Sebagai ilustrasi dipilih tiga sampel acak X 1 , X 2, X 3. atau n = 3 dan fungsi kepekatan
peluang (fkp) bersama f ( x 1 ) f ( x 2 ) f (x 3 )❑
Pra a<X1=X2<b,a<X3<b = 0
x 1 , x 2, x 3
A1 = ¿ ; a< x 1 , x 2, x 3< b },
¿
Ada enam atau tiga factorial hipunan sebuah x 1 , x 2, x 3 dapat diatur dalam enam cara.
Pandanglah fungsi y3 adalah maksimum dari x 1 , x 2, x 3 … A 1 ,… A 6 adalah
transformasi satu-satu kehimpunan yang samaB, {( y 1 , y 2 , y 3 ) ; a< y 1 < y 2 <b } fungsi
invers adalah
untuk A1 : x1= y 1 , x 2= y 2 , x 3= y 3
untuk A2 : x1 = y 1 , x 2= y 3 , x 3= y 3
untuk A3 : x1 = y 2 , x 2= y 1 , x 3= y 3
untuk A4 : x 1= y 3 , x2= y 1 , x 3= y 1
untuk A5 : x1 = y 2 , x 2=x 3 , x 3= y 1
untuk A6 : x 1= y 1 , x 2=x 2 , x 3= y 1
Sehingga
| |
∂ x1 ∂ x1 ∂ x1
∂ y1 ∂ y2 ∂ y3
J 1=
∂ x2
∂ y1
∂ x3
∂ x2
∂ y2
∂ x3
∂ x3 1 0 0
∂ y3 0 0 1
∂ x3
| |
= 0 1 0 =−1
∂ y1 ∂ y2 ∂ y3
| |
∂ x1 ∂ x1 ∂ x1
∂ y1 ∂ y2 ∂ y3
J 2=
∂ x2
∂ y1
∂ x3
| ∂ x2
∂ y2
∂ x3
∂ x3 1 0 0
= 0 0 1 =−1
∂ y3 0 1 0
∂ x3
|
∂ y1 ∂ y2 ∂ y3
| |
∂ x1 ∂ x1 ∂ x1
∂ y1 ∂ y2 ∂ y3
J 1=
∂ x2
∂ y1
∂ x3
| ∂ x2
∂ y2
∂ x3
∂ x3 0 1 0
= 1 0 0 =−1
∂ y3 0 0 1
∂ x3
|
∂ y1 ∂ y2 ∂ y3
Harga mutlak setiap keenam-enam (3!=6) determinan jakobi adalah 1, sehingga fungsi
kepekatan bersama ketiga-tiga statistika Y 1 =minimum X 1 , X 2 , X 3 ; Y 2 = pertengahan
X 1 , X 2 , X 3 ; Y 3 = maksimum X 1 , X 2 , X 3 adalah
y
(¿¿ 3)+|J 2|f ( y 1 ) f ( y 3 ) f ( y 2) +|J 3|f ( y 2 ) f ( y 1 ) f ( y 3 ) + …+|J 6|f ( y 3 ) f ( y 2) f ( y 1 ) a< y 1 < y 2< y 3< b
g ( y 1 , y 2 , y 3 )=|J 1| f ( y 1 ) f ( y 2 ) f ¿
y
(¿¿ 3) A< y 1< y 2< y3 < b
¿ 3! f ( y 1 ) f ( y 2 ) f ¿
Misalkan X peubah acak kotiniu dengan fungsi kepekatan f(x) positif dalam a<x<b, dan
nol untuk yang lain, fungsi sebaran F(x) adalah:
x
F ( x )=∫ f ( t ) dt , a< x <b=0, a ≤ x =1,x ≥ b
b
Jadi ada median bernilai tunggal m dengn F(m) = ½ , misalkan X 1 , X 2 , X 3 , contoh acak
dari sebaran tersebut, dan statistic tataanya Y 1 <Y 2 ,<Y 3 , hendak dihitung peluang
bahwa Y 2 ≤ m ,
Jawab:
y
Fungsi kepekatan bersama (¿¿ 2)f ( y 3 ) a ¿ y 1< y 2 < y 3 <b=0, selainnya maka fkp (fungsi
g ( y 1 , y 2 , y 3 )=gf ( y 1 ) f ¿
kepekatan peluang) dari y 3 adalah
b y2
h ( y 2 )=6 f ( y 2 )=∫ ∫ f ( y 1 ) f ( y 2 ) f ( y 3 ) d ( y 1) d ( y 3 )❑
y2 a
y
y
(¿ ¿3)
y2
∫ f ( y 1) f (¿¿ 3)d ( y 1) d ¿
a
b
¿ 6 f ( y2 )∫ ¿
y2
y
y
(¿ ¿ 3)
( ¿¿ 3)d ¿
b y2
¿ 6 f ( y2 )∫
y2
(∫ (
a
)
f y 1 ) d ( y1 ) f ¿
= 6 f ( y 2 ) ∫ f ( y 2 ) f ( y 3) d ( y 2 )
y2
y3
f ( y 2 ) d (¿¿)
b
∫¿
y2
¿ 6 f ( y 2 ) f ( y 2) ¿
3
y¿
¿
b
f (∫ ❑¿)
y2
¿ 6 f ( y 2 ) f ( y 2) ¿
¿ 6 f ( y 2 ) f ( y 2 ) ( f ( b ) −f ( y 2 ) )
y2
F ( y 2 ) ( 1−F ( y 2 ) ) f (¿)dy2
= m
6∫ ¿
a
y2
F ( y 2 ) ( 1−F ( y 2 ) ) dF (¿)
= y 2=m
6∫ ¿
y 2=a
=6{
[ F ( y 2 ) ] 2 − [ F ( y 2 ) ] 2 }= 1
2 3 2
Misalkan X 1 , X 2 ….. X n suatu sampel acak yang berukuran n dari suatu populasi
dengan fungsi sebaran F(X) atau fungsi kepekatan f(x) dan misalkan statistik rataan
Y 1, Y 2 … . Y n maka g ( y 1 , y 2 , … y n )= ( n! ) f y 1 f y 2 … f y n , a< y 1 < y 2 <…< y n< b=0, untuk
yang lain
gn ( yn )=∫ … ∫ … ∫ … ∫ n ! ( f ( y 1 ) dy 1) f ( y 2 ) f ( y 3 ) … f ( y n ) dy 2 dy 3 … dy n−1
a a a a
n ! F ( y2 ) f ( y 2) dy2
y2
∫ ¿ f ( y 3 )… f ( y n )dy 3
a
¿
yn y4
gn ( yn ) =∫ …∫ n ! ¿
a a
(F ( y 2) dF ( y 2 ) dy 2)
y2= y2
∫ ¿ f ( y 3)… f ( y n)dy 3
y 2=a
¿
yn y4
gn ( yn )=∫ … ∫ n ! ¿
a a
[ F ( y2 ) ] 2
2
y
[ ( 3) ]2
F y
2
y
(¿¿ n)dy 3 … dy n−1
n! (¿)f ( y3 )… f ¿
yn y4
gn ( y n ) =∫ …∫ ¿
a a
[ F ( y3 )] 2
2
y
(¿ ¿ n) dy 4 … dy n−1
y4
n !∫ …(¿) f ( y 3) dy 3 … f ¿
a
yn y4
gn ( y n )=∫ …∫ ¿
a a
[ F ( y3 ) ] 3
2.3
y
(¿¿ n) dy 4 … dy n−1
n! (¿) f ( y 4)… f ¿
yn y4
gn ( y n )=∫ … ∫ ¿
a a
[ F ( y4 ) ]3
2.3
y
(¿¿ n)… dy n−1
n !(¿)dy 4 f ( y 4 )… f ¿
yn y4
g n ( y n )=∫ … ∫ ¿
a a
.................................................................................................
gn ( y n )=n ! (
[ F ( y n ) ] n−1 )f y
n
( n−1 )
y
(¿¿ n) dy n dy n−1 dy n−2 … dy 2
b b b b
g 1 ( y 1 )=∫ … ∫ … ∫ … ∫ n ! f ( y 1 ) f ( y 2 ) f ( y3 ) … f ¿
y2 y n−3 y n−2 y n−1
y
y
y n−1
¿ dy
¿
( ¿¿ n−2) f ¿
(¿ ¿1)f ( y 2 ) … f ¿
b b b b
g 1 ( y 1 )=∫ … ∫ … ∫ …
y2 y n−3 y n−2
(∫
y n−1
)
f ( yn ) d yn f ¿
y
y
y
y
y
(¿¿ n−1)dy n −1 dy n−2 … dy 2
(¿¿ n−2)f ¿
(¿¿ 2) … f ¿
(¿ ¿1)¿
yn=b
(∫ )
b b b
(¿¿ 1)=n ! ∫ … ∫ … ∫ … DF ( y n ) f ¿
y2 y n−3 y n−2 yn −1
g1 ¿
y
y
y
y
(¿¿ n−1) dy n−1 dy n−2 … dy 2
(¿ ¿ n−2 )f ¿
(¿¿ 2)… f ¿
( ¿¿ 1) ¿
b b b
¿ n !∫ … ∫ … ∫ …( F ( y n) )f ¿
y2 y n−3 y n−2
y
y
y
y
y
(¿¿ n−1)dy n−1 dy n−2 … dy 2
( ¿¿ n−2)f ¿
(¿ ¿ 2)… f ¿
(¿¿ 1)¿
( ¿¿ n−1)f ¿
b b b
¿ n !∫ … ∫ … ∫ …( F ( b )) F ¿
y2 y n−3 y n−2
y
y
y
y
(¿¿ n−1)dy n−2 … dy 2
(¿ ¿ n−2) f ¿
(¿¿ 2) … f ¿
(¿ ¿1) ¿
b b b
y
y
y
y
(¿¿ n−1)dy n−2 … dy 2
(¿ ¿ n−2) f ¿
(¿¿ 2) … f ¿
(¿ ¿1) ¿
b b b
y
y
y
(¿¿ n−2)dy n−2 … dy 2
= (¿ ¿2) … f ¿
(¿¿ 1)¿
b b y n−1=b
y
y
y
(¿ ¿ n−2) dy n−2… dy 2
(¿¿ 2)… f ¿
= (¿¿ 1) ¿
yn −1=b
b b
n! ∫ … ∫ ¿
y2 y n−3
y
y
y
y
(¿¿ n−2)dy n −2 … dy 2
= (¿ ¿ 3 )… f ¿
f (¿¿ 2)f ¿
(¿¿ 1)¿
2
b b
−( 1−F ( y n−1) )
n !∫ … ∫ …( )f ¿
y y 2 n−3
2
n
g1 ( y 1) =n ( 1−F ( y n−2 ) ) −1 f ( y 1 ) , a< y 1< b=0, selainnya
Untuk menentukan fungsi kepekatan marginal sembarang statistic rataan yk dalam suku
F(x) dan f(x) dapat dilakukan dengan integral
y
y
(¿¿ n)dy n … dy k +1 dy 1 … dy k−1
(¿¿ 1)f ( y 2 ) … f ¿
yk y3 y2 b b
gk ( y k )=∫ …∫ …∫ …∫ … ∫ n ! f ¿
a a a yk yn−1
∫ [ F ( y ) −F ( w ) ] f ( w ) dw=
y
,diperoleh
x
i
1
( y j)
j¿ n− j
[ F ( y 1 ) −F ( y i ) ] 1−F ¿ f ( y i ) f ( y j )
n!
gij ( y i , y j ) = ¿
( i− j ) ! ( j−i−1 ) ! ( n− j ) !
Contoh:
Misalkan Y 1 ,Y 2 , Y 3 statistik rataan dari contoh acak berukuran 3 dengan fkp
f(x)=1,0<x<1=0 selainnya carilah fkp dari Z 1=Y 3−Y 1
Jawab :
j=
[ ∂ z1 ∂ z2 ]
∂ y 1 ∂ y 1 −1 1
=
0 1
=−1
F ( y )−F (w)¿ y
¿
¿
−[ F ( y ) −F ( w ) ] y
y y
∫ [ F ( y ) −F ( w ) ] f ( w ) dw= y
¿ x =¿
x
y
y
y
(¿¿ i) ¿n− j
1−F ¿
F(¿ ¿ i) ¿ j−i−1 ¿
(¿¿ 1)−¿
F¿
n!
gij ( y i y j ) = ¿
(i− j ) ! ( j−i−1 )( n− j ) !
= 0, selainnya.
Contoh :
Misalkan Y1, Y2, Y3 statistik tatanan dari contoh acak berukuran 3 dengan fkp
= 0, selainnya
jawab :Dapat dihitung F(x) = x, 0 < x < 1, sehingga fkp bersama untuk Y1, Y3 adalah :
y1
¿
¿
y
¿
0
g13( y1,y3) = (¿ 3¿)¿ .1 .1untuk a< yi< yj<b ,
1−¿
y 3− y 1 ¿1 ¿
3!
¿
( 0) ! ( 1) ! ( 0) !
Dengan menambah syarat Z1= Y3 dan Z2= Y3. Pandanglah fungsi Z1= Y3- Y1 dan Z2= Y3
dengan invers y1 = z2- z1 dan Y3= Z2 maka determinan Jacobi adalah :
∂ y1 ∂ y1
∂z
J= 1
∂ y2 ∂ y2 | |
∂ z 2 −1 1
=
0 1
=−1
∂ z1 ∂ z2
Jadi fkp bersama Z1 dan Z2 adalah h(z2, z1)= |-1|6z1 , 0 <,z1<, z2<1
= 0, selainnya
Sesuai dengan pernyataan fkp Z1= Y3- Y1 dari peubah acak berukuran 4 maka diperoleh :
1
= 0 , selainnya .
SEBARAN LIMIT
Defenisi : misalkan Fny merupakan sebaran fungsi peubah acak Yn yang bergantung pada n
bilangan posititf, jika :
Contoh :
Misalkan Yn menyatakan nth order ( statistic tataan ke –n ) dari contoh acak x1, x2, … xn
dari suatu sebaran dengan fungsi padat.
1
F(x)= , dimana 0<x ,θ< ∞
θ
y
(¿¿ n)
F¿
Fungsi padat dari Yn adalah gn (y) =n! ¿
¿ n−1
¿
¿
¿
y
(¿¿ n)
F¿
¿
¿n!¿
¿
= 0 , untuk lainnya .
Fn(y)=0 , y <0
y n
¿ ,0 ≤ y <θ
θn
y n−1
∫ ¿ nzθ n dz=¿
0
=1, θy< ∞
=1, θy< ∞
=1, θy< ∞
F(y) adalah fungsi sebaran , sedangkan lim F n y=F ( y ) untuk setiap titik kekontinuan
n →∞
Contoh :
2
x −nw
1 dw
n
√x −nw
2
∞
√ 1
2
√2 π
1
mengubah V = √ n s maka =0 ( x n ¿=∫ ¿ l 2
dw
−∞ √2 π
limFn( x n ¿=0, x< 0
1
= , x =0
2
= 1 , x >1
=1, x >0
Adalah fungsi sebaran lim F n x pada setiap titik kekontinuan dari F(x) namun
n →∞
2 1 t3 t2
Dimana b= t , c= dan ∅ ( n ) = maka untuk setiap nilai t ilai limit adalah
2 √n e2
Contoh:
μ
1. Misalkan Y n b(n , p) dengan rataan μ=np sama untuk setiap n berarti p=
n
μ
dimana μ adalah konstanta p= dengan fungsi pembangkit moment M(t;n)
n
( 1− p ) + pet ¿n
sekarang M(t;n)= y
E ( t )=¿ n
e
μ (¿¿ t−1) n
= [1+ ¿ untuk semua bilangan riel t.
n
¿
lim ¿
Karena itu diperoleh; t untuk semua bilangan riel t.
M ( t ; n )=e μ (e )
¿
n →∞
e−γ γ x
dengan f ( x )=
x ! dengan rataan γ
t
μ(e )
M ( t ; n )=e ¿
lim ¿
Maka ternyata ¿ adalah fungsi pembangkit moment sebaran poisson
n →∞ M ( t ;n )
dengan
Rataan μ
2
2. Misalkan (n), maka fungsi pembangkit moment dari z n adalah
zn x
(1−2 t ) , t <1/2. Rataan z n adalah berturut n dan 2n. sebaran limit dari
−n /2
Y
peubah acak n=
zn−n
, mau diselidiki fungsi pembangkit momen dari Y n
√2 n
adalah
zn−n
M(t;n) =E(
e
[t (√ )
2n
]
)
ln t2n
= e √2 n E(e √ 2 n )
n n
( )
2 2
t √¿
¿
= n
1−2
1 2
¿ ,t<
√2 n
√2 n 2
−¿
¿
e
Dapat dituliskan rumus taylor, ada suatu bilangan ε ( n) antara 0 dan t
√ 2
n
e√
2
t ,
n 3
¿
t
√ 2
,
sehingga t
n √
2 2 e n
¿+
6
¿
2
√ 2 1
√
t ,
e n =1+ t + ¿
n 2
Jika disubstitusikan e t √ 2
n
,
diperoleh
n
2
n¿
¿
M(t;n)=1- φ ¿
t2
+¿
n
√ 2 t3 e μ − √2 t 3 + 2t 4 e μ
n (n)
φn=
3 √n √n 3n
Y
Jadi peubah acak n=
z n−n
memiliki fungsi normal limit dengan rataan 0 dan
√2 n
varians 1.
Catatan:
μ σ 2 t2
Ingat fungsi pembangkit momen N=( ) adalah M x ( t )=e μt +
σ2 2
Soal:
zn
Tunjukkan bahwa lebaran limit peubah acak Y n=
√n
2. misalkan s 2n varians sampel acak berukuran n dari suatu sebaran n( μ , σ 2 ).
Buktikan s 2n convergen stochastic pada σ 2 !
Teorema: : misalkan Fn (u) menyatakan fungsi sebaran dari suatu peubah acak U n
yang menyebar tergantung pada bilangan bulat positif n. misal U n
konvergen stokhastik ke suatu bilangan konstanta C. dan missal Pr ( U n <0 )
untuk setiap n peubah acak √ U n konvergen stokhantik ke √ c .
Bukti:
Akan dibuktikan
lim Pr ( I U n−CI ≥ ε ) =0 .
n →∞
Teorema : Misalkan Fn(n) Fungsi sebaran dan suatu peubah acak Un yang
sebarannya tergantung pada n bilangan bulat positif. Misalkan Un memiliki sebaran limit
dengan fungsi sebaranya F(n) Hn (v) fungsi sebaran dari peubah acak Vn yang tergantung
pada bilangan bulat positif n. Vn konvergen stokhastik kepada I.
Sebaran limit dari peubah acak Wn= Un/Vn adalah sama seperti pada Un; bahwa Wn
memiliki suatu limit dengan fungsi sebaran F(w).
Contoh:
Yn−np
Kita mengetahui bahwa Un= memilikisebaranlimit (0,1)
√np (I − p)
Juga Y n konvergen stokhastik kepada P
Yn
Karena itu n)(I-yn n) konvergen stokhastik kepada p(I-p)
¿
Yn
n)(I-yn n)....................... konvergen stokhastik kepada I
¿
P(1-p)
Y
¿
¿n
¿
m
Katakan Vn= 1−Y juga konvergen I.
¿
¿
¿
¿
¿
¿
Dengan teorema barusan
Y n−n p
W n U n V n yaitu
√ n n
(
n
Yn
)( Yn
1− )
Jadi pendekatan
Y
¿
¿n
¿
m
Katakan Vn== 1−Y ¿
¿
¿
¿
¿
¿
¿
¿
Yn−np
WnUnVnyaitu
√ n n
(
n
Yn
) Yn
(1− )
[ ]
Y −np
Pr −2< <2 =0,954
Jadi Pendekatan y Y
n ()
n
(−1 )
n
Soal:
Y n=
( ∑ X 1−nμ
1
) = √ n( X−μ)/σ
√ nσ
Misalkan sebaran limit normal dengan rataaan dengan rataan nol dan variance I ( sebaran
normal buku)
Bukti:
X i −μ
Teah kita ketahui bahwa Z 1= adala h peuba h acakyangmenyebarnormaldengan
σ
t2 t 3
M n t =1+ +
( ) E ( Z 31 ) + …
2 3.1
n
i
I ∑ X −nμ n
Sekarang X−μ n 1
Y n= √ n = i−1 = ∑ Zi
σ √n √ n i=1
Dan fpm Y n , M n ( t ) dapatdituliskan
M n ( t )= M 2
[ ( )] ( t
√n
t2
n= 1+ +
t3
2 n 3 ! n2
k +… n )
Sedang lim M n ( t ) dapatdilih atsebagaiberikut :
n →∞
[( )]
2 3
t t k
Log M n ( t )=n log 1+ + 3 +…
2n 6 n 2
x2 x3 x4
Log (1+)=x- + + +…
2 3 4
2 3
Dengan memandang x = ( t
+
t k
2n 6 n3
+… 2 )
2
Log M n ( t )=n log ( 1+x )=n x− ( x
2
+… )
=
[( t2 t3 k
2n
+ 3 +… −
6 n2
1 t2 t3 k
2 ) (
3
+ 3 + … 2+ …
2 n2 6 n2 ) ]
T2
Kalikan dengan n suku pertama tak mengandung n sedangkan yang lain
2
mengandung n dengan pangkat positif pada penyebut sehingga.
Dimana ini adalah fpm sebaran normal baku sehingga Y n konvergen dalam sebaran
normal standart baku:
Bukti lain :
Sehingga
∑ ¿t2
= 1+ ¿
n
m ¿
¿
¿ σ2
∑ ¿t2
¿
m(t) = mn ¿
¿
2 2
σ r
+¿
2
=E
nσ nσ n
t
. et … et
σ
√n √n √n
x x
(e ) … . E (e )
μ μ
=E
n n
t t
σ σ
√n √n
{E (e )}n
x μ
=E
n
t
σ
√n
[ m ( e )]−h< t
x μ
n
t
σ
√n
= σ
<h
√n
t
Dalam m(t) ganti t dengan σ
dandiperole h
√n
n 2 2
t t 2 (m ( 5 ) −σ )t
m ( )
σ
√n
=1+ σ +
√n 2 n σ2
t
dimana 5 diantara 0 dan σ
dengan−h σ √ n< t< h σ √ n
√n
{ }
n 2 2
lim ( m (5 )−σ 2) =0
n →∞
Sehingga
1
2
lim ( m ( t ; n ) )=e untuksemuabilanganrielt .
n →∞
Dan variance I.
n
Y n=
( ∑ X i−nμ
i=1
) .σ
√n
= √ n(xn−μ)/σ
M(t;n)
Contoh:
Suatu tes kemampuan dari suatu SMU wilayah menunjukkan rataan skor dan varians
bentuk adalah 60 dan 64. Suatu sekolah khusus bearukuran 100 siswa member rataan skor
58. Apakah sekolah tersebut termasuk bagian dari populasi SMY di wilayah tersebut.
Pemecahan:
Misalkan X bar menyatakan rataan dari n=100 siswa dari populasi dengan
μ 60 dan σ 2 ≤ 064
√n ( Xbar−μ )
σ ∞ N ( 0,1 )
Karena peluang ini sangat kecil maka sekolah khusus tersebut tak dapat dipandang sebagai
berasal dari populasi SMU wilayah yang mempunyai rataan 60 dan varians
2
σ =64 se h inggasekola h tersebutadala h diluarnya
Soal:
1. Misalkan X bar adalah rataan sampel acak berukuran 100 cari suatu sebaran
taksiran
X 2 ( 50 ) hitungla h nilai pendekatanP ( 49< Xbar <51 )
❑
2. Misalkan Y ∞ b ( 72,5 ) taksirla h Pr ( 22 ≤Y ≤ 28 )
Y 1
3. Misalkan Y ∞ b ( 0,55 ) , carila h nilaiterkecildarinse h ingga Pr ( , ≥0,95)
3 2
Jika seorang mencari selang kepercayaan untuk μ dan jika varians σ 2 untuk sebaran
tak normal tidak diketahui, dia boleh mencari dengan sampel besar.
Jika syarat tersebut terpenuhi maka S2, varians dari contoh acak berukuran n ≥2
konvergen s tokas titik ke σ 2 maka
Pembilang memiliki sebaran limit N(0,1) dari penyebut konvergen stokastik ke-1. Karena
itu √ n−1(x−μ)/ S memiliki sebaran limit N(0,1) kenyataan ini menyanggupi kita
mencari selang kepercayaan untuk μ , ketika syarat dipenuhi oleh penduga lain ketika
dibicarakan.
[ ]
Y −℘
−2< <2 =0,954
Kita peroleh Pr
√(
n
Y
n
Y
)
(1− )
n
Y
−p
Y −℘ n
Karena =
√( )
n
Y
n
Y
(1− )
n (√ Yn )(1− Yn )/n
Peluang pernyataan diatas mudah dilukiskan dalam bentuk
Y
[ √
Pr −2
n n
Y
Y n (1− )
n Y
, +2
n n√ ]
Y
Y n (1− )
n
Y −np
Z= memiliki sebaran limit N(0,1) dan nyatakan kejadian -2<Z<2
√ n ( 1− p ) p
equivalen dengan kejadian.
Y + 2−2 {√ 1− Yn }+1
n+4
Jika seseorang ingin 95% selang kepercayaan untuk p, yang tidak tergantung pada
sebaran limit, dia dapat membentuk sebagai berikut. Tentukan dua fungsi nilai p, katakan
C1(p) dan C2(p) sehingga untuk setiap nilai p diperoleh paling sedikit pendekatan Pr[C 1(p) ,
YC2(p)] 0,95 alasan bahwa ini dapat pada pendekatan terletak pada kenyataan bahwa Y
memiliki sebaran sejenis diskrit dan karena itu, secara umum tak mungkin diterima
peluang 0.95 dengan tepat. Dengan C1(p) fumgsi menurun, mereka mempunyai nilai invers
tinggal, katakan d1(y) dan d2(y) bertutur-turut. Karena itu kejadian C1(p)< Y< C2(p) dan
d2(y)<p M d1(y) adalah ekivalen sehingga diperoleh pendekatan.
Dalam hal ini sebaran binomial, fungsi C1(p), C2(p), d2(y) dan d1(y) tidak dapat dicari
tetapi sejumlah bukan melengkapi tabel d2(y) dan d1(y) dalam berbagai nilai N.
Contoh:
(0,2−2 √ 0,2.0,8
100
.0,2=2
100 )
√0,2.0,8 atau( 0,12; 0,28)
Y −np
−2< Z <Z ; Z =
√np (1−P)
Y + 2−2
√[ Y ( n− y )
n+ 4
n ]
+1
< μ<
Y +2−2
n+4
√[
Y ( n− y )
n
+1 ]
22−2 (√ 1600
100 ) ,
√
+1 22−2 (
1600
100 )
+1
104 104
(0,13;0,29)
Berdasarkan pada tabel yang sesuai, dapat sesuatu perkiraan 95% selang
kepercayaan dengan limit: d2(20)=0,13 dan d1(20) = 0,29. Varians dari Y/n adalah fungsi
dari p menyebarkan kesulitan kita untuk mencari selang kepercayaan untuk p, cara lain
untuk menangani masalah ini adalah dengan mencoba suatu fungsi μ ( Yn ) dari Yn ,
dimana variansnya diutamakan bebas dari p karena Y/n konvergen stokatis ke p, kita dapat
memperkirakan μ ( Yn ) dengan dua suku pertama dari perluasan taylor terhadap p yaitu
dinamakan v ( Yn )=μ ( p )+( Yn − p) μ( p) memang v(Y/n) adalah fungsi linear dari Y/n
juga memiliki suatu pendekatan sebaran norma: jelasnya memiliki rataan u(p) dan varians.
( p)
u¿
¿
¿
Tetapi limit akhir seharusnya kelas dari p2 karena itu kita buat sama dengan konstanta
menghasilkan persamaan diferensial.
c
[u ( p ) ]
√ p(1− p)
Dan puncaknya adalah
Jika diambil c=1/2 diperoleh. Karena u(Y/n) nilai pendekatan sama v(Y/n) menghasilkan
U ( Yn )=arc sin √ Yn
1
Hal ini suatu pendekatan normal dengan arc sin √ p dan varians
. Karena itu kita
4n
dapat suatu pendekatan 95,4% selang kepercayaan dengan menggunakan
(
Pr= −2<
√
1
4u
)
< 2=0,945
dan pertidaksamaan diselesaikan untuk
p.
Soal:
1. Misalkan nilai pengamatan x́ dari suatu sampel acak berukuran 20 dari sebaran
n ( μ ,80) adalah 81,2, carilah selang kepercayaan 95% untuk μ .
2. Misalkan x́
rataan dari contoh acak berukuran n dari suatu sebaran N( μ ,9).
Carilah n sedemiakian diperkirakan P r ( ( x−1<´μ x́ +1 ) )=0,99 .
i
ESTIMATION
Ada beberapa metode dalam melakukan pendugaan sesudah dibicarakan antara lain:
1. Metode klasik
2. Metode bayes
Pada pembicaraan dalam statistik dasar umumnya yang kita bicarakan adalah metode
klasik. Beberapa pengertian yang telah dipelajari adalah:
1. Penaksir (penduga) ialah sesuatu nilai yang dapat diyakini mewakili atau
mencirikan parameter.
2. Penaksir (penduga) tak bias adalah penaksir yang rataannya adalah parameter.
3. Penaksir yang bervarians miimum, ialah penaksir dengan varians terkecil sering
disebut dengan penaksir efesien.
4. Penaksir konsisten, ialah penaksir yang sifatnya mendekati parameter apabila
ukuran sampel yang digunakan menaksir makin diperbesar.
5. Penaksir terbaik ialah penaksir yang bias dan bervariasi minimum.
Penaksir (penduga) serimg disebut juga keputusan statistik yang digunakan untuk
memperoleh dugaan itulah penduga (penaksir) atau fungsi keputusan.
2 2
S : adalah fungsi keputusan dari contoh ( sampel ) acak sebagian penduga σ
(varians).
- : ruang keputusan adalah kumpulan semua kemungkinan nilai dugaan yang dapat
Contoh:
Anggap bahwa sebaran awal bagi proporsi P sebaran catat yang dihasilkan oleh
suatu mesin adalah
P 0,1 0,2
f(p) 0,6 0,4
Dugaan proposi barang cacat yang dihasilkan oleh mesin ini bila dalam sebuah contoh dua
barang satu barang cacat.
Contoh:
Bila p −¿ 0,1 maka peluang bahwa dalam suatu sampel acak dua barang
terdapat satu cacat b ( a: 2, 0,1 ) = (21) ( 0,1 ) , (0,9) = 0,18 begitu pula bila p = 0,2
maka:
Untuk menghitung peluang posterior bagi parameter p gabung peluang sebesar 0,18 dan
0,32 dengan peluang awal dengan menggunakan rumus Bayes.
P ( B1 ) P ( A|B1 )
Sebaran P ( B1| A )=
P ( B1 ) P ( A|B1 ) + P ( B 2) P ( A|B2 )
(0,6)(0,18)
¿
( 0,6 ) ( 0,18 ) +(0,4 )(0,32)
= 0,46
¿ 1−0,46
= 0,54
Dengan demikian sebaran posterior bagi proporsi barang cacat dalam populasi
Misal x nilai tengah sampel berukuran n yang ditarik dari suatu populasi dengan varians
σ 2 (diketahui), dan sebaran awal nilai tengah populasinya adalah sebaran normal
dengan nilai tengah μ0 dan varians σ 2 , maka sebaran posterior bagi nilai tengah
populasinya merupakan normal dengan nila tengah μ1 dan varians σ 12 yaitu:
2 2 2 2
n x́ σ 0+ μ 0 σ 0 σ 0 +σ
μ1 = 2 2
atau 2 2
μ0 σ 0 + σ n σ 0 +σ
Catatan :
Contoh :
Diketahui dari suatu perusahaan lampu neon umur lampu hidup menyebar normal
dengan simpangan baku 100 jam. Dipercaya bahwa berdasarkan pengalaman μ merupakan
nilai yang menyebar normal dengan μ0=800 jam dan σ 0 =100 jam. Secara acak
diambil sampel 50 lampu menyala umurnya 780 jam. Tentukanlah selang kepercayaan
Bayes bagi μ.
Menurut teorema, sebaran posterior bagi nilai tengah menyebar normal dengan
nilai tengah.
2 2 2 2
n x́ σ 0 + μ0 σ 0 σ 0 +σ
μ1 = 2 2 dan 2 2
μ 0 σ 0 +σ n σ 0 +σ
25.000 . 102 +800. 1002
μ1 = =796
25.102 +(100)2
2 102 . 1002
σ 1 = 2 2
=80
25. 10 +( 100)
μ−Z y σ 1 ˂ μ ˂ μ 1+ Z y σ 1
2 2
100 100
780−1.96 ˂ μ ˂780+1.96 ˂ μ ˂ 796+1.96 √ 80
√ 25 √ 25
740.8 ˂μ ˂ 819.2
Catatan :
{
1− x
f(x) = θ x ( 1−θ ) x=0.1
0, untuk yang lain
dengan 0 ≤θ ≤ 1
L(θ)=θ ∑ x 1( 1−θ)n−∑ x 1 , 0 ≤θ
θ )= ∑ x1n−∑ x 1
= = 0 . maka θ bukan θ atau 1 ( 1 – θ ¿∑ x = (
¿ θ 1−θ
n−∑ x1 ) yang member jawaban
x x
θ = ∑n yang berarti ∑n memaksimalkan L θ ) mudah di cek unntuk xi
¿
berikut 0 atau 1.
n
1
θ= ∑ x1 disebut penduga maksimum likelihood dari θ
n 1
Misalnya bila n = 5 x = 0 , x 2 = 1 ,
1
x 4 = 1 , L( θ ¿ = θ3 (1−θ)2 maka θ =
3
5
Contoh:
μ ( X 1 , X 2 , … .. X n ) =
∑ ( xi )
n
1
n∑ 1
θ^ = μ ( X1 , X 2 ,….. X n ) = (x ) = x
Soal :
{
x 0
θ e
X=0,120 ≤ θ<∞
a. Fx = x!
0 untuk yang lainya
{
1 −x/ 0
, e , 0<1 ≤ 0<θ< ∞
c. Fx = θ
0 untuk yang lainya
{
1 −(x/ 0)/0,2
x1 ,e , θ1 < X ≤ ∞ ,−0 ∞ <θ1 < ∞< 0<02 <∞
a. , θ1 , θ2 )= θ
F¿
0, untuk yang lainya