STATISTIK TATAAN

Misalnya X 1 , X 2 ….. X n suatu sampel acak berukuran n dari suatu populasi

dengan fungsi sebaran F(X) atau fungsi kepekatan F(x) X 1 , X 2 ….. X n diurutkan dari
terkecil hingga terbesar menjadi Y 1 ,Y 2 … ..Y n sehingga Y 1 ≤ Y 2 ≤ … Y r ≤ … ≤ Y n
maka Y 1 ,Y 2 … ..Y n disebut statistik tataan (urutan) statistic tataan ke r ialah nilai
terkecil ke r dalam sampel misalnya Y r

Katakanlah g (y1,y2,…yn) adalah fungsi kepekatan bersama Y 1 ,Y 2 … ..Y n maka

y 1 , y 2 … .. y n = ( n ! ) f ( y 1 ) f ( y 2 ) … f ( y n ) ,a < y 1< y 2<… yn< b

= 0, untuk yang lain

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

Untuk setiap titik (x 1 , x 2, x 3 )

fkp bersama adalah nol yang mempunyai paling sedikit
dua kordinat yang sama. Himunan A, dimana f ( x 1 ) f ( x 2 ) f ( x 3 ) >0 adalah gabungan 6
himpunan yang saling lepas.

x 1 , x 2, x 3
A1 = ¿ ; a< x 1 , x 2, x 3< b },
¿

A2= {( x 1 , x 2, x 3 ) ; a< x1 , x 2, x 3 <b } ,

A3= {( x1 , x2, x 3) ; a< x 1 , x 2, x 3< b } ,

A4= {( x 1 , x 2, x 3 ) ; a< x1 , x 2, x 3 <b },

A5= {( x 1 , x 2, x 3 ) ; a< x1 , x 2, x 3 <b },

A6= {( x1 , x2, x 3) ; 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 ¿

0 = untuk yang lain

Contoh

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 ) )

¿ 6 f ( y 2 ) f ( y 2 ) ( 1−f ( y 2 ) ) a< y 2< b

Sehingga P( Y 2 ≤ m ¿=∫ 6 f ( y 2 ) F ( y 2)(1−F( y2 ))dy 2

a

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

Jika a< y n <b maka marginal y n adalah

yn y4 y3 y2

gn ( yn )=∫ … ∫ … ∫ … ∫ n ! f ( y 1 ) f ( y 2) f ( y 3 ) … f ( y n ) dy 1 dy2 dy 3 … dy n−1

a a a a
 yn y4 y3 y2

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

(¿¿ n) dy 3 … dy n−1 gn ( y n )=∫ … ∫ ¿

a a
−[ F ( a ) ] 2
n ! (¿ ) f ( y 3) … f ¿
2
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 )

F ( y n ) n−1 f ( y n ) , a< y n <b=0, selainnya

gn ( y n )=n ¿

Berikut ini akan ditunjukkan fungsi kepekatan marginal Y1 dalam suku-suku

F(X) dan f(x),a<x<b

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

¿ n !∫ … ∫ … ∫ … ( 1−¿ F ( y n−1) ) f ( y n−1 ) dy n−1 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

¿ n !∫ … ∫ … ∫ … ( 1−¿ F ( y n−1) ) f ( y n−1 ) dy n−1 f ¿

y2 y n−3 y n−2

y
y
y
(¿¿ n−2)dy n−2 … dy 2
= (¿ ¿2) … f ¿
(¿¿ 1)¿
b b y n−1=b

n !∫ … ∫ … ∫ … ( 1−¿ F ( y n−1 ) ) dF ( y n−1 ) f ¿

y2 y n−3 y n−1= y n−2

y
y
y
(¿ ¿ n−2) dy n−2… dy 2
(¿¿ 2)… f ¿
= (¿¿ 1) ¿
yn −1=b

[−¿ ∫ … ( 1−¿ F ( y n−1) ) d ( 1−¿ F ( y n −1 ) ) ]f ¿

y n−1=y n−2

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

Dengan integral selengkapnya

1−F ( y n−1 ) n−1

¿
y
(¿¿ 1)
¿
g1 ( y 1 )=n ! ¿

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

Karena untuk y > 0

y
y
y [ F ( y )−F ( w ) ]
y

∫ [ 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 ) !

Untuk a< y i < y b <b=0, selainnya

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 :

Dapat dihitung F(x)=x,0<x<1,sehingga fkp bersama untuk Y 1 ,Y 3 adalah:

Dengan menambah syarat Z 1=Y 3 dan Z 2=Y 3 .Pandanglah fungsi Z 1= y3 − y 1,

dan Z 2= y3 dengan invers y 1=z 2−z 1 dan y 3=z 2 maka determinan jakobi adalah:

j=
[ ∂ z1 ∂ z2 ]
∂ y 1 ∂ y 1 −1 1
=
0 1
=−1

karena untuk y > 0,

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 ) !

F(yi)f(yj), umtuk a < yi <yj< b,

= 0, selainnya.

Contoh :

Misalkan Y1, Y2, Y3 statistik tatanan dari contoh acak berukuran 3 dengan fkp

f(x) = 1, 0 < x < 1

= 0, selainnya

Carilah fkp dari Z1= Y3- Y1

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) !

= 6Y3- Y1 , untuk a < yi < yj < b,

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

h2( z1) = ∫ 6 z 1 ( 1−z 1 ) , 0< z 1<1

z1

= 0 , selainnya .

SEBARAN LIMIT

Defenisi : misalkan Fny merupakan sebaran fungsi peubah acak Yn yang bergantung pada n
bilangan posititf, jika :

1. F( y) merupakan fungsi sebaran peubah acak Y

2. nlim
→∞
F n y=F ( y ) pada setiap titik kekontinuan F (y) maka f (y) disebut sebagai
sebaran limit dari peubah acak yn.

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 .

Fungsi sebaran Yn adalah

Fn(y)=0 , y <0

y n
¿ ,0 ≤ y <θ
θn
y n−1
∫ ¿ nzθ n dz=¿
0

=1, θy< ∞

lim F n y=0,−∞< y <θ

n →∞

=1, θy< ∞

Sekarang F(y) = −∞ ≤ y <θ

=1, θy< ∞

F(y) adalah fungsi sebaran , sedangkan lim F n y=F ( y ) untuk setiap titik kekontinuan
n →∞

peubah acak Yn.

Contoh :
2
x −nw
1 dw

Misalkan x n memiliki fungsi sebaran Fn( x n ¿ = ∫¿ l 2

dengan

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

Sedangkan F(x) = 0 , x <0

=1, x >0

Adalah fungsi sebaran lim F n x pada setiap titik kekontinuan dari F(x) namun
n →∞

lim F n ( 0 ) ≠=f (10) ,tetapi f ( x ) tak kontinu di x=0.

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 →∞

Fungsi pembangkit momen dari sebaran poisson adalah:

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

Karena μ ( n ) → 0 bila n → ∞maka φ ( n )=0untuk setiap nilai t .

2
t
Demikian hingga lim M ( t ; n )=e 2
untuk semua bilangan riel.
n →∞

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:

1. misalkan peubah acak z n menyebar poisson dengan parameter μ

menyebar poisson dengan parameter μ=n .

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 !

3. Misalkan x n menyatakan sampel acak berukuran n dari sebaran poisson

dengan parameter μ=1.
a. Tunjukkan bahwa fungsi pembangkit momen dari Y n=
√ n( x−μ) =√ n
σ
1
(x-1) adalah -t √ n +n ( √ n−1 )
e
b. Selidiki sebaran limit Y n untuk n → ∞

BEBERAPA TEOREMA PADA SEBARAN LIMIT

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 ≠ 0. Peubah acak U n /c
konvergen stokhantik ke −1 √ c

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:

telah diketahui: lim (U n−( I ≥ ε )) = 0 untuk setiap ε > 0

n→∞

Akan dibuktikan

lim (U n−(I ≥ ε)) = 0 untuk setiap ε > 0

n →∞

Sekarang: lim (U n−( I ≥ ε)) = Pr [I( √ U n− √ ε )( √ U n +√ ε ) I ≥ε¿

n →∞
 ε
= Pr ( √ U n−√ ε I ≥
√ U n +√ ε
ε
= Pr ( I √ U n− √ ε I ≥ )
√Un
ε
Jadi misalkan ε = akan dihitung limitnya untuk n → ∞ diperoleh 0 =
√c
lim Pr ⁡( I U n −CI ≥ ε)
n →∞

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:

Mis: Yn adalah peubah acak menyebar b(n,p), 0<pI

Yn−np
Kita mengetahui bahwa Un= memilikisebaranlimit (0,1)
√np (I − p)
Juga Y n konvergen stokhastik kepada P

1- Y n n konvergen stokhastik kepada I-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− )

Akan memiliki sebaran limit n(0,1)

Jadi pendekatan

Y
¿
¿n
¿
m
Katakan Vn== 1−Y ¿
¿
¿
¿
¿
¿
¿
¿

Dengan teorema barusan

Yn−np
WnUnVnyaitu

√ n n
(
n
Yn
) Yn
(1− )

Akan memiliki sebaran limit n (0,1)

[ ]
Y −np
Pr −2< <2 =0,954
Jadi Pendekatan y Y
n ()
n
(−1 )
n

Soal:

1. Mis Un Konvergen ke C dan Un Konvergen stokhastik ke d. Buktikan :

a. Un+Vn konvergen stokhastik ke (c+2)
b. Un. Vn konvergen stokhastik ke cd
c. Un. Vn konvergen stokhastik ke c/d, d ≠ 0
2. Mis
X 1 , … X n danY 1 … , Y n suku−sukudarisampelacakyangindependenmasing−masingberukurann , da
μ2 danvarianceσ . Carilahsebaranlimitdari

TEOREMA SENTRAL LIMIT

Teorema : Misalkan
x 1, x 2 , … x n adala h sampelacakdarisebarandenganrataanμdan

variancepositifσ , makapeubah acak :

n

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

V( Z 1 )= I dan E( Z i ¿=0, fpmdari Z i

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.

lim log M n ( t ) =t 2 lim log M n ( t )=C2

n→∞ n→ ∞
atau
2 2

Dimana ini adalah fpm sebaran normal baku sehingga Y n konvergen dalam sebaran
normal standart baku:

Bukti lain :

M(t)= E [ e t (x−n) ]=e μ M (t)

Katakan, -h t h karena m (t) adalah fpm untuk X- μ harus memenuhi m (t). m I ( 0 ) =¿

11
m (0 ) E
E(X- μ ¿ 0 dan σmenurutrumusTayloradaantara 0 dant
( X −μ ) 2

Sehingga

M(t)=m(0)t+ m11 ( ∑ ¿t2

∑ ¿t2
=1+0+ ¿
n
m ¿
¿

∑ ¿t2
= 1+ ¿
n
m ¿
¿

Jika σ 2 r 2 2 ditambah dan dikurangkan maka

¿ σ2
∑ ¿t2
¿
m(t) = mn ¿
¿
2 2
σ r
+¿
2

berikutnya pandang M (t;n) dimana

M(t;n)=E
[ ( exp t
∑ x i−nμ
σ √n )]
[e ]
x μ x μ x μ

=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

menurut itu m(t;n)= t 2 ( m ( 5 )−σ )

t +
2n 2nσ2

Karena itu m ( t;n) kontinu t=0 dan 5 → 0bilan → ∞ diperoleh

lim ( m (5 )−σ 2) =0
n →∞

Sehingga
1
2
lim ( m ( t ; n ) )=e untuksemuabilanganrielt .
n →∞

Hal ini menunjukkan bahwa

√ n ( X n−μ )
Y n= mempunyaisebarannormallimitdengancatatan 0
a

Dan variance I.
n

Y n=
( ∑ X i−nμ
i=1
) .σ
√n
= √ n(xn−μ)/σ
M(t;n)

Limit M(t;n)= e t → fpmn(0,1)

2

Teorema ini mengatakan dengan tetap positif bila peubah acak

√ n ( x−μ ) memiliki suatu
σ
pendekatan sebaran normal rataan nol dan variance satu, dan dalam terapan digunakan
fungsi dapat peluang pendekatan normal.

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

Kita ingin menaksir P (X) ≤ 58

√n ( Xbar−μ )
σ ∞ N ( 0,1 )

P(X bar ≤58 ¿=P ( √58−100

64/100 )

=p(Z ≤−2,5 ¿=0,0062

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

[ √n ( x́−μ)/σ ] √n−1( x−μ)

=
√ n S 2 /(n−1) S

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.

Kita akan memandang persoalan menentukan selang kepercayaan parameter P yang

tak diketahui yang menyebar binomial dengan parameter n diketahui. Misalnya Y
menyebar b(n,p), 0 p < 1 dan n diketahui. Telah diketahui pada sebaran proporsi rataan.
Proporsi adalah y/n .kita akan gunakan seperti cara contoh diatas. Mencari penduga 95,4%
selang kepercayaan untuk rataan p.

[ ]
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

Mengandung frekuensi 95,4% selang untuk P

Nilai 95,4% dapat dicari dari daftar Z dengan rumus

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.

Pr [d2(y)< p< d1(y)]= 0,95

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:

Ambil n=100 dan y=20, pendekatan/taksiran 95,4 % selang kepercayaan adalah

(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

U(p) = 2 c arc sin √ p

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

arc sin √ Y /n−arc sin √ p

(
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

3. Misalkan x 1 , x 2 , … x g suatu contoh acak berukuran g dari sebaran N ( μ σ 2 )

a. Jika σ diketahui cari panjang dari 95% selain kepercayaan yang didasari

pada peubah acak

√9 ( x́−μ ) .
σ
 b. Jika σ tidak diketahui carilah nilai harapan dengan panjang dari 95%
selang kepercayaan untuk μ jika selang didasari pada peubah acak
√9 ( x́−μ ) .
s
c. Bandingkan kedua jawaban a dan b.
1
( E ( s )=σ / √n E [ n s /σ ] )
2 2 2

4. Misalkan Y b (300,p) jika nilai pengamatan Y adalah y = 75 carilah

pendekatan 90% swlang kepercayaan untuk p.
5. Suatu sampel berukuran n = 1.000 orang memilih secara acak dipilih dari suatu
kota, menunjukkan y = 500 orang setuju untuk Evi. Perkirakanlah perbandingan
pemilih yang setuju dari populasi memilih Evi, tunjukkan pula batas penyimpangan
penduga.

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

diambil oleh suatu penduga.

θ^ : penaksir tak bias parameter θ^ E ( θ^ ) =θ

θ^ : penaksir bias bila tak memenuhi E ( θ^ ) =θ

Besarnya bias B adalah E ( θ^ ) −θ

Metode pendugaan klasik mendasarkan semata-mata pada informasi yang

dikandung dalam contoh, sedangkan metode Bayes menggunakan atau menggabungkan
pengetahuan subjektif mengenai sebaran peluang parameter yang tidak diketahui tersebut
dengan informasi yang diperoleh dari sampel (contoh).

Misalkan bahwa informasi tambahan mengenai θ diberikan yaitu bahwa

parameter bervariasi menurut suatu sebaran peluang tertentu, disebut sebaran awal dengan
nilai tengah awal μ0 dan ragam awal σ 02 . Peluang yang berkaitan dengan sebaran
awal disebut peluang subjektif dengan pengertian bahwa peluang ini mengukur derajat
kepercayaan seseorang mengenai lokasi parameternya.

Teknik Bayes menggunakan sebaran awal bersama-sama dengan bukti yang

dikandung oleh contoh, untuk menghitung sebaran pasterior bagi θ . Penarikan
kesimpulan mengenai parameter populasi selanjutnya didasarkan pada sebaran pasterior.

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:

b ( a: 2, 0,1 ) = (21) ( 0,2 ) , (0,8) = 0,32

Untuk menghitung peluang posterior bagi parameter p gabung peluang sebesar 0,18 dan
0,32 dengan peluang awal dengan menggunakan rumus Bayes.

Katakan A : Banyaknya barang cacat dalam sampel = I

B1 : Proporsi barang cacat adalah p = 0,1

B2 : Proporsi barang cacat adalah p = 0,2

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

Dan mengenai pengurangan diperoleh :

P ( B2| A )=1−P ( B2| A )

¿ 1−0,46

= 0,54

Dengan demikian sebaran posterior bagi proporsi barang cacat dalam populasi

Teorema = sebaran posterior bagi nilai tengah (rataan)

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 :

- Jarang σ2diperoleh sehingga diganti dengan S2 asal n ≥ 30

- Nilai tengah μ1 digunakan sebagai dugaan titik populasi μ dengan selang
kepercayaan Bayes (1 - ∞ ) 100% sehingga μ−μ y σ 1 ˂ μ ˂ μ 1+ μ y σ 1 yang
2 2

berpusat pada nilai tengah posteriornya dan mengandung γ =(1−∞)100

peluang posteriornya.

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)

Sehingga selang kepercayaan Bayes 95% bagi µ

μ−Z y σ 1 ˂ μ ˂ μ 1+ Z y σ 1
2 2

796 - 1.96 √ 80 ˂μ ˂ 796 + 1.96 √ 80

77.5 ˂μ ˂ 813.5

Bila informasi awal mengenai μ diabaikan maka μ dapat ditaksir

x−Z y 2 ( √σn ) ˂ μ ˂780+ Z ( √σn )

y2

100 100
780−1.96 ˂ μ ˂780+1.96 ˂ μ ˂ 796+1.96 √ 80
√ 25 √ 25
740.8 ˂μ ˂ 819.2

Nampaknya lebih panjang dari selang kepercayaan Bayesnya.

Catatan :

Penggunaan daftar peluang sebaran normal harus diperhatikan karena ada

menggunakan daftar Z σ /2 ada dengan Z y /2 yang mengarah pada tujuan yang sama.

Matode Maksimum Likelihood

Misalkan X1,X2,...Xnsuatu sampel acak dari sebaran dengan pdf

{
1− x
f(x) = θ x ( 1−θ ) x=0.1
0, untuk yang lain

dengan 0 ≤θ ≤ 1

Peluang untuk x1 = x1,x2, =x2………xn=xn dengan pdf bersama

θ x 1(1−θ)1−x 1θ xn=θ ∑ x 1(1−θ)n−∑ x 1 3 dipandang sebagai fungsi θ dan
θ
dapat dilambangkan dengan ) likelihood function.
L¿

L(θ)=θ ∑ x 1( 1−θ)n−∑ x 1 , 0 ≤θ

Kita bertanya nilai θ mana untuk memaksimalkan peluang L ( θ ¿ yang diperoleh

dari sampel pengamatan x1, x2, …….xntentunya memaksimalkan nilai θ akan
dipandang sepantasnya penduga yang baik dari θ karena menampilkan peluang terbesar
dari sampel utama.

Memaksimalkan L( θ ¿ sama saja dengan memaksimalkan In L( θ ¿

n n
In L( θ ¿ = ( ∑ x 1) In + In < L θ ) + (n - ∑ x1 n ) In θ ) sehingga dalam
1
¿ 1
¿

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

Prinsip dari metode likehood

- pandang contoh acak X1 , X 2 ,….. X n dari sebaran pdf f ( x ;θ ) ,θ ∈ Ω .

- Peluang bersama X 1 , X 2 ,….. X n adalah f ( x 1 ; θ ) , f ( x 2 ; θ ) , … f ( x n ; θ ) . Sebagai

fungsi θ L ( θ ; X 1 , X 2 , … .. X n )=f ( x1 ; θ ) , f ( x n ;θ ) ,θ ∈ Ω .

- Diharapkan bahwa diperoleh fungsi non trival dari X 1 , X 2 ,….. X n katakan

M ( θ ; X 1 , X 2 , … .. X n ) sehingga bila θ diganti dengan μ ( θ ; X 1 , X 2 , … .. X n ) f
likelihood L maksimum.

L ( μ ( X 1 , X 2 , … .. X n ) ); X 1 , X 2 ,….. X n paling sedikit sebesar L

( θ ; X 1 , X 2 ,… .. X n ) untuk setiap θ ∈ Ω .

- Maka statistik μ ( X 1 , X 2 , … .. X n ) akan disebut penduga maksimum likelihood dari θ

^
dan ditulis θ=μ ( X 1 , X 2 , … .. X n ) pada umumnya member nilai yang tunggal.

Contoh:

Katakan X 1 , X 2 ,… .. X n suatu peubah acak dari sebaran normal ( θ , 1 )−∞ <θ< ∞ .

Carilah penduga maksimum likelihood untuk θ fungsi likelihood.
 2
( xi )
1 −∑
2
L ( θ ; X 1 , X 2 , … .. X n )= e
√2 π
Turunan pertama dari L=θ atau turunan pertama dari ln L.
n
d ln L ( θ ; X 1 , … , X 2 )
dθ
dan akan diperoleh ∑ x i−θ sehingga peubah acak intuk
1
θ yaitu :

μ ( X 1 , X 2 , … .. X n ) =
∑ ( xi )
n

1
n∑ 1
θ^ = μ ( X1 , X 2 ,….. X n ) = (x ) = x

Adalah jawaban tunggal penduga maksimum likelihood dari rataan θ .

Soal :

1. Misalkan X 1 , X 2 , X 3 … .. X n contok acak dari setiap sebaran dengan pdf berikut

{
x 0
θ e
X=0,120 ≤ θ<∞
a. Fx = x!
0 untuk yang lainya

b. Fx = {θ X θ−1 , 0<1 ≤ 1< θ<∞

0 untuk yang lainya

{
1 −x/ 0
, e , 0<1 ≤ 0<θ< ∞
c. Fx = θ
0 untuk yang lainya

2. Misalkan X1 , X 2 ,….. X n contok acak dari setiap sebaran dengan pdf

berikut

{
1 −(x/ 0)/0,2
x1 ,e , θ1 < X ≤ ∞ ,−0 ∞ <θ1 < ∞< 0<02 <∞
a. , θ1 , θ2 )= θ
F¿
0, untuk yang lainya

Carilah penduga maksimum likelihood θ1 dan θ2