y , X2 y , , Xn y } =
n
\
{Xi y }.
i=1
Hence, using the fact that X1 , X2 , , Xn are iid, the cdf of Y

is,
n
n
Y
[y ]
n
,
P[Y y ] =
P[Xi y ] = (P[X y ]) =
m
i=1
where [y ] denotes the greatest integer less than or equal to y .

Hence for 0 y m,
n

[y ]
0 , if y < m
P[Yn y ] =
1 , if y = m
m
Thus Yn is a consistent estimate of m.
Note that in this problem, E [X ] =
+ 1)/2. Hence
P(m
n
1
E [2X 1] = m, where X = n
i=1 Xi denotes the sample
mean.

is,
n
n
Y
[y ]
n
,
P[Y y ] =
P[Xi y ] = (P[X y ]) =
m
i=1

Hence for 0 y m,
n

[y ]
0 , if y < m
P[Yn y ] =
1 , if y = m
m
+ 1)/2. Hence
P(m
n
1
mean.

is,
n
n
Y
[y ]
n
,
P[Y y ] =
P[Xi y ] = (P[X y ]) =
m
i=1

Hence for 0 y m,
n

[y ]
0 , if y < m
P[Yn y ] =
1 , if y = m
m
+ 1)/2. Hence
P(m
n
1
mean.

is,
n
n
Y
[y ]
n
,
P[Y y ] =
P[Xi y ] = (P[X y ]) =
m
i=1

Hence for 0 y m,
n

[y ]
0 , if y < m
P[Yn y ] =
1 , if y = m
m
+ 1)/2. Hence
P(m
n
1
mean.
Suppose X is a random variable with unknown mean . Let

X1 , X2 , , Xn be aP
random sample from the distribution of
n
1
X and let X = n
i=1 Xi be the sample mean.
Then because E (X ) = , the statistic X is an unbiased point
estimator of . But how close is X to ?
Suppose that X has a normal N(, 2 ) distribution
and that
P
2 is known. The distribution of X = n1 ni=1 Xi is
N(, 2 /n).
because (X )/(/ n) has a standard normal N(0, 1)

distribution.
X
< 2)
0.954 = P(2 <
/ n

= P X 2 < < X + 2
.
n
n

n
1
X and let X = n
and that
P
N(, 2 /n).

distribution.
X
< 2)
0.954 = P(2 <
/ n

= P X 2 < < X + 2
.
n
n

n
1
X and let X = n
and that
P
N(, 2 /n).

distribution.
X
< 2)
0.954 = P(2 <
/ n

= P X 2 < < X + 2
.
n
n

n
1
X and let X = n
and that
P
N(, 2 /n).

distribution.
X
< 2)
0.954 = P(2 <
/ n

= P X 2 < < X + 2
.
n
n
Simple example (onlinecourses.science.psu.edu/stat414)

Suppose a random sample of five rats yields the following
weights (in grams):
x1 = 602 x2 = 781 x3 = 709 x4 = 742 x5 = 633
What are the observed order statistics of this set of data?
The observed order statistics are:
y1 = 602 < y2 = 633 < y3 = 709 < y4 = 742 < y5 = 781

weights (in grams):
x1 = 602 x2 = 781 x3 = 709 x4 = 742 x5 = 633
y1 = 602 < y2 = 633 < y3 = 709 < y4 = 742 < y5 = 781

weights (in grams):
x1 = 602 x2 = 781 x3 = 709 x4 = 742 x5 = 633
y1 = 602 < y2 = 633 < y3 = 709 < y4 = 742 < y5 = 781
Closing

Pertemuan 1 Statmat

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pertemuan 1 Statmat

Diunggah oleh

Hak Cipta:

Format Tersedia

Pendahuluan Review Peluang Statistika Inferensi

Distribusi Statistika Terurut

Andi Kresna Jaya

September 16, 2014

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Andi Kresna Jaya andikresna@yahoo.com

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Andi Kresna Jaya andikresna@yahoo.com

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Andi Kresna Jaya andikresna@yahoo.com

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Sasaran pembelajaran: Kemampuan mahasiswa memahami

Kemampuan memahami konsep peluang, peubah acak,

Metode: Kuliah dan Diskusi

Andi Kresna Jaya andikresna@yahoo.com

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Jumlah sekawanan angsa liar adalah sepuluh kali akar jumlah

Jumlah lebah dalam suatu sarang adalah akar setengah

Andi Kresna Jaya andikresna@yahoo.com

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Jumlah sekawanan angsa liar adalah sepuluh kali akar jumlah

Jumlah lebah dalam suatu sarang adalah akar setengah

Andi Kresna Jaya andikresna@yahoo.com

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

P(E ) tak negatif

Definisi 2: Misalkan sebuah eksperimen acak dengan ruang

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

P(E ) tak negatif

Definisi 2: Misalkan sebuah eksperimen acak dengan ruang

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

P(E ) tak negatif

Definisi 2: Misalkan sebuah eksperimen acak dengan ruang

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

P(E ) tak negatif

Definisi 2: Misalkan sebuah eksperimen acak dengan ruang

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

P(E ) tak negatif

Definisi 2: Misalkan sebuah eksperimen acak dengan ruang

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

P(E ) tak negatif

Definisi 2: Misalkan sebuah eksperimen acak dengan ruang

Distribusi Statistika Terurut

Pendahuluan Review Peluang Statistika Inferensi

Definisi 1: Jika p = P(E ) adalah peluang kejadian E dari

P(E ) tak negatif