Ebook-Statmat2 PDF
Ebook-Statmat2 PDF
i
Statistika Matematis II/ Edisi E-book
3.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 51 4.3.3 Metode Evaluasi Estimasi Interval . . . . . . . . . . . 121
3.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.3.4 Estimasi Interval Kepercayaan Khusus . . . . . . . . 124
3.3.1 Prinsip Reduksi Data . . . . . . . . . . . . . . . . . . . 52 4.3.4.1 Interval Kepercayaan untuk Mean . . . . . . 124
3.3.1.1 Azas Kecukupan . . . . . . . . . . . . . . . 52 4.3.4.2 Interval Kepercayaan untuk Perbedaan Mean126
3.3.1.2 Teorema Halmos & Savage . . . . . . . . . . 55 4.3.4.3 Interval Kepercayaan untuk Variansi . . . . 127
3.3.2 Estimasi Titik . . . . . . . . . . . . . . . . . . . . . . . 59 4.3.4.4 Interval Kepercayaan untuk Rasio Dua Va-
3.3.2.1 Estimator Tak Bias . . . . . . . . . . . . . . . 60 riansi . . . . . . . . . . . . . . . . . . . . . . 128
3.3.2.2 Estimator Konsisten . . . . . . . . . . . . . . 62 4.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . 129
3.3.2.3 Estimator Efisien . . . . . . . . . . . . . . . . 63 4.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.3.2.4 Estimator Bayes . . . . . . . . . . . . . . . . 65
3.3.3 Metode Evaluasi Estimator Titik . . . . . . . . . . . . 67 5 Hipotesis Statistik 135
vi ISBN 978-602-8310-02-4 1
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Distribusi dari X harus kita selesaikan lebih dahulu. Karena variabel ran-
1.3.1 Konsep Dasar Distribusi Pendekatan dom X berasal dari distribusi seragam pada (0, 1), untuk menentukan
distribusi dari X akan digunakan teknik fungsi pembangkit momen. Se-
Pada kuliah Statistika Matematis I, telah dibahas distribusi variabel ran-
belumnya kita akan menentukan dahulu fungsi pembangkit momen dari
dom maupun distribusi fungsi variabel random secara eksak. Sering di-
X. Fungsi pembangkit momen dari X adalah:
jumpai sebuah variabel random yang distribusinya bergantung pada bi-
langan nulat positif n atau mungkin juga sebuah statistik, yang meru- Mx (t) = E(etx )
R 1 tx
pakan fungsi dari variabel random yang distribusinya juga bergantung = 0 e .1 dx
1 tx 1
pada bilangan positif n. Kadang-kadang ada masalah dalam mengitung = e t x=0
distribusi peluang variabel random, karena sulit menentukan fungsi kepa- et −1
= t
; t 6= 0
datan peluangnya. Oleh karena itu dalam bab ini akan dibahas cara
menentukan distribusi variabel random melalui pendekatan, apabila n Untuk t = 0 digunakan dalil L’Hospital
cukup besar.
t
Limt→0 Mx (t) = Limt→0 (e −1)
t
t
= Limt→0 e −1t
1.3.2 Menentukan Distribusi Pendekatan (
et −1
t
; t 6= 0
Jadi Mx (t) =
Ada tiga cara dalam menentukan distribusi pendekatan tersebut yaitu 1; t=0
melalui fungsi distribusi, fungsi pembangkit momen, dan teorema limit
Dari sini dapat dilihat bahwa fungsi pembangkit momen dari X bergan-
pusat. Ketiga cara tersebut akan dibahas secara satu persatu.
tung pada n, distribusi dari X juga bergantung pada n. Jadi kita tidak
dapat menentukan fungsi kepadatan peluang dari X , sehingga tidak da-
1.3.2.1 Melalui Fungsi Distribusi pat pula menghitung peluang untuk harga tertentu.
Masalah : Oleh karena itu, berikut ini akan dijelaskan suatu cara pendekatan untuk
menentukan distribusi dari sebuah variabel random bergantung pada bi-
Jika X adalah rerata dari sampel acak X1 , X2 , ..., Xn yang berasal dari dis-
langan bulat positif n.
tribusi dengan fungsi kepadatan peluang berbentuk:
(
1; 0 < x < 1 Sebagai kesepakatan dalam hal ini, fungsi distribusi akan dituis sebagai
f (x) = Fn dan fungsi kepadatan peluangnya ditulis sebagai fn . Apabila kita mem-
0; lainnya
bahas barisan fungsi distribusi, maka kita harus menuliskan indeks n pada
Hitung P (X < 0, 5). Kita menghadapai masalah dalam menghitung nilai
variabel randomnya. Misalkan penulisan:
ini, karena ternyata distribusi dari X, dan fungsi pembangkit momen dari
X bergantung pada n, sehingga nilai dari P (X < 0, 5) tidak dapat dihitung Z x
1 2/2
Fn X = p √ e−ny dy
dengan cara langsung. −∞ 1/n. 2π
Bab 1. Distribusi Pendekatan 2 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 3 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
merupakan fungsi distribusi dari rerata X yang dihitung dari sampel acak 2. Untuk 0 ≤ y < θ
R y n−1
1 n y
y n
berukuran n dan berasal dari distribusi N(0, 1). Fn (y) = 0 ntθn dt = θn
t 0 = θ
Def inisi
3. Untuk θ ≤ y < ∞
Rθ Ry
Misalkan Fn (y) adalah fungsi distribusi dari variabel random Yn yang Fn (y) = 0 gn (t) dt + 0 gn (t) dt
R θ ntn−1 R <0
bergantung pada bilangan bulat positif n. Jika F (y)adalah fungsi dis- = 0 θn
dt + 0 0 dt
tribusi dan Limt→0 Fn (y) = F (y) untuk setiap nilai y yang mengakibatkan = 1
F (y) kontinu, maka variabel random Yn dikatakan mempunyai distribusi
pendekatan dengan fungsi distribusi F (y). Jadi :
Contoh : Fn (y) = 0 ; y<0
y n
= θ
; 0≤y<θ
Misalkan Yn menunjukkan statistik urutan ke-n dari sampel acak
= 1 ; θ≤y<∞
X1 , X2 , ..., Xn yang berdistribusi dengan fungsi kepadatan peluang
berbentuk: (
0, −∞ < y < θ
limn→∞ Fn (y) =
1, θ ≤ y < ∞
1
f (x) = θ
; 0<x<θ;0<θ<∞
Sekarang ambil fungsi distribusi dari Y adalah:
= 0 ; lainnya
Apakah Yn mempunyai distribusi pendekatan ? (
0, −∞ < y < θ
F (y) =
Jawab: 1, θ ≤ y < ∞
Fungsi kepadatan peluang dari Yn adalah:
Karena Limn→0 Fn (y) = F (y) pada masing-masing nilai y yang menye-
babkan F (y) kontinu, menurut definisi, variabel random Yn mempunyai
gn (y) = n(F (y))n−1f (y) ; a < y < b
distribusi pendekatan dengan fungsi distribusi F (y).
= 1 ; Lainnya
Berikut ini akan diberikan sebuah contoh tenang sebuah variabel random
dengan :
Ry Ry 1 y yang mempunyai distribusi pendekatan degenerate.
F (y) = 0 f (x) dx = 0 θ
dx = θ
F (y) = F ′ (y) = 1θ Contoh
Bab 1. Distribusi Pendekatan 4 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 5 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Untuk y = −∞ maka t = −∞ Kita akan menentukan fungsi kepadatan peluang dari Zn dengan meng-
√ gunakaan teknik transformasi variabel random. Hubungan antara nilai
Untuk y = x , maka t = n x
yn dengan nilai Yn dengan nilai zn dari Zn diberikan sbb:
R √n x 1 −t2 /2 √
dt
Fn (x) = −∞
√ √ e
n
1/n. 2π
R √n x 1 −t2 /2 Zn = n(θ − yn )
= −∞
√ e
2π
dt
inversnya :
Limn→∞ Fn (x) = 0 ; x < 0 Zn
= 1
; x=0 yn = θ −
2 n
= 1 ; x>0 Jacobiannya :
dyn −1
Sekarang ambil fungsi distribusi dari X adalah : J= =
dzn n
dyn 1
F (x) = 0 ; x < 0 |J| = =
dzn n
= 1 ; x≥0
Ternyata Limn→∞ Fn (x) = F (x) untuk setiap nilai kontinu dari F (x). Fungsi kepadatan peluang dari Zn adalah:
Dalam hal ini, Limn→∞ Fn (0) 6= F (0), tetapi F (x)tidak kontinu di x = 1
hn (z) = θn
; 0 < z < nθ
0. Dengan demikian variabel random X n mempunyai distribusi pen-
= 0 ; lainnya
dekatan dengan fungsi distribusi F (x). Distribusi pendekatannya adalah
degenerate. Fungsi distribusi dari Zn adalah
Contoh
Rz R <0
1. Untuk z < 0, Kn (z) = 0
hn (t) dt = 0
0 dt = 0
Misalkan Yn menunjukkan statistik urutan ke-n dari sampel acak
X1 , X2 , ..., Xn yang berdistribusi seragam pada (0, θ), θ > 0. Jika Zn = Rz 1
t n−1
2. Untuk 0 ≤ z < nθ, Kn (z) = 0 θn
θ− n
dt
n(θ − Yn ),maka apakah Zn mempunyai distribusi pendekatan?
Jawab: 3. Misalkan : y = θ − nt ; dy = − n1 dt
Batas-batasnya:
Fungsi kepadatan peluang dari X adalah:
Untuk t = 0, maka y = θ
z
1
Untuk t = z, maka y = θ − n
f (x) = θ
; 0<x<θ;0<θ<∞
R θ− z
= 0 ; lainnya Kn (z) = n 1 n−1
y (−n) dy
0 θn
1 n θ
Fungsi kepadatan peluang dari Yn adalah: = θ n y θ− z
n
z n
Kn (z) = 1 − 1 − nθ
ny n−1
gn (y) = θn
; 0<x<θ
= 0 ; Lainnya 4. Untuk z ≥ nθ
Bab 1. Distribusi Pendekatan 6 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 7 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Penentuan distribusi pendekatan dengan menggunakan fungsi distribusi Kemudiankita akan menentukan fungsi pembangkit momen dari Yn .
bisa dinyatakan sebagai konvergen dalam distribusi yang akan dibahas Fungsi pembangkit momen dari yn adalah:
lebih lanjut pada Bab II.
tyn
M(t; n) = E(e! )
Pn n
1.3.2.2 Melalui Fungsi Pembangkit Momen = yn =0 etyn pyn (1 − p)n−yn
y
! n
Pn n y
Selain menggunakan fungsi distribusi, penentuan disribusi pendekatan = yn =0 (pet ) n (1 − p)n−yn
yn
dapat dilakukan melalui fungsi pembangkit momen. n
= ((1 − p) + pet )
µ µ t
n
Berikut ini diberikan sebuah teorema yang dikemukakan oleh Curtiss = h1 − n +t n en i
sebagai modifikasi dari teorema Levy dan Cramer yang menjelaskan = 1+ nµ(e −1)
Bab 1. Distribusi Pendekatan 8 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 9 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari dis- Fungsi pembangkit momen dari Yn adalah:
t
tribusi poison dengan rerata µdan M(t) = eµ(e −1) . Dengan demikian
tYn
Yn dikatakan mempunyai distribusi pendekatan dengan distribusi M(t; n) = M
n Yn (t)h =h E(e iio )
(Zn −n)
penekatannya adalah Poisson dengan rerata µ. = E exp t √2n
√ h √ i
= e−tn/ 2 .E etZn / 2
√
Contoh : = etZn / 2 .MZn ( √t2n )
√2 h i−n/2
= e−(t n )(n/2) 1 − 2 √t2n
h √2 q √ i
Misalkan variabel random Zn berdistribusi chi-kuadrat dengan derajat ke- = et n − t n2 et 2/n)
−n/2
1 (n/2)−1 −Zn /2
f (zn ) = 2n/2 .Γ( n
zn e ; Zn > 0 q h q i2 h q i3
2)
= (1 − 2t)−n/2 ; t < 1/2 mempunyai distribusi pendekatan berbentuk distribusi normal standar.
Bab 1. Distribusi Pendekatan 10 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 11 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Apabila sebuah variabel random mempunyai disribusi pendekatan maka 1. Teorema limit pusat yang pertama kali dikemukakan oleh Laplace
kita dapat menggunakan distribusi pendekatan itu sebagai distribusi yang pada tahun 1812 dan pembuktiannya yang lebih teliti dijelakan oleh
sebenarnya. Misalnya dari hasil contoh di atas, kita dapat menggunakan Liapounoff pada tahun 1901.
distribusi Poisson sebagai pendekatan dari distribusi Binomial untuk n be- T eorema
sar dan p kecil. Kemudian kita bisa menghitung peluang dari variabel ran- Jika Xi , I = 1, 2, 3, ..., n adalah n buah variabel random yang saling
dom yang berdistribusi binomial dengan menggunakan distribusi pois- bebas sedemikian hingga E(Xi ) = µi dan Var (Xi ) = σi2 maka vari-
son. abel random Sn = X1 + X2 + ... + Xn secara pendekatan berdistribusi
P P
N(µ; σ 2 ) dengan µ = ni=1 µi dan Var (Xi ) = ni=1 σi2
Contoh
Misalnya variabel random Y berdistribusi binomial dengan n = 50 dan 2. Teorema limit pusat berikut ini dikemukakan oleh De-Moiure’s dan
p = 0, 04. Hitung P (Y ≤ 1) dengan dua cara, yaitu cara eksak dan cara Laplace pada tahun 1833
pendekatan.
T eorema (
Jawab : 1 ; dengan peluang p
Jika Xi =
0 ; dengan peluang q = 1 − p
1. Cara eksak maka distribusi dari variabel random Sn = X1 + X2 + ... + Xn dengan
Dalam hal ini, kita menyelesaikannya dengan menggunakan dis- Xi saling bebas dan berdistribusi identik, secara pendekatan akan
ribusi binomial. berdistribusi N(np; npq) untuk n → ∞.
P (Y ≤ 1) = ! P (Y = 0) + P (Y =!1)
50 50 Bukti :
= (0, 04)0(0, 96)50 + (0, 04)1(0, 96)49
0 0 Fungsi pembangkin momen dari Xi adalah:
= 0, 1299 + 0, 2706
Mxi (t) = E [etxi ]
P (Y ≤ 1) = 0, 4005 P1 txi
= xi =0 e f (xi
)
2. Cara pendekatan = e .p + et(0) .q
t(1)
Bab 1. Distribusi Pendekatan 12 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 13 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari yang bebas dan berdistribusi identik dengan:
distribusi binomial dengan parameter n dan p.
E(Xi ) = µ; V ar(Xi ) = σ 2 ; i = 1, 2, ..., n
Sn −E(Sn ) Sn −np
Jadi E(Sn ) = np dan Var (Sn ) = npq, misalkan : Z = √ = √npq
Var (Sn )
Fungsi pembangkit momen dari Z adalah:
tZ
Mz (t) = maka variabel random Sn = X1 + X2 + ... + Xn secara pendekatan
n Eh eh iio
= E exp t S√nnpq −np berdistribusi normal dengan rerata µ = nµ dan variansi σ 2 = nσ 2
√
t
= e−tnp/ npq .Msn √npq
√ √ n
= e−tnp/ npq pet/ npq + q Bukti : Misalkan M1 (t) menunjukkan fungsi pembangkit momen
−tp/√npq t/√npq n
= e pe +q dari (Xi − µ1 ) dan M(t) menunjukkan fungsi pembangkit momen
−tq/√npq √ n
= n h e + q.e−tp/ npq i dari Z = Snσ−µ .
2 2 3 3
= p 1 + √tq npq
t q
+ 2npq + 6npq t q
√
npq
+ ...
h io n
t2 q 2 t3 q 3
+q 1 − √tq npq
+ 2npq + 6npq √
npq
+ ..
h p 2 3 2 Karena µ1 dan µ2 dari (Xi − µ1 ) diberikan dengan:
= p + t pq n
+ t2nq + 6npt √q npq + ... + q−
p 2 3 2
in
t pqn
+ t2nq + 6npt √q npq + ...
h 3
in
t2
Mz (t) = 1 + 2n + t6√(q−p)
npq
+ ...
µ1 = E(Xi − µ1 ) = E(Xi ) − µ1 = µ1 − µ1 = 0
n µ2 = E(Xi − µ1 )2 = σi2
t2 t3 (q − p)
Limn→∞ Mz (t) = Limn→∞ 1 + + √ + ...
2n 6 npq
n
t2 2
= Limn→∞ 1 + Limn→∞ Mz (t) = et /2
2n maka fungsi pembangkit momen dari (Xi − µ1 ) adalah:
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
M1 (t) = E et(xi −µ1 )
distribusi normal standar. Jadi Z = S√nnpq
−np
berdistribusi N(0; 1). Den-
= E 1 + t(xi − µ1 ) + 12 t2 (xi − µ1 )2 + 16 t3 (xi − µ1 )3 + ...
gan menggunakan teknik fungsi pembangkit momen dapat ditun-
= 1 + tE(xi − µ1 ) + 21 t2 E(xi − µ1 )2 + 61 t3 E(xi − µ1 )3 + ...
jukkan Sn berdistribusi N(np; npq) t
M1 (t) = 1 + t2 σi2 + 61 t3 E(xi − µ1 )3 + ...
3. Berikut ini akan dijelaskan dalil limit pusat untuk n buah variabel Kita akan menguraikan dahulu Z,
random yang berdistribusi identik (pembuktiannya dilakukan oleh
Sn − µ (X1 + X2 + ... + Xn ) − µ
Lindeberg dan Levy) Z= =
σ σ
Bab 1. Distribusi Pendekatan 14 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 15 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
h in
t2 3
(i) µ = E(Sn ) = E(X1 + X2 + ... + Xn ) Limn→∞ Mz (t) = Limn→∞ 1 + + 6σ1tn√n + ...
2n
h in
= E(X1 ) + E(X2 ) + ... + E(Xn ) = t2
Limn→∞ 1 + 2n
= µ1 + µ1 + ... + µ1 2 /2
Limn→∞ Mz (t) = et
µ = E(Sn ) = nµ1
p
(ii) σ = Var (Sn ) Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
p
= Var(X1 + X2 + ... + Xn ) distribusi normal standar. Jadi Z = Snσ−nµ1
berdistribusi N(0; 1).
p 1n
= Var(X1 ) + Var(X2 ) + ... + Var(Xn )
p
= σ12 + σ12 + ... + σ12 )
√
σ = σ1 n 4. T eorema: Jika X1 + X2 + ... + Xnmenunjukkan sampel acak distribusi
Jadi yang mempunyai rerata µdan varians σ 2 , maka variabel random:
Pn
(X1 + X2 + ... + Xn ) − nµ1 xi =0 (Xi
− µ1 )
Z = √ = √ Pn
σ1 n σ1 n
xi =1 (Xi
− µ1 )
Yn = √
Fungsi pembangkit momen dari Z adalah: σ1 n
akan berdistribusi N(0; 1)
tZ
Mz (t) = hE et√ Pn i Bukti : Tentukan fungsi pembangkit momen dari Yn , kemudian kita
h i
(X −µ ) X1 −µ
= E e σ1 n xi =0 i 1 akan menguraikan e
t √
σ n
berdasarkan deret Taylor, sehingga diper-
h t√ i
[(x −µ )+t(x2 −µ1 )+...+t(xn −µ1 )]
= E e σ1 n 1 1 oleh: h i h i2 h i3 n
h t√ i 2 t3 X1√−µ
[(x −µ )+t(x2 −µ1 )+...+t(xn −µ1 )]
= E e σ1 n 1 1 M(t; n) = 1 + t Xσ1√−µn
+ t2 Xσ1√−µ
n
+ 6n σ n
+ ...
h in
t t2 2
= 1 + σ1 √ n
E(X1 − µ) + 2nσ 2 E(X1 − µ) + ...
h in
h t√ t√ t√
i = 1 + 2n t2 3
+ 6σ3tn√n E(X1 − µ)3 + ...
(x −µ ) (x −µ ) (x −µ )
= E e σ1 n 1 1 e σ1 n 2 1 ....e σ1 n n 1 h in
t2 3
Limn→∞ M(t; n) = Limn→∞ 1 + 2n + 6σ3tn√n E(X1 − µ)3 + ...
t t t h in
= Mx1 − µ1 √ .Mx2 − µ1 √ ....Mxn − µ1 √ t2
σ1 n σ1 n σ1 n = Limn→∞ 1 + 2n
2 /2
Limn→∞ M(t; n) = et
n
t
Mz (t) = Mx1 − µ1 √ Ternyata bentuk di atas merupakan fungsi pembangkit
Pn momen dari
σ1 n Xi −nµ
" 2 3 #n distribusi normal standar, sehingga Yn = xi =1√
σ n
berdistribusi
1 t 2 1 t 2
= 1+ √ σ1 + √ σ1 + ... N(0; 1).
2 σ1 n 6 σ1 n
n
t2 t3
= 1+ + √ + ...
2n 6σ1 n n 5. T eorema: Jika X1 , X2 , ..., Xn menunjukkan sampel acak dari dis-
tribusi yang mempunyai rerata µ dan varians σ 2 , maka variabel ran-
x−µ
dom Yn = σ/ √ akan berdistribusi normal standar.
n
Bab 1. Distribusi Pendekatan 16 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 17 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
3
Bukti : Fungsi pembangkit momen dari Yn adalah: µ′3
µ′ µ′ (µ′ )
ln M(t; n) = 0 + 12 t2 + − 2σ13 √3n + 23σ13 √n t3 + ...
√
6σ3 n
3
MYn (t) = M(t; n) = E(etyn ) µ′ µ′ µ′ (µ′ )
h x−µ i Limn→∞ ln M(t; n) = Limn→∞ 21 t2 + 6σ33√n − 2σ13 √3n + 23σ13 √n t3 + ...
t √
= E e σ/ n
h −tµ tx
i Limn→∞ ln M(t; n) = 21 t2
√ √
= E e σ/ n .e σ/ n 2
−tµ
h t i Limn→∞ M(t; n) = et /2
√ √ [X +X +...+Xn ]
= e σ/ n E e σ n 1 2
−tµ
h t t t
i Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
√ √ X √ X √ X
= e σ/ n E e σ n 1 .e σ n 2 ...e σ n n x−µ
distribusi normal standar, sehingga : Yn = σ/√ berdistribusi N(0; 1).
−tµ
h t i h t i h t i n
√ √ X √ X √ X
= e σ/ n E e σ n 1 .E e σ n 2 ...E e σ n n Untuk menerapkan teorma limit pusat dalam menyelesaikan soal,
−tµ
h i h i h i
√ . t t t
= e σ/ n Mx1 σ1 √ n
.Mx2 σ1 √ n
....Mxn σ1 √ n
seringkali diperlukan untuk mengubahnya lebih dulu dalam bentuk
h h ii n
M(t; n) =
−tµ
√
e σ/ n Mx1 σ1 √ t lain, yaitu: Jika X1 , X2 , ..., Xn adalah n buah variabel random yang
hn i saling bebas dan berdistribusi identik dengan rerata µ1 dan variansi
−tµ t
ln M(t; n) = √ + n.ln Mx
σ/ n 1
√
σ1 n
σ 2 yang besarnya berhingga dan S1 = X1 + X2 + ... + Xn ; maka:
h i h i Rb 2
Apabila kita menguraikan Mx1 σ1 t√n lebih lanjut, maka akan diper- Limn→∞ P a ≤ Snσ−nµ 1n
1
≤ b = φ(b) − φ(b) = a √12π e−x /n dx
olehhhasil:i h i2 h i3 Sn −E(Sn )
t t
Limn→∞ P a ≤ √ ≤ b = φ(b) − φ(b)
Mx1 σ1 √ n
= 1 + µ′1 σ1 √ n
t
+ 12 µ′2 σ1 √ n
t
+ 61 µ′3 σ1 √ n
+ ... V ar(Sn )
Sehingga: X−E(X)
Limn→∞ P a ≤ q ≤ b = φ(b) − φ(b)
V ar (X )
h i2 h i3
−tµ t 1 ′ t√ 1 ′ t
ln M(t; n) = √ +n.ln
σ/ n
Mx1 1 + µ′1 σ1 √ n
+ 2
µ 2 σ1 n
+ 6
µ 3
√
σ1 n
+ ...
h i
Kita akan menguraikan ln (1 + x) dengan perluasan deret Maclau- X−µ
atau Limn→∞ P a ≤ √1
σ1 n
≤ b = φ(b) − φ(b)
rin, yaitu:
Jika kita memperhatikan ketiga bentuk di atas, maka untuk menghi-
ln (1 + x) = x − 21 x2 + 13 x3 − ...; |x| < 1
tung peluang dari variabel random yang mempunyai harga tertentu
h i2 h i3 dengan menggunakan teorema limit pusat, dapat diselesaikan den-
Disini X = µ′1 σ1 t√n + 21 µ′2 σ1 √ t
n
+ 16 µ′3 σ1 √ t
n
+ ...
gan bantuan tabel distribusi normal standar.
Sehingga:
h i2 h i3
−tµ ′ t√ 1 ′ t 1 ′ t
ln M(t; n) = √ +n
σ n
µ 1 σ1 n
+ 2
µ 2
√
σ1 n
+ 6
µ 3
√
σ1 n
+ ... −
h i2 h i3 2
1
µ′1 σ1 t√n + 12 µ′2 σ1 √ t
+ 16 µ′3 σ1 √ t
+ ... +
1.4 Soal-Soal dan Pembahasan
2 n n
3 #
h i2 h i3
1 ′ t√ 1 ′ t√ 1 ′
µ1 σ1 n + 2 µ2 σ1 n + 6 µ3 σ1 n + ... − ... t√ 1. Misalkan X adalah rerata dari sampel acak berukuran 75 dari dis-
3
h √ √ i h ′ i h ′ i tribusi dengan fungsi kepadatan peluang berbentuk:
−µ′ n µ µ′2 µ µ′ µ′
= −µσ n + σ1 t + 2σ22 + 2σ12 t2 + 6σ3 3√n − + 2σ1√2n t3 + ..
µ′1 = µ f (x) = 1 ; 0 < x < 1
dengan:
µ′2 − µ′1 = µ2 = σ 2 = 0; lainnya
Bab 1. Distribusi Pendekatan 18 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 19 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Hitung P (0, 45 < X < 0, 55) P (Y = 48, 49, 50, 51, 52) = P (Y = 48) + P (Y = 49) + P (Y = 50)
Jawab : +P (Y = 51) + P (Y = 52)
!
Kita akan menghitung dahulu E(X) dan Var (X). 100
1 100
R1 P (Y = 48) = = 0, 0375
µ = E(X) = 0 xdx = 21 48 ! 2
R 1 100
µ′2 = E(X 2 ) = 0 x2 dx = 13 P (Y = 49) = 1 100
= 0, 0780
1 1 1 49 ! 2
Jadi : σ 2 =Var (X) =Var (X) = 3
− 4
= 12
100
1 100
Sehingga: P (Y = 50) = 2
= 0, 0796
50 !
0,45−0,5 X−µ 0,55−0,5
P (0, 45 < X < 0, 55) = P q
1
< √1
σ1 n
< q
1 100
1 100
(75)(12) (75)(12) P (Y = 51) = = 0, 0780
= P (−1, 50 < Z < 1, 50) 51 ! 2
100
1 100
P (0, 45 < X < 0, 55) = 0, 866 P (Y = 52) = = 0, 0735
2
52
2. Misalkan X1 , X2 , ..., Xn menunjukkan sebuah sampel acak dari dis-
Sehingga:
tribusi b(1, p). Jika n = 100, p = 1/2, dan Y = X1 + X2 + ... + Xn ;
maka hitung P (Y = 48, 49, 50, 51, 52) P (Y = 48, 49, 50, 51, 52) = 0, 0375 + 0, 0780 + 0, 0796+
0, 0780 + 0, 0735
Jawab :
P (Y = 48, 49, 50, 51, 52) = 0, 3826
Karena X berdistribusi Bernouli, maka: Apabila kita membandingkan hasil pendekatan dengan hasil eksak,
(i)E(X) = p maka akan terdapat perbedaan sebesar 0, 0016.
Bab 1. Distribusi Pendekatan 20 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 21 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
" #
Sn − E (Sn ) a − 100 Jika Zn = n(Y1 − θ), maka tentukan distribusi pendekatan dari Zn
P p ≤ √ = 0, 95
V ar (Sn ) 200
3. Misalkan X1 , X2 , ..., Xn merupakan sebuah sampel acak berukuran n
a − 100 dari distribusi yang mempunyai fungsi kepadatan peluang berben-
P Z≤ √ = 0, 95
200 tuk:
e−x xµ−1
Dari tabel Distribusi Normal diperoleh: f (x) = Γ(µ)
; x > 0, 0 < µ < ∞
= 0 ; lainnya
a − 100
√ = 1, 645 1
Pn
200 Jika X n = n i=1 Xi , maka perlihatkan bahwa untuk n −→ ∞
berlaku:
√
a = 100 + 1, 645 200 = 123, 264 √
n(X n − µ)
7→ N(0, 1)
(X n )1/2
Kemudian kita akan menghitung peluang di atas secara eksak den- dalam distribusi.
gan menggunakan tabel Distribusi Chi-Kuadrat. Karena P (Sn <
a) = 0, 95; dengan menggunakan tabel Distribusi Chi-Kuadrat den- 4. Jika variabel random acak Zn berdistribusi Poisson dengan parame-
gan derajat kebebasan n = 100 diperoleh hasil: a = 124, 342. Apabila ter µ = n, maka perlihatkan bahwa distribusi pendekatan dari vari-
√
kita membandingkan hasil pendekatan degan hasil eksak maka akan abel random acak Yn = (Zn −n)/ n adalah distribuai normal dengan
terdapat perbedaan sebesar 1, 078. rerata 0 dan variansi 1
2. Misalkan Y1 menunjukkan statistik urutan pertama dari sampel acak 6. Untuk soal nomer 5, selidiki distribusi pendekatan dari Yn untuk
√
berukuran n yang berasal dari distribusi dengan fungsi kepadatan n → ∞. Petunjuk: Uraikan et/ n
dengan menggunakan perluasan
peluang berbentuk: deret maclaurin
f (x) = e−(x−θ) ; θ < x < ∞ 7. Misalkan Xn menunjukkan rerata dari sampel acak berukuran n dari
= 0 ; lainnya distribusi dengan fungsi kepadatan peluang berbentuk
Bab 1. Distribusi Pendekatan 22 ISBN 978-602-8310-02-4 Bab 1. Distribusi Pendekatan 23 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
8. Misalkan Xn menunjukkan rerata dari sampel acak berukuran 15 Konvergensi Variabel Random
dari distribusi dengan fungsi kepadatan peluang berbentuk:
10. Misalkan X1 , X2 , ..., X10 adalah barisan peubah acak yang saling be-
bas dan berdistribusi identik dengan rerata µ dan variansi. Perli- 2.2 Indikator Hasil Belajar
hatkan bahwa:
1. Menjelaskan konsep dasar konvergensi stokasitik barisan variabel
2
(a) Σn i.Xi pµ
n(n+1) i=1
−
→ random
6 n
(b) n(n+1)(2n+1) Σ i.Xi p µ
i=1 −
→ 2. Menganalisis jenis-jenis konvergensi stokastik barisan variabel ran-
dom
Definisi σ2
P (|x − m| < ε) > 1 − (2.1)
ε2
Jika varian x relatif kecil dibanding ε atau σ ≪ εmaka probabilitas |x −
Diberikan ruang probabilitas (Ω, A, P ), dengan Ω, A, P masing-
m| < ε akan menuju 1,atau P (|x − m| < ε)7→ 1. Hal ini berarti bahwa
masing menyatakan ruang sampel, ruang kejadian dan proba-
suatu hasil pengamatan terhadap panjang benda m tersebut hampir pasti
bilitas. Variabel random X didefinisikan sebagai fungsi dari
(almost certainly) terletak antara m − εdan m + ε. Akibatnya parameter m
(domain) Ω ke bilangan real. Ditulis: X : Ω → R
terletak antara x(ζ) − ε dan x(ζ) + ε.
Bab 2. Konvergensi Variabel Random 26 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 27 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Masih berkaitan dengan masalah di atas, tentukanlah probabilitas bahwa lim Fn (x) = F (x) (2.2)
n→∞
x terletak antara 0, 9.m dan 1, 1.m, jika diestimasi dengan variabel random
2
x̄ dan dengan mengasumsikan n cukup besar sedemikian sehingga σm.n 2 = untuk setiap titik x dimana F(x) kontinu. Xn konvergen ke X dalam dis-
10−4 . tribusi juga dikatakan Xn mempunyai limit distribusi dengan fungsi dis-
Jawab: Dengan menggunakan ketidaksamaan Tchebycheff didapat: tribusi F (x).
Misal Yn variabel random dengan fungsi distribusi Fn (y) dan Mn (y) ada
P (0, 9.m < x̄ < 1.1.m) = P (−0, 1.m < x̄ − m < 0, 1.m)
untuk ∀t ∈ ℜ. Jika F (y) fungsi distribusi yang bersesuaian dengan M(t)
σ2 d
P (|x̄ − m| < 0, 1.m > 1 − 2 , dengan ε = 0, 1.m sehingga Mn (t) → M(t) maka Yn → Y .
ε
10−4 .m2 Catatan :
P (|x̄ − m| < ε = 1 − −2
10 n.m2
1
= 1−
100n Limn→∞ {1 + b/n + Ψ(n)/n}cn = ebc , jika Ψ(n) = 0 (2.3)
Pandang
FYn (yn ) = P (Yn ≤ yn = P (max (X1 , X2 , ..., Xn ) ≤ yn
" n
! !#
X √ = P (X1 ≤ yn , X2 ≤ yn , ..., Xn ≤ yn )
Mn (t) = E exp t Xi − nµ /σ n (2.4)
i=1
= P (X1 ≤ yn ).P (X2 ≤ yn )....P (Xn ≤ yn )
n n
X −µ = [P
hR(X1 ≤ yn )]i
= E exp t √ (2.5) yn
σ n f (x)dx
n −∞
t
= m √ ; −h < t < h (2.6)
σ n Untuk yn < 0 maka FYn (yn ) = 0
Untuk 0 ≤ yn < θ,
Menurut di atas diperoleh:
hR R yn in
0
t t2 [m′′ (ε) − σ 2 ] t2 FYn (yn ) = −∞
f (x)dx +0
f (x)dx
m √ =1+ + (2.7) hR R yn 1 in
σ n 2n 2nσ 2 =
0
0dx + dx
−∞ 0 θ
√ √ yn n
dengan 0 < ε < t
√ dan −hσ n < t < hσ n sehingga = θ
σ n
n Untuk yn ≥ θ,
t2 [m′′ (ε) − σ 2 ] t2
Mn (t) = 1+ + (2.8) hR in
2n 2nσ 2 0 Rθ Ry
FYn (yn ) = −∞
f (x)dx + 0 f (x)dx + 0 n f (x)dx
hR Ry Ry in
Karena m′′ (t) kontinu di t = 0 dan jika n → ∞ maka ε → 0 maka diperoleh =
0
dx + 0 n θ1 dx + 0 n 0dx = 1
t d −∞
(m′′ (ε)−σ 2 ) → 0 akibatnya Mn (t) → et /2 . Jadi Yn → Y dimana Y ∼ N(0, 1)
Jadi
Contoh
FYn (yn ) = 0 ; yn < 0
yn n
Misalkan X1 , X2 , ..., Xn adalah n buah variabel random yang saling bebas = θ
; 0 ≤ yn < θ
yn n
berdistribusi seragam pada (0, θ), θ > 0. Jika Yn = max (X1 , X2 , ..., Xn )dan = 1 ; θ
variabel random Z didefinisikan sebagai P (Z = θ) = 1, maka buktikan Limn→∞ FYn (yn ) = 0 ; yn < 0
Yn −
d Z
→ = 1 ; yn ≥ θ
Karena didapat Limn→∞ FYn (yn ) = F (z), dengan F (z) adalah fungsi dis-
Jawab :
tribusi dari Z.
Bab 2. Konvergensi Variabel Random 30 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 31 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Jelaslah bahwa lim Fn (x) = 0 = F (x) , karena F (x) = 0, ∀X bukan diperoleh lim fn (x) = 0, untuk setiap x. Karena f (x) = 0 bukan
n→∞ n→∞
fungsi distribungsi maka Xn tidak konvergen dalam distribusi. merupakan fkp, maka fn (x) tidak konvergen ke suatu fkp. Tetapi
(
Contoh Diketahui fungsi distribusi dari variabel random xn sbb: 1
0; x < 2 + n
Fn (x) = 1
(2.14)
1; x ≥ 2 + n
Zx
1 2/2
Fn (x) = e−nw dw (2.10) dan
−∞ (2π)1/2 (1/n)1/2 (
0; x < 2
lim Fn (x) = F (x) = (2.15)
Apakah variabel random xn mempunyai limit distribusi? n→∞ 1; x ≥ 2
√ d
Jawab Misal v = nw, sehingga Karena lim Fn (x) = F (x) di setiap titik kontinu dari F (x) maka xn →
n→∞
√
x. Ini berarti limit distribusi tidak dapat ditentukan oleh fkp.
Z nx
1 2
Fn (x) = √ e−v /2 dv (2.11)
−∞ 2π 2.3.3.2 Konvergen dalam Probabilitas
dan
Misalkan Fn (y) menunjukkan fungsi distribusi dari variabel random Yn
yang distribusinya bergantung pada n bilangan bulat positif. Jika c sebuah
0, x̄ < 0
1 konstanta yang tidak bergantung pasa n, maka Yn dikatakan konvergen
Limn→∞ Fn (x) = 2
, x̄ = 0
stokastik ke-c jika dan hanya jika untuk setiap ε > 0 berlaku:
1, x̄ > 0
Pandang fungsi distribusi Limn→∞ P [|Yn − c| < ε] = 1
(
0, x < 0
F (x) = (2.12) Konvergen stokastik ke parameternya atau ke suatu konstanta, sering
1, x < 0
dinyatakan sebagai konvergen dalam peluang.
tidak kontinu di x = 0. Akan tetapi, untuk x 6= 0 Def inisi
lim Fn (x) = F (x) (2.13) Misalkan Z1 , Z2 , ..., Zn adalah barisan variabel random yang didefinisikan
n→∞
atas ruang sampel S. Misalkan pula Z adalah variabel random lain yang
Jadi variabel random xn mempunyai limit distribusi dengan fungsi distri- didefinisikan atas ruang sampel S. Kita katakan Zn konvergen ke-Z dalam
d p
busi F (x) atau xn → x. peluang (ditulis Zn → Z), jika untuk setiap ε > 0 berlaku:
Bab 2. Konvergensi Variabel Random 32 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 33 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
maka Jawab :
P {|Zn − Z| ≥ ε} → 0 ⇔ P {|Zn − Z| < ε} → 1 (2.17)
1
Dari ketidaksamaan Chebysev: P [|X − µx | ≥ kσx ] ≤ k2
Penyelesaian masalah konvergen dalam peluang digunakan ketidak-
Kita mengetahui bahwa E(Xi ) = λ dan Var(Xi ) = λ2 .
samaan Chebysev, yaitu: P
Karena x = n1 ni=1 Xi = n1 [X1 + X2 + ... + Xn ] , maka
1
P [|X − µx | ≥ kσx ] ≤
k2 1
(i) E (x) = E n
[X1 + X2 + ... + Xn ]
1
atau = [E (X1 ) + E (X2 ) + ... + E (Xn )]
n
1
E (x) = (λ + λ... + λ) = λ
1 n 1
P [|X − µx | < kσx ] ≥ 1 − (ii) V ar (x) = V ar n [X1 + X2 + ... + Xn ]
k2
= n−2 [V ar (X1 ) + V ar (X2 ) + ... + V ar (Xn )]
2
Berikut ini adalah langkah-langkah untuk penentuan konvergen stokastik, = n−2 (λ2 + λ2 ... + λ2 ) = λn
sbb:
Jadi:
λ 1
P X − λ ≥ k √ ≤ 2
1. Gunakan ketidaksamaan Chebyshev seperti yang dirumuskan di atas n k
Misalkan
2. Tentukan rerata dan variansi dari statistiknya. ε = k. √λn
√
ε n
k = λ
3. Substitusikan nilai rerata dan variansi tersebut ke dalam ketidak- ε2 n
k2 = λ2
samaan Chebyshev
Sehingga:
4. Lakukan modifikasi terhadap nilai di dalam harga mutlaknya, λ2
P X − λ ≥ ε ≤ 2
sedemikian hingga nilai tersebut sesuai dengan yang diharapkan. εn
λ2
5. Misalkan kσx = εdengan σx sudah disubstitusikan dan diperoleh ni- Limn−→∞ P X − λ ≥ ε ≤ Limn→∞ 2 = 0
εn
lai k. Kemudian tentukan nilai k 2 .
Dengan demikian X konvergen stokastik ke-λ.
6. Beri limit untuk n → ∞ pada kedua ruasnya.
Contoh Misalkan barisan variabel random (X1 , X2 , ..., Xn )∼ (µ, σ 2 ). Tun-
p
jukkan apakah Xn → µ?
Contoh Misalkan X1 , X2 , ..., Xn adalah sebuah sampel acak dari distribusi
eksponensial dengan fungsi kepadatan peluang berbentuk: Jawab
1 −x/λ
f (x) = λ
e ; x>0 Diberikan ε > 0
Perlihatkan bahwa x konvergen stokastik
= 0 ; lainnya √
ke-λ. P {|Xn − µ| ≥ ε} = P |Xn − µ| ≥ kσ/ n (2.18)
Bab 2. Konvergensi Variabel Random 34 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 35 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
√ Un
dengan k = ε n/σ. Dengan menggunakan ketaksamaan Chebyshev dipe- (b) variabel random Vn
konvergen stokastik ke konstanta c/d, den-
roleh gan d 6= 0
√
P |Xn − µ| ≥ kσ/ n ≤ 1/k 2 = σ 2 /(nε2 ) (2.19)
Contoh Misalkan variabel random Yn berdistribusi b(n, p), dengan 0 < p <
P {|Xn − µ| ≥ ε} → 0; jika σ 2 finit dan n → ∞ (2.20)
1. Jika Un = √Yn −np ,maka:
p np(1−p)
Karena ∀ε > 0; P {|Xn − µ| ≥ ε} → 0 maka Xn → µ
2.3.4 Sifat-Sifat Konvergensi Variabel Random 1. Fungsi pembangkit momen dari Un adalah:
tU
Berikut ini adalah beberapa sifat-sifat penting konvergensi variabel ran- M(t; n) = MU(
n (t) = E e
n
» –)
dom, yang sering digunakan dalam menentukan distribusi pendekatan. t √Yn −np
= E e np(1−p)
√ np √ tYn
1. Misalkan Fn (u) menunjukkan fungsi distribusi dari variabel random
= e−t 1−p E e np(1−p)
Un yang distribusinya bergantung pada bilangan bulat positif n. Jika √ np
Un konvergen stokastik ke-c (c 6= 0), maka Un
c
konvergen stokastik = e−t 1−p MYn √ t
np(1−p)
ke-1. √ np √ t
n
−t 1−p
= e (1 − p) + pe np(1−p)
2. Misalkan Fn (u) menunjukkan fungsi distribusi dari variabel random √ np √ np n
−t √ t −t
= (1 − p)e n 1−p + pe np(1−p) n 1−p
Un yang distribusinya bergantung pada bilangan bulat positif n. Ke-
√ p √ t−tp
mudian Un konvergen stokastik ke-c, c > 0) dan P (Un < 0) = 0untuk =
t
(1 − p)e n(1−p) + pe np(1−p)
√ √
setiap n. Dalam hal ini, Un konvergen stokastik ke- c. √ p q n
−t n(1−p) t 1−p
= (1 − p)e + pe np
3. Jika variabel random Un dan Vn konvergen stokastik masing-masing
ke konstanta c dan d, maka: √ p q
t 1−p
Kemudian kita akan menguraikan e−t n(1−p) dan pe np menggunakan
(a) variabel random Un Vn konvergen stokastik ke konstanta cd perluasan deret MacLaurin, yaitu:
Bab 2. Konvergensi Variabel Random 36 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 37 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Sehingga:
Yn p(1 − p)
q n P − p < ε ≥ 1 −
p t2 t3 (2p−1) n nε2
M(t; n) = 1 − t(1 − 2p) n(1−p)
+ 2n
− √ + ...
6n np(1−p) Yn
q n p(1 − p)
t2 p t3 (2p−1) Limn−→∞ P − p < ε ≥ Limn−→∞ 1 − =1
= 1+ 2n
− t(1 − 2p) n(1−p)
− √ + ... n nε2
6n np(1−p)
Yn
Jadi n
konvergen stokastik ke-p
Limn−→∞ M(t; n) =
q n
t2 p t3 (2p−1) 3. Variabel random Ynpn konvergen stokastik ke-1
= Limn−→∞ 1 + 2n − t(1 − 2p) n(1−p) − √ + ...
6n np(1−p) Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby-
h 2
in
t
= Limn−→∞ 1 + 2n shev, yaitu:
t2
Limn−→∞ M(t; n) = e 2
1
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari P [|Yn − µYn | < kσYn ] ≥ 1 −
k2
Bab 2. Konvergensi Variabel Random 38 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 39 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
h p i 1
P |Yn − np| < k np(1 − p) ≥ 1 − 2 Sehingga:
k
Yn p 1 Yn p(1 − p)
P np − 1 < k np(1 − p) ≥ 1 − 2 P 1 − − (1 − p) < ε ≥ 1 −
np k np nε2
r
Yn 1−p 1 Yn p(1 − p)
P −1 <k ≥1− 2 Limn−→∞ P 1 − − (1 − p) < ε ≥ Limn−→∞ 1 −
np np k np nε2
q
2 Yn
Misalkan : ε = k 1−pnp
dan k 2 = npε
1−p
Limn−→∞ P 1 − − (1 − p) < ε ≥ 1
np
Sehingga : h i
Jadi 1 − Ynpn konvergen stokastik ke-(1 − p)
Yn 1−p
P − 1 < ε ≥ 1 −
np npε2
Yn 1−p 2.4 Soal-Soal dan Pembahasan
Limn−→∞ P − 1 < ε ≥ Limn−→∞ 1 − =1
np npε2
Yn
Jadi n
konvergen stokastik ke-1 1. Diketahui variabel random X1 , X2 , ... Xn i.i.d dengan fungsi kepa-
datan peluang:
4. Variabel random 1 − Ynn konvergen stokastik ke-(1 − p) (
1
Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby- θ
;0< x < θ, 0 < θ < ∞
f (x) = (2.21)
shev, yaitu 0; untuk x yang lain
Bab 2. Konvergensi Variabel Random 40 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 41 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
dengan FY (y) merupakan suatu fungsi distribusi. Jadi dapat disim- Mn (t) = E(etYn ) (2.24)
X
pulkan bahwa: n
= etYn P Yn (1 − p)n−Yn (2.25)
Y n
FYn −w
→ FY (y) dan Yn −
d Y , dimana Y adalah variabel random dengan
→
Yn =0
X n
distribusi FY (y). n Yn
= P et (1 − p)n−Yn (2.26)
Yn =0
Y n
2. Diketahui {Yn } barisan variabel random dengan fungsi massa pelu- n
= pet + (1 − p) (2.27)
ang (fmp). P {Yn = −n} = 1; n = 1, 2, ... Selidiki apakah Yn konver- n
µ(et − 1)
gen dalam distribusi ke suatu variabel random? = 1+ (2.28)
n
Jawab :
Jadi Mn (t) → µ(et − 1) ; ∀t. Karena ada distribusi poisson dengan
Perhatikan bahwa, Mn (t) = E(etYn ) = e−tn P (Yn = −n) = e−tn . Se-
mean µ mempunyai fpm µ(et − 1) maka menurut teorema di atas
hingga jika n → ∞ diperoleh d
Yn → Y.
0; t > 0
5. Diketahui Zn ∼ χ2 (n). maka fpm dari Zn adalah(1 − 2t)−n/2 ; t < 1/2.
Mn (t) −
n−→
−−∞
→ M(t) = 1; t = 0 Mean dan variansi dari Zn adalah n dan 2n. Tentukan limit distribusi
√
∞; t < 0 dari Yn = (Zn − n)/ 2n
Bab 2. Konvergensi Variabel Random 42 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 43 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Jawab : E(X) = 1/2 dan E(X 2 ) = 1/3 maka µ = 1/2 dan σ 2 = 1/12.
√ √
P 0, 45 < X < 0, 55 = P ( n(0, 45 − µ)/σ < n(X − µ)/σ <
√
fpm dari n(0, 55 − µ)/σ = 0, 866.
√
Yn = E(etyn ) = e[t((Zn −n)/ 2n)]
(2.29) 7. Jika
√ √ p p
= e −tn/ 2n
E(e tzn / 2n
) (2.30) Xn → a dan Yn → b ⇒ Xn + Yn → (a + b)
h √ ih i−n/2
√
−(t 2/n) n 1−2 √t
= e 2
; t < ( 2n)/2
2n (2.31) Bukti
√2 r √ !−n/2 r
2 t 2 n
= et n − t e n ;t < (2.32) Diberikan ε > 0, P {|Xn + Yn − (a + b)| ≥ ε} ≤ P {|Xn − a| ≥ ε/2} +
n 2
P {|Yn − b| ≥ ε/2} .2
√
Menurut teorema Taylor ada bilangan ε(n) antara 0 dan t 2/n se- Karena kedua suku diruas kanan mendekati 0 untuk n → ∞, maka
hingga diperoleh ∀ε > 0 P {|Xn + Yn − (a + b)| ≥ ε} → 0. Jadi Xn + Yn →
r r r (a + b)|
√2 2 2 2 2 3
t ε(n)
e n =1+t + 1/2(t ) + 1/6e (t ) (2.33)
n n n 8. Diketahui Yn ∼ B(n, p), 0 < p < 1. Tentukan limit distribusi dari
dan diperoleh Yn − np
√2 t2 Ψ(n) −n/2 p
et n = (1 − + ) (2.34) n(Yn /n)(1 − Yn /n)
n n
dengan
Jawab :
√ √ 3
2t3 eε(n) 2t 2t4 eε(n) Perhatikan bahwa, menurut TLP
Ψ(n) = √ − √ − ; n → ∞ ⇒ Ψ(n) → 0 (2.35)
3 n n 3n
Yn − np d
Un = p → N(0, 1) (2.38)
akibatnya np(1 − p)
2 /2
Mn (t) → et ; ∀t (2.36)
p p p
d
Yn /n → p dan 1 − Yn /n → 1 − p ⇒ (Yn /n)(1 − Yn /n) → p(1 − p) ⇒
Jadi Yn → Y dengan Y ∼ N(0, 1) (Yn /n)(1−Yn /n)
p(1−p)
→1
Yn − np d
Hitung P 0, 45 < X < 0, 55 Wn = Un /Vn = p → N(0, 1) (2.40)
n(Yn /n)(1 − Yn /n)
Jawab 2
gunakan ketaksamaan segitiga
Bab 2. Konvergensi Variabel Random 44 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 45 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
9. Diketahui X n dan Sn2 mean dan variabel sampel random yang ber- 6. Diketahui Xn ∼ G(n, β), dengan β bukan fungsi dari n. Tentukan
ukuran n dari distribusi N(µ, σ 2 ), σ 2 > 0. Tentukan limit distribusi limit distribusi dari Yn = Xn /n
dari Wn = σX n /Sn .
7. Diketahui Zn ∼ χ2 (n) dan Wn = Zn /n2 . Tentukan limit distribusi
Jawab :
dari Wn .
Telah dibuktikan bahwa X n dan Sn2 berturut-turut konvergen dalam
probabilitas ke µ dan σ 2 . Menurut teorema, Sn konvergen dalam pro- 8. Buktikan teorema kekontinuan Levy; Misal Yn variabel random de-
babilitas ke σ dan menurut teorema 1, Sn /σ konvergen ke 1. Menurut ngan fungsi distribusi Fn (y) dan Mn (t) ada untuk ∀t ∈ ℜ. JikaF (y)
teorema variabel random Wn = σX n /Sn mempunyai limit distribusi fungsi distribusi ysng bersesuaian dengan M(t) sedemikian sehing-
p d
yang sama dengan X n . Jadi Wn → µ. ga Mn (t) → M(t) maka Yn → Y
1. Tuliskan definisi dari: 10. Diketahui variabel random Yn mempunyai distribusi B(n, p).
d
(a) Xn konvergen ke X dalam distribusi (ditulis Xn → X
p
(a) Buktikan bahwa Yn /n konvergen dalam probabilitas ke p. (Hal
(b) Xn konvergen ke X dalam probabilitas (ditulis Xn → X) ini merupakan suatu bentuk hukum lemah dari bilangan besar).
2. Misalkan xn mean sampel random yang berukuran n dari distribusi (b) Buktikan bahwa1 − Yn/n konvergen dalam probabilitas ke 1 − p
N(µ, σ 2 ). Tentukan limit distribusi dari xn
3. Misalkan Y1 statistik terurut pertama dari sampel random yang ber- 11. Misalkan Sn2 variansi sampel yang berukuran n dari distribusi
ukuran n dari distribusi yang mempunyai f.k.p f (x) = e−(x−θ) , θ < N(µ, σ 2 ). Buktikan bahwa nSn2 /(n − 1) konvergen dalam probabili-
x < ∞ dan bernilai 0 untuk x yang lain. Jika Zn = n(Y1 −θ), tentukan tas ke σ 2 .
limit distribusi dari Zn .
12. Diketahui Wn variabel random dengan mean µ dan varians nbp de-
4. Diketahui f.k.p dari Yn adalah ngan p > 0, µ dan b konstanta (bukan fungsi dari n). Buktikan bahwa
( Wn konvergen dalam probabilitas ke µ. (petunjuk gunakan ketaksa-
1; y = n maan Chebyshev).
fn (y) = (2.41)
0; y 6= n
13. Misalkan Yn menyatakan statistik terurut ke-n dari sampel random
Perlihatkan bahwa Yn tidak mempunyai limit distribusi.
berukuran n dari distribusi uniform pada interval (0, θ). Buktikan
√ √
5. Diketahui X1 , X2 , ..., Xn sampel random yang berukuran n dari dis- bahwa Zn = Yn konvergen dalam probabilitas ke θ.
Xn
tribusi N(µ, σ 2 ) dengan µ > 0. Perlihatkan bahwa Zn = Xi tidak √
14. Diketahui X n ∼ G(µ, 1). Buktikan bahwa limit distribusi n(X n −
i=1 p
mempunyai limit distribusi. µ)/ X n adalah N(0, 1)
Bab 2. Konvergensi Variabel Random 46 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 47 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
15. Misal Y1 , ..., Yn dan X1 , ..., Xn dua sampel random yang independen 23. Diketahui Y ∼ B(72, 1/3). Hitung P (22 ≤ Y ≤ 28)
dengan mean µ1 dan µ2 dan variansi bersama σ 2 . Tentukan limit dis-
24. Diketahui X adalah mean sampel random
( berukuran 15 dari dis-
tribusi dari
(Y n − X n ) − (µ1 − µ2 ) 3x2 ; 0 < x < 1
q (2.42) tribusi yang mempunyai fkp f (x) = Tentukan
0, yang lain
σ n2
P (3/5 < X < 4/5)
n
X
(Petunjuk : misalkan Z n = Zi /n dengan Zi = Yi - Xi 25. Diketahui Y ∼ B(n; 0, 55). Tentukan nilai n terkecil sehingga
i=1
P (Y /n > 1/2) ≥ 0, 95.
16. Diketahui Xn berdistribusi gamma dengan parameter α = n dan β,
dengan β bukan fungsi dari n. Jika Yn = Xn /n, tentukan limit distri-
busi dari Yn .
Bab 2. Konvergensi Variabel Random 48 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 49 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bab 3
Estimasi Titik
7. Menentukan estimator suatu parameter dengan metode likelihood T (x) adalah statistik cukup untuk θ, jika setiap inferensi tentang θ hanya
maksimum tergantung pada sampel x, yaitu hanya melalui harga T (x). Artinya
jika x dan y adalah dua titik sampel sedemikian hingga T (x) = T (y),
maka inferensi tentang θ harus sama, tidak tergantung apakah X = x
3.3 Uraian Materi atau Y = y yang terobservasi.
Bab 3. Estimasi Titik 52 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 53 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Q n xi X
f (x(θ)) θ (1 − θ)1−xi
= ni , (t = xi ) (3.2)
q(T (x)(θ)0 t
t θ (1-θ) n−t
n/2 Pn
P
xi
P
(1−xi ) n
Y ( 2πτ 2 )
exp −( (xi −x)2 + n(x − µ)2 ) / 2τ 2
θ (1 − θ) P f (x | θ)
= n ,( θ xi = θ xi
) = (3.4)
t θ t (1 − θ) n−t i
q(T (x) | θ) (2πτ 2 / n ) − 1/2 exp(− n (x − µ)2 /(2τ 2 ))
Xn
θ t (1 − θ)n−t = n−1/2 (2πτ 2 )−(n−1) / 2 exp(− (xi − x)2 /2τ 2 )
= n
i=1
t θ t (1-θ) n−t
1
= n
yang tidak tergantung pada µ. Dengan menggunakan teorema sebelum-
t
nya, maka mean sampel adalah statistik cukup untuk µ.
1
=
Pn
xi Dengan menggunakan definisi, pertama-tama kita harus menduga ma-
na statistik T (x) yang merupakan statistik cukup, kemudian menentukan
densitas dari T (x) dan menyelidiki apakah rasio densitas x dan densitas
Karena rasio di atas tidak tergantung pada θ, maka T (x)adalah statistik
T (x) tidak memuat θ. Cara tersebut memang kurang praktis.
cukup untuk θ.
Contoh
3.3.1.2 Teorema Halmos & Savage
2 2
Misalkan Xi , ..., Xn adalah i.i.d. ∽ N(µ, τ ) dengan τ diketahui adalah
−
statistik cukup untuk µ. Tunjukkan bahwa mean sampel, T (x)= X Misalkan f (x|θ) adalah densitas bersama dari sampel X. T (X)adalah sta-
= x1 +...+x
n
n
adalah statistik cukup untuk µ. tistik cukup untuk θ jhj terdapat fungsi g(t|θ) dan h(x) sedemikian hingga
untuk semua titik sampel x dan semua parameter θ berlaku;
n
f (x | µ) =πi=1 (2πτ 2 )−1/2 exp(−(xi − µ)2 /2τ 2 ) (3.3)
Xn f (x|θ) = g (T (x)|θ) h(x)) (3.5)
= (2πτ 2 )−n/2 exp(− (xi − µ)2 /2τ 2 )
i=1
n
X Bukti :
= (2πτ 2 )−n/2 exp(− (xi − x + x − µ)2 /2τ 2 )
i=1 Misalkan T (X) adalah statistik cukup. Pilih g (t(θ)) = P0 (T (x) = t) dan
n
X
= (2πτ )2 −n/2
exp(− 2
(xi − x) + n(x − µ) /2τ ) 2 2 h(x) = P (X = x|T (X) = T (x)) . Karena T (X) statistik cukup, maka dis-
i=1 tribusi probabilitas yang mendefinisikan h(x) tidak tergantung pada θ. Ja-
di, pemilihan h(x)dan g((t(x)) dapat dibenarkan dan untuk pemilihan ini
Karena X ∼ N(µ, τ 2 /n), maka: di dapat
Bab 3. Estimasi Titik 54 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 55 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
n
!
X
f (x|θ) = Pθ (X − x) (3.6) f (x | µ) = (2πτ 2 )−n/2 exp − (xi − x)2 /2τ 2 exp −n(x − µ)2 /2τ 2
= P0 (X = x dan T (X) = T (x)) i=1
(3.9)
= P0 (T (X) = T (x)) P (X = x|T (X) = T (x))
Kita dapat mendefinisikan:
= g (T (x)|θ) h(x)
n
!
X
2 −n/2 2 2
Sekarang andaikan faktorisasi di atas berlaku. Misalkan q(t|θ) adalah den- h(x) = (2πτ ) exp − (xi − x) /2τ (3.10)
i=1
sitas dari T (x). Untuk menunjukkan bahwa T (X) merupakan statistik cu-
kup, kita selidiki rasio f (x|θ) /q (T (x)|θ) dan bentuk ini tidak tergantung pada parameter µ.
Definisikan Faktorisasi di atas yang memuat µ tergantung pada sampel x hanya mela-
lui T (X) = X. Sehingga didapat
Bab 3. Estimasi Titik 56 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 57 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
dan n n
!
− X X
T (X ) = t (Xj )... t (Xj ) (3.19)
i=1 1 i=1 k
−
T2 (x) = s2 (3.14) adalah statistik cukup untuk θ.
Xn
−
= (xi − X )2 /(n − 1)
3.3.2 Estimasi Titik
−
Jadi, kemudian dapat mendefinisikan h(x) = 1 dan
Kuantitas-kuantitas pada populasi, seperti mean (µ) atau varian (σ 2 ) yang
umumnya tak diketahui. Kuantitas tersebut disebut dengan parame-
ter populasi. Karakteristik (distribusi) suatu populasi tergantung pada
g(t|θ) = g(t1 , t2 |µ, τ 2 ) (3.15)
parameter-parameter ini. Misalnya, distribusi Exponensial P (λ) tergatung
2 −n/2 2 2
= (2πτ ) exp − n(t1 − µ) + (n − 1)t2 / 2t pada parameter λ, distribusi Normal N(µ, σ 2 ) tergantung pada 2 parame-
ter mean µ dan variansi σ 2 dan distribusi Binomial B(n, p) tergantung pa-
maka, dapat dilihat bahwa da 2 parameter banyak percobaan n dan peluang sukses dala tiap perco-
baan p. Secara umum lambang θ digunakan sebagai lambang parameter
− − − −
f (x| µ, τ 2 ) = g T 1 (X ), T 2 (X )|µ, τ 2 h(X ) (3.16) populasi, sehingga distribusinya dapat tulis f (x; θ); θ ∈ Ω. Dalam hal ini
himpunan Ω disebut ruang parameter dan {f (x; θ); θ ∈ Ω} disebut keluar-
Jadi, dengan menggunakan Teorema Faktorisasi, ga parametrik.
Jika pada populasi digunakan istilah parameter, maka pada sampel digu-
− − − −
T (X ) = T 1 (X ), T 2 (X ) = (X , S 2 ) (3.17) nakan istilah statistik. Statistik didefinisikan sebagai kuantitas-kuantitas
pada sampel. Contohnya; Xn dan Sn2 masing-masing merupakan statis-
adalah statistik cukup untuk (µ, τ 2 ) dalam distribusi normal.
tik atau kuantitas (mean dan varian) dari sampel yang berukuran n yang
Untuk keluarga eksponensial, dengan menggunakan Teorema Fak- mungkin diambil dari populasi berdistribusi f (x; θ) dengan θ tidak dike-
torisasi, penentuan statistik cukup sangat mudah untuk dilakukan. tahui.
Bab 3. Estimasi Titik 58 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 59 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Dalam contoh ini, untuk mengestimasi parameter θ, diambil sampel ran- Karena E(X) = nθ, maka E(X/n) = 1/nE(X) = 1/n.nθ = θ. Jadi θb = X/n
dom X1 , ..., Xn . Fungsi T = T (X1 , ..., Xn ) disebut statistik. Statistik T yang adalah estimator tak bias untukθ
digunakan untuk mengestimasi θ disebut estimator dari θ dan ditulis θ. b
Estimator θb adalah suatu variabel random yang mempunyai fungsi proba- Contoh
bilitas tertentu yang disebut distribusi sampling. n
X
1
Jika S 2 = n−1
(Xi − X)2 adalah varian sampel random dari populasi
i=1
Contoh N(µ, σ 2 ), tunjukkan bahwa E(S 2 ) = σ 2
Misal X1 , ..., Xn sampel random yang diambil dari populasi b(1, p) dengan Bukti
P
p tidak diketahui. Maka X = n1 ni=1 Xi adalah estimator untup p. Estima-
" n
#
tor yang lain misalnya T = 1/3, T = X1 , dan T = (X1 + X2 )/2. 1 X
E(S 2 ) = E (Xi − X)2 (3.20)
n − 1 i=1
Perlu diperhatikan bahwa beberapa statistik dapat digunakan sebagai esti- " n #
mator terhadap suatu parameter. Dari sini mucul masalah: Statistik mana 1 X 2
= E (Xi − µ) − (X − µ)
yang paling baik, atau misalnya statistik mana yang tak bias, efisien, dan n−1
" ni=1 #
konsisten? 1 X
= E (Xi − µ)2 − nE(X − µ)2
Ada beberapa jenis estimator penting berdasarkan sifat-sifatnya yang ak- n − 1 i=1
" n #
an dibahas pada bagian ini, yaitu estimator tak bias, estimator konsisten, 1 X
= σ 2 − n.σ 2 /n = σ 2
estimator esfisien, dan estimator minimum n − 1 i=1
3.3.2.1 Estimator Tak Bias Jadi θ̂2 = S 2 adalah estimator tak bias untuk σ 2
Misal X1 , ..., Xn berdistribusi i.i.d uniform U(0, θ). Kita ingin menentuk-
Suatu statistik θb disebut estimator tak bias untuk θ, jika E(θ)
b = θ, untuk
an estimator untuk θ dengan statistik maksimum. Jadi T = maks(
b 6= θ, maka θb disebut estimator bias.
setiap θ ∈ Ω. Jika E(θ) b Terlebih dahulu kita tentukan distribusi dari T.
X1 , ..., Xn ) = Xmax = θ.
Contoh 1
U(0, θ) ⇒ f (x, θ) = ; 0 < x < θ (3.21)
θ
Jika X berdistribusi B(n, θ), tunjukkan bahwa X/n adalah estimator tak P (T ≤ t) = P (Xmax ≤ t) = P (X1 ≤ t, X2 ≤ t, ..., Xn ≤ t) (3.22)
bias untuk θ! Karena X1 , ..., Xn independen maka
Bab 3. Estimasi Titik 60 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 61 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Karena identik maka G(t) = [F (t)]n dengan G(.) dan F (.) berturut-turut gen dalam probabilitas. Karena menurut ketaksamaan Chebyshev
fungsi distribusi dari T dan X. Jadi
E(Tn − θ)2
P {|Tn − θ| ≥ ε} ≤ (3.28)
dG(t) ε2
g(t) = = n [F (t)]n−1 .f (t) (3.24)
dt
maka E(Tn − θ)2 → 0 adalah syarat cukup suatu estimator konsisten.
Dari f (x, θ) = θ1 ; 0 < x < θ diperoleh F (x) = xθ , 0 < x < θ sehingga Akibat definisi tadi, bila estimator dari θ yang memenuhi
ntn−1
g(t) = n [t/θ]n−1 .1/θ = ;0 < t < θ (3.25) 1. Tn estimator tak bias
θn
Sejauh ini estimator yang dibicarakan hanya untuk sampel berhingga. Se- 3.3.2.3 Estimator Efisien
baliknya konsistensi adalah sifat asimptotis, yaitu menggambarkan sifat
Berikut ini kita akan membandingkan dua estimator berdasarkan variansi
estimator bila ukuran sampel menjadi tak hingga. Konsistensi adalah sifat
dari estimator tersebut.
dari barisan estimator bukan dari estimator tunggal.
Barisan estimator Tn = Tn (X1 , ..., Xn ) disebut estimator konsisten dari θ Def inisi
jika untuk setiap ε > 0
Misalkan θb1 dan θb2 dua estimator tak bias untuk parameter θ. Estimator θb1
P {|Tn − θ| ≥ ε} → 0 (3.27) dikatakan lebih efisien daripada θb2 jika
Definisi di atas menyatakan bahwa estimator konsisten pasti juga konver- V ar(θb1 ) < V ar(θb2 ) (3.29)
Bab 3. Estimasi Titik 62 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 63 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Contoh dan
2(n + 1)θ2
E(T22 ) = (3.36)
n+2
n+1
Perhatikan kembali contoh T1 = Xmax
maka T1 adalah estimator tak
n 2(n + 1)θ2 nθ2
bias untuk θ. Dengan transformasi variabel diperoleh distribusi T1 V ar(T2 ) = − θ2 = (3.37)
n+2 n+2
θ2 nθ 2
nn+1 n+1 nampaklah bahwa V ar(T1 )= n(n+2)
< n+2
= V ar(T2 ), untuk n > 1. Jadi T1
g(t1) = tn−1 ; 0 < t1 < θ (3.30)
(n + 1)n θn 1 n lebih efisien daripada T2 .
n t2 f (x | θ) π(θ)
g(t2 ) = (1 − )n−1 ; 0 < t2 < (n + 1)θ (3.35) π(θ | x) = (3.38)
(n + 1)θ (n + 1)θ m(x)
Bab 3. Estimasi Titik 64 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 65 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Perhatikan bahwa f (x,θ) = f (x | θ) π(θ) dimana m(x) adalah distribusi Def inisi
R
marginal dari x yaitu m(x) = f (x | θ)π(θ)dθ Misalkan F adalah kelas densitas f (x | θ). Kelas π dari distribusi prior
Jadi distribusi posterior adalah distribusi bersyarat, yaitu bersyarat ter- disebut keluarga konjugat untuk F , bila distribusi posterior berada dalam
hadap observasi sampel. Sekarang distribusi posterior digunakan untuk kelas π untuk semua f ∈ F,semua prior dalam π, dan semua x ∈ χ.
memberi pernyataan tentang θ, yang dipandang sebagai besaran random. Contoh
Sebagai contoh, mean distribusi posterior dapat digunakan sebagai titik
Jika X ∽ N(θ, τ 2 ) dan misalkan distribusi prior dari X adalah N(µ, τ 2 ).
estimator dari θ.
Distribusi posterior dari θ juga normal dengan mean dan variansi
Contoh
P
Misalkan X1 , ..., Xn adalah distribusi Bernoulli (1, p), maka Y = Xi τ2 σ2
µ = E(θ | x) = x+ 2 (3.41)
adalah Binomial (n, p). Kita andaikan bahwa distribusi prior dari p adalah τ 2 + σ2 σ + τ2
Beta (α, β). Distribusi bersama dari Y dan p adalah
σ2 τ 2
! V ar(x | θ) = (3.42)
σ2+ τ2
n Y n−Y P (α + β) α−1
f (Y, p) = [ p (1 − p) ][ p (1 − p)β−1 ] (3.39)
y P (α)P (β)
3.3.3 Metode Evaluasi Estimator Titik
!
n P (α + β) Y +α−1
= p (1 − p)n−Y +β−1 Metode-metode yang dibicarakan dalam bab sebelumnya telah memberi-
y P (α)P (β)
kan gambaran teknik yang masuk akal dalam menentukan estimator ti-
Densitas marginal dari Y adalah tik untuk suatu parameter. Karena kita biasanya dapat menerapkan lebih
dari satu metode dalam suatu persoalan tertentu, maka kita dihadapkan
! pada persoalan memilih diantaranya. Memang metode yang berbeda bisa
Z 1
n P (α + β) P (Y + α) P (n − Y + β) menghasilkan estimator yang sama (jika demikian, maka tugas kita sangat
f (Y ) = f (Y, p)dp = (3.40)
0 y P (α)P (β) P (n + α + β) mudah), tetapi pada umumnya metode yang berbeda juga akan mengha-
silkan estimator yang berbeda.
f (Y,p) P (α+β) P (n+α+β) Y +α−1 n−Y +β−1
Sehingga π(p | Y ) = f (Y )
= P (α+α) P (n−α+β)
p (1 − p) Dalam bab ini akan diperkenalkan konsep dasar untuk mengevaluasi esti-
Yang merupakan distribusi Beta (Y +α, n−y +β). Estimator alami untuk p mator dan menyelidiki kelakuan beberapa estimator terhadap kriteria ini.
adalah mean dari distribusi posterior, dan ini memberikan estimator Bayes
a
Y +α
untuk p adalah p = β = α+β+n 3.3.3.1 Galat Kwadrat Rata-Rata
Bila kita mengestimasi parameter Binomial, kita tidak perlu memiliki dis-
tribusi prior dari keluarga beta. Tetapi, terdapat keuntungan dalam me- Ukuran kualitas estimator yang paling umum adalah galat kuadrat rata-
milih keluarga beta, paling tidak kita mempunyai closed-form dari estima- rata atau Mean Square Error (MSE). MSE merupakan jumlah Variansi dan
tor. Secara umum, untuk sembarang distribusi sampling terdapat keluarga Biasnya
distribusi prior alami yang disebut keluarga konjugat. Def inisi
Bab 3. Estimasi Titik 66 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 67 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
_
Galat kuadrat rata-rata (MSE) dari estimator T (x) terhadap parameter θ a2
_
Dengan mudah dapat dilihat bahwa E(σ ) = E( n−1
n
s2 ) = n−1 2
n
s
2
adalah fungsi θ yang didefinisikan dengan Eθ (T (x) − θ) . Dengan mudah
a2 a2
dapat kita lihat bahwa: sehingga σ adalah estimator yang bias untuk σ 2 . Variansi σ dapat dihi-
tung sebagai
_ 2
Eθ (T (x) − θ) = V arT (x) + (Bias(T (x))2 (3.43)
a2 n−1 2 n−1 2 2(n − 1) 4
V ar σ = V ar( s )=( ) V ar(s2 ) = σ
_ _ n n n2
dengan Bias T (x) = Eθ T (x) − θ.
a
Jadi MSE mempunyai dua komponen, variansi yang menguji variabeli- Karena itu, MSE (σ 2 ) adalah
tas (precision) estimator dan bias mengukur (accuracy) dari estimator. Ja-
di untuk estimator tak bias kita mempunyai MSE = Eθ (T (x) − θ)2 = a2 2(n − 1)σ 4 n−1 2 2n − 1 4
_ E(σ −σ 2 ) = +( σ − σ 2 )2 = ( )σ
V ar T (x) . n2 n n2
Untuk setiap T1 , T2 ∈ CT , Bias T1 =Bias T2 sehingga Contoh ini menunjukkan bahwa untuk menentukan UMVUE diperlukan
penanganan yang menyeluruh. Salah satunya adalah dengan menentu-
MSE(T1 ) − MSE(T2 ) = V arT1 − V arT2 . kan batas-bawah variansi estimator yang mungkin. Batas bawah variansi
ini dikenal dengan nama batas bawah Cramer-Rao atau Cramer-Rao lower
Ini berarti bahwa, dalam kelas CT , perbandingan MSE sama dengan per- bound disingkat CRLB sbb:
bandingan Variansi. Misalkan dalam melakukan estimasi g(θ) dari densitas f (x| θ) kita dapat
menentukan batas bawah, variansi dari setiap estimator tak bias, katak-
3.3.3.2 Estimator Terbaik anlah B(θ). Bila kemudian kita dapat menemukan estimator tak bias T ∗
sedemikian hinggaV ar(T ∗) = B(θ) maka berarti kita mendapatkan UM-
Tujuan dari bagian ini adalah menyelidiki metode penentuan estimator tak VUE estimator.
bias ”terbaik” yang akan definisikan kemudian. Estimator terbaik menu-
rut pandangan klasik adalah estimator dengan variansi minimum dalam
3.3.3.3 Teorema Batas Bawah Cramer-Rao
kelas (himpunan) estimator tak bias untuk parameter tersebut. Sifat efi-
siensi estimator hanya membandingkan dua estimator tak bias, akibatnya
Misalkan X1 Xn , ..., Xn adalah sampel dengan densitas f (x| θ) dan misal-
estimator yang lebih efisien belum tentu merupakan estimator terbaik. _ _
kan T (X ) = T (X1 , ..., Xn ) adalah sebarang estimator dengan E(T (X )) ter-
Def inisi deferensialkan dalam θ. Andaikan densitas bersama f (x| θ) = f (x1 , ..., xn |
Misalkan T ∗ merupakan estimator tak bias untuk g(θ) atau E(T ∗) = g(θ). θ) menentukan:
Jika untuk setiap estimator T yang memenuhi E(T ) = g(θ) berlaku
Z Z Z Z
V ar(T ∗) ≤ V ar(T ) untuk setiap θ maka T ∗disebut estimator tak bias ter- d _ _ _ _ ∂ _ _
... h(x)f (x| θ)d x= ... h(x) f (x| θ)d x (3.45)
baik (memiliki variansi minimum). Karena itu estimator terbaik ini disebut dθ ∂θ
dengan dengan estimator tak bias yang memiliki variansi minimum sera- _ _
untuk setiap fungsi h(x) dengan E | h(x) | < θ. Maka
gam atau uniformly minimum variance unbiased estimator disingkat UMVUE.
d _
Menentukan estimator tak bias terbaik (bila ada) bukan pekerjaan yang _ Eθ T (x)
V ar (T (x)) ≥ dθ _ 2 (3.46)
mudah karena berbagai alasan dan salah satunya adalah sebagai berikut. Eθ ∂ log f (x | θ )
∂θ
Contoh
_ Bukti
Misalkan X1 , X2 ..., Xn adalah iid Poisson(λ). Jika x dan s2 masing-masing
_
adalah mean dan variansinya maka dengan mudah dapat dicari: E(X) = λ Bukti teorema ini sederhana tetapi cantik, dan merupakan pemakaian
dan E(S 2 ) = λ yang kedua-duanya merupakan estimator tak bias untuk yang cerdik dari ketaksamaan Cauchy-Schwarz. Untuk sebarang dua va-
_
λ. Di sini kita tak cukup membandingkan V ar(X) dan V ar(S 2 ) saja. Ka- riabel random X dan Y berlaku
_ _
rena untuk setiap konstanta a berlaku T (X ,S 2 ) =aX +(1 − a)S 2 adalah
estimator tak bias untuk λ. Jadi dalam hal ini ada tak terhingga estimator
[Covar(X, Y )]2 ≤ (Var X) (Var Y ) (3.47)
tak bias.
Bab 3. Estimasi Titik 70 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 71 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Bila kita menyusun kembali 3.47, kita akan mendapatkan batas bawah dari Z Z _
∂ f (x| θ) _
variansi X, = ... dx
∂θ
[Covar(X, Y )] Z Z
V arX ≥ d _ _ _
Var Y = ... T (X )f (x| θ)d x
dθ
_
Kelebihan teorema ini terletak pada pemilihan X dengan estimator T (X )
_
dan Y sama dengan besaran:
∂ log f (x|θ) d
∂θ = E(T (X)
∂ log f (x|θ)
_ dθ
Pertama-tama kita harga harap: ∂θ
. _
∂ log f (x|θ)
Juga, karena E ∂θ
= 0 didapat
_ _
∂ f (x|θ)
!
∂ log f (x| θ) ∂θ _ _ 2 !
Eθ = Eθ _ (sif at log) ∂ log f (x| θ) ∂ log f (x| θ)
∂θ f (x| θ) V ar =E (3.49)
∂θ ∂θ
Z Z _
∂ f (x|θ)
= ... ∂θ
_
_ _
f (x| θ)d x (def inisi) karena itu
f (x| θ)
d
_ 2
Z Z _ _ dθ
ET (X )
∂ f (x| θ) _ _ V ar T (X ) ≥ _ 2
= ... d x (coretf (x| θ)) E ∂ log f (x|θ)
∂θ ∂θ
Z Z qed1 .
d _ _
= ... f (x| θ)d x (sif at3.1)
dθ Untuk kasus sampel independen perhitungan batas bawah menjadi le-
bih sederhana. Perhitungan dalam penyebut menjadi perhitungan varia-
d bel random univariat, seperti yang ditunjukkan dalam corollary berikut
= 1
dθ ini.
Bab 3. Estimasi Titik 72 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 73 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
n 2 !
X ∂ log f (xi | θ)
=E Z
∂θ ∂ ∂ ∂ ∂
Eθ log f (x | θ) = log f (x | θ) f (x | θ) dx (3.51)
∂θ ∂θ ∂θ ∂θ
n 2 !
X ∂ log f (xi | θ) X ∂ log f (xi | θ) ∂ log f (xi | θ) (benar untuk kasus eksponensial), maka
=E + E
∂θ ∂θ ∂θ
∂ log f (xi | θ) ∂ 2 log f (xi | θ)
E = nE (3.52)
∂θ ∂θ2
untuk i 6= j kita mempunyai
Contoh
Misalnya diberikan variabel random Poisson. Dalam hal ini g(λ) = λ.
∂ log f (xi | θ) ∂ log f (xi | θ) ∂ log f (xi | θ) ∂ log f (xj | θ)
E =E E =0 Sehingga g 1 (λ) = 1. Karena Poisson adalah keluarga eksponensial, maka
∂θ ∂θ ∂θ ∂θ
lemma berlaku. Karena itu
Karena itu
2 ! n
!
∂ n ∂ 2 log π f (x | λ)
n
X 2 ! 2 ! E log π f (xi | λ) = −nE (3.53)
∂ log f (xi | θ) ∂ log f (xi | θ) ∂λ ∂λ2
E = nE
∂θ ∂θ
∂ e−λ λx
dan corollary terbukti. = −nE log
2 ∂λ x!
∂ n
Besaran E log π f (xi | θ) disebut informasi Fisher dari sampel.
∂θ
∂2
Terminologi ini mencerminkan kenyataan bahwa informasi Fisher adalah = −nE (−λ + x logλ − log x!)
∂λ2
balikan dari variansi estimator tak bias terbaik dari θ. Dengan informasi
Fisher menjadi makin besar, variansi estimator tak bias terbaik menjadi
x
makin kecil. Ini berarti makin banyaknya informasi tentang θ. = −nE(− )
λ2
Bab 3. Estimasi Titik 74 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 75 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
d
Rθ d
Rθ Rθ
dθ 0
h(x) f (x|θ)dx = dθ 0
h(x) 1θ dx = d
dθ
( θ1 0
h(x))dx
1 n n R
= −n. − E(x) = 2 .λ = θ
λ2 λ λ = h(θ)
θ
+ 0 h(x) ∂θ∂ 1
( θ ) dx
_ _ Rθ ∂f (x|θ)
Karena itu untuk sebarang estimator tak bias T (X ) harus berlaku V arT (X 6= 0 h(x) ∂θ dx.
λ
)≥ n
batas bawah C-R Kecuali h(θ)
= 0 untuk semua θ. Karena itu, Teorema Cramer-Rao tidak
θ
_ _
Karena V ar X ≥ λ
, maka X adalah UMVUE dari λ. berlaku.
n
Sangat penting untuk diingat bahwa kunci dalam Teorema Cramer-Rao Kelemahan metode pencarian UMVUE ini, walaupun Teorema Cramer-
adalah kemampuan untuk mendiferensialkan di bawah tanda integral Rao dapat diterapkan adalah tidak ada jaminannya bahwa batas bawahn-
yang dengan sendirinya agak terbatas penerapannya. Seperti telah kita ke- ya cukup tajam, atau dengan perkataan lain harga batas bawah Cramer-
tahui densitas dalam kelas eksponensial akanmemenuhi persyaratan ini, Rao lebih kecil dari variansi sebaran estimator tak bias. Bila f (x|θ) adalah
tetapi secara umum andaian tersebut harus dilihat kebenaraannya. keluarga eksponensial parameter satu regular maka hal ini akan tidak ter-
jadi yaitu bila estimator tak bias dari g(θ) ada, maka pasti akan ada estima-
Contoh
tor tak bias yang mencapai batas bawah Cramer-Rao. Tetapi, dalam kasus-
Misalkan X1 , ..., Xn adalah iid dengan densitas f (x|θ) = 1/θ dan 0 < x < θ kasus lain, batas ini bisa tidak tercapai.
.
_ 2 Contoh
∂ log f (x|θ) ∂ log f (x|θ)
Karena ∂θ
= −1/θ, maka E ∂θ
= 1/θ2
Misalkan X1 , ..., Xn adalah iidN(µ, σ 2 ), dan pandang estimator σ 2 dalam
Teorema Cramer-Rao mengindikasikan bahwa bila T adalah sebarang esti- hal µ tidak diketahui. densitas normal memenuhi andaian Teorema
θ2
mator tak bias dari θ, maka V ar(T ) ≥ n Cramer-Rao, sehingga
Akan dicari estimator yang tak bias dan variansinya lebih kecil. Sebagai
dugaan pertama pandang statistik cukup Y = Maks(X1 , ..., Xn ). Densitas ∂2 1 1 x− µ 2 1 ( x − µ )2
log e− 2 ( σ ) = −
∂(σ 2 )2 (2πσ 2 )1/2 2σ 4 σ6
dari Y adalah
Rθ n Y n−1 n dan
f (Y |θ) = nY n−1 /θn , 0 < Y < θ, maka E[Y ] = 0 θn
dy = n+1
θ
n
Ini menunjukkan bahwa n+1 Y adalah estimator tak bias untuk θ. Sekarang
∂2 1 ( x − µ )2 1
kita hitung −E log f (x|µ, σ 2 ) = −E − =
∂(σ 2 )2 2σ 4 σ6 2σ 4
n n 2
n 2
n
V ar( n+1 Y ) = ( n+1 ) V ar Y = ( n+1 ) EY 2 − ( n+1 θ )2
2σ4
n 2 Jadi, setiap estimator tak bias T dari σ 2 harus memenuhi V ar(T ) ≥ n
n 2 n
= ( n+1 ) n+1 θ − ( n+1 θ )2
2σ4
Kita telah mengetahui bahwa V ar(S 2 ) = n−1
. Jadi S 2 tidak mencapai
θ2
= n ( n+2) CRLB
θ2
Yang secara seragam lebih kecil dari .
n Dalam contoh di atas sebenarnya kita mempunyai pertanyaan yang belum
Ini menunjukkan bahwa Teorema Cramer-Rao tidak dapat diterapkan pa- terjawab, yaitu apakah ada estimator dari σ 2 yang lebih baik dari S 2 atau
da densitas ini. Untuk menunjukkan ini, gunakan aturan Leibnitz. CRLB tak bisa dicapai?
Bab 3. Estimasi Titik 76 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 77 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Syarat pencapaian CRLB sebenarnya cukup sederhana. Hal ini mengin- Di sini kita mempunyai
gat bahwa terjadi dari pemakaian ketaksamaan Cauchy-Schwarz, sehingga
syarat pencapaian batas bawah tersebut adalah syarat kesamaan dalam _ 1 1 P (Xi − µ)2
L µ, σ 2 | x = e− 2 σ2
ketaksamaan Cauchy − Schwarz. Perhatikan juga bahwa corollary di ba- (2πσ 2 )n/2
wah merupakan alat berguna karena secara implisit memberikan cara pa-
Karena itu
da kita untuk mendapatkan estimator tak bias terbaik.
_ n
!
Akibat ∂ log L ( µ , σ 2 | x ) n X (Xi − µ)2
= − σ2
∂ σ2 2 σ4 n
Misalkan X1 , ..., Xn adalah iid f (x|θ ) memenuhi syarat-syarat Teorema
_ Qn
Cramer-Rao. Misalkan L(θ| x)= i=1 f (xi |θ) menyatakan fungsi likelihood. Jadi dengan mengambil (σ 2 ) = 2σn4 menunjukkan bahwa estimator tak bisa
_ P
Bila T (X ) = T (X1 , ..., Xn ). adalah sembarang estimator tak bias dari g(θ), terbaik dari σ 2 adalah (Xi − µ)2 /n, yang dapat dihitung bila µ diketa-
_
maka T (X ) mencapai Cramer-Rao Lower Bound jhj hui. Bila µ tak diketahui, CRLB tidak dapat dicapai
_
_ ∂ log L( θ | x ) Akibat
a(θ)[T (X ) − g(θ)] =
∂θ
untuk suatu fungsi a(θ). Jika θb adalah estimator tak bias untuk θ dan
b = 1
V ar(θ) (3.54)
Bukti n.E [(∂ ln f (x)/∂θ)2 ]
Bab 3. Estimasi Titik 78 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 79 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Contoh
Misalkan X1 , ..., Xn adalah sampel random populasi yang i.i.d dengan dis- Misalkan X1 , ..., Xn adalah i.i.d ∽ N(θ, τ 2 ). Dalam hal ini θ1 = θ dan θ2 =
− P 2
tribusi f (x/θ1 , ..., θk ). Estimator metode momen adalah solusi dari persa- τ 2 . Kita mempunyai m1 =X , m2 = n1 Xi , µ1 = θ, µ2 = θ2 + τ 2 . Di sini
maan µ′r = m′r (r = 1, 2, ..., k). Dalam hal ini µ′r = E(X r ) adalah momen − P
n
kita harus menyelesaikan X = θ dan n1 Xi2 = θ2 + τ 2
X
populasi ke-r dan m′r = 1/n Xir adalah momen sampel ke-r,
i=1
Contoh
Lebih tepatnya untuk j = 1, 2...., k definisikan: Misalkan X1 , ..., Xn adalah i.i.d Binomial (k, p), yaitu,
!
k
P (Xi = x | p) = px (1 − p)k−x , x = 0, 1, ...k. (3.57)
x
n
X
1
m1 = Xi1 , µ1 = EX 1 (3.55) Di sini diandaikan bahwa k dan p kedua-duanya tidak diketahui.
n i=1
Xn
1 Dengan menyamakan dua momen sampel pertama dan momen populasi
m2 = Xi2 , µ2 = EX 2
n didapat sistem persamaan
i=1
.
.
−
. X = kp (3.58)
n
1 X k 1X 2
mr = X , µk = EX r Xi = kp(1 − p) + k 2 p2 (3.59)
n i=1 i n
Hasilnya adalah:
Momen populasi µj biasanya merupakan fungsi dari θ1 , ..., θr ,katakanlah
− − −2 −
µj (θ1 , ...θr ). Estimator metode momen (θ1 , ..., θk ) dari (θ1 , ..., θr ) dalam ben- ∼ X ∼ X
k= − P −
dan p = ∼ (3.60)
tuk (m1, ..., mr ), di mana: 1
X − n (Xi − X )2 k
Bab 3. Estimasi Titik 80 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 81 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Catatan
∼ − n
L( θ |X ) = L(θ1 , ..., θk | X1 , ...Xn ) =π f (xi | θ1 , ..., θk ) (3.61)
Untuk setiap bilangan a berlaku
_ _ _
Untuk setiap titik sampel x, misalkan θ (x) adalah harga parameter di n n
∼ _ _ _ X X _
mana L( θ | X) sebagai fungsi θ dengan menganggap x konstan mencapai (xi − a)2 ≥ (xi − x)2 (3.65)
_
maksimumnya. Estimasi maksimum likelihood (MLE) dari θ berdasarkan i=1 i=1
_ _ _
sampel x adalah θ(x). _
kesamaan berlaku bhb a = x . Ini berati bahwa untuk setiap θ berlaku
1 P 2 1 P _ 2 _ _ _
Perhatikan bahwa dari konstruksinya, jelajah dari MLE berimpit dengan e− 2 (xi −θ) ≤ e− 2 (xi −x) dengan kesamaan bhb θ =x. Karena itu x adalah
jelajah dari parameter. Secara intuitif, MLE adalah estimator yang masuk MLE.
akal, karena MLE adalah titik parameter dengan sampel terobservasi pa-
Dalam banyak kasus, di mana deferensiasi digunakan. Kita akan lebih mu-
ling mungkin terjadi. Meskipun demikian perhatikan juga sensitivitas pe- _ _
dah bekerja pada logaritma alam dari L(θ |x) yaitu logL(θ |x). Dikenal se-
rubahan data. _
bagai log likelihood dari pada L(θ |x) nya sendiri. Hal ini dimungkinkan
_
Bila fungsi likelihood terdeferensialkan (dalam Estimator) maka calon karena fungsi log naik tegas pada (0, ∞), yang berarti bahwa L(θ |x) dan
_
MLE yang mungkin adalah harga-harga (θ1 , ..., θk ) sedemikian hingga log L(θ |x) mempunyai ekstrem yang sama.
_ Contoh
dL (θ |x)
= 0, i = 1, 2, ..., k (3.62)
dθi Misalkan x1 , ..., xn adalah i.i.d Bernoulli (p).
Perhatikan bahwa 3.62 hanyalah syarat perlu untuk terjadinya maksi- Maka fungsi likelihood adalah
mum.
_ n
L(p |x) = πi=1 pxi (1 − p)1−xi = py (1 − p)n−y (3.66)
Contoh
P
di mana y = xi . Walaupun fungsi ini untuk diambil derivatifnya, na-
Misalkan X1 , ..., Xn adalah i.i.d ∽ N(θ, 1), dan misalkan: mun akan lebih mudah mengambil derivatif likelihoodnya.
∼ _ n 1 1 2 1 1 P 2
L( θ | X) =πi=1 e− 2 (xi −θ) = e− 2 (xi −θ) (3.63) _
LogL(p |x) = y log p + (n − y) log(1 − p). (3.67)
(2π)1/2 (2π)n/2
Bab 3. Estimasi Titik 82 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 83 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
_
Bila 0 < y < n, mendeferensialkan Log L(p |x) dan menyamakannya den-
a 1 (θ− 12 ≤ x ≤ θ+ 21 ).
gan nol memberikan hasil p = y/n. selanjutnya dengan mudah dapat di- f (x | θ) = {0 yang lain (3.70)
buktikan bahwa y/n adalah maksimum global. Untuk y = 0 atau y = n,
maka _ 1 bila maks xi − 1
≤ θ ≤ min xi + 1
L(θ |x) = {0 yang lain.
2 2
(3.71)
_ n log(1−p), bila y=0 1 1
LogL(p |x) = {n log p, bila y=n (3.68) Jadi setiap θ diantara maks xi − 2
dan min xi + 2
adalah MLE.
_ Barangkali salah satu sifat yang paling berguna dari MLE adalah si-
Dalam keadaan bagaimanapun Log L(p |x) fungsi monoton dari p, dan
a fat invariannya. Misalkan dalam hal ini kita tertarik pada estimasi
mudah dilihat bahwa p = y/n. g(θ) dengan θ → g(θ) fungsi satu-satu. Sifat invarian mengatakan
a a
Hal penting yang perlu diperhatikan dalam mendapatkan MLE, adalah bahwa kalau θ adalah MLE dari θ maka g( θ ) juga MLE dari g(θ).
jelajah ruang parameter.
Misalkan η = g(θ). Maka g −1 (η) = θ. Selanjutnya
Contoh:
_ n
1. Misalkan x1 , ..., xn adalah i.i.d ∽ N(θ, 1), tetapi diketahui bahwa θ ≥ L∗ (η| x) = πi=1 f (xi | g −1(η) (3.72)
_
0. = L g −1 (η) |x (3.73)
_
(a) Bila tidak ada batasan pada θ, kita telah mengetahui bahwa x
_ dan
adalah MLE dari θ. Tetapi bila x< 0, maka harga tersebut berada
di luar ruang parameter. _ _ _
_ _ Supη L∗ (η |x) = Supη L g −1(η) |x = Supθ L(θ |x) (3.74)
(b) Bila x< 0, maka L(θ |x) fungsi turun dari θ untuk θ ≥ 0 dan
a a _ _ _
mencapai maksimum untuk θ = 0. Karena itu, θ =x bila x≥ 0
a
Jadi, maksimum dari L∗ (η |x) dicapai pada η = g(θ) = g( θ ), yang
a _
dan θ = 0 bila x< 0.
a
menunjukkan bahwa MLE dari g(θ) adalah g( θ ).
_
2. Misalkan x1 , ..., xn adalah iid dengan distribusi seragam pada (0, θ). Bila θ = (θ1 , ..., θk ) multidimensi, maka persoalan menentukan MLE
adalah persoalan memaksimumkan fungsi beberapa variabel. Bi-
_ la fungsi likelihood terdiferensialkan, maka menyamakan turunan-
L(θ |x) = {0θ−n
untuk θ<maks xi
untuk θ≥maks xi (3.69)
turunan parsial pertama sama dengan nol memberikan syarat perlu
a terjadinya ekstrim. Tetapi, dalam kasus multidimensi, penggunaan
Maka θ = maks xi .
turunan kedua untuk menguji maksimum adalah pekerjaan yang
3. MLE belum tentu tunggal. membosankan, dan untuk menghindarinya metode lain bisa dicoba.
Misalkan x1 , ..., xn adalah i, i, d dengan distribusi seragam pada (θ − 4. Misalkan X1 , ..., Xn adalah i.i.d ∽ N(θ, τ )2 dengan θ dan τ 2 kedua-
1 1
2
,θ + 2
). duanya tak diketahui, maka
Bab 3. Estimasi Titik 84 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 85 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
_ n n 1 X
n Penyelesaian:
log L(θ, τ 2 |x) = − log 2n − log τ 2 − (xi − θ)2 /τ 2 (3.76)
2 2 2 i=1 Xi ∼ P (ai λ), berarti fungsi pembangkit momen dari Xi adalah:
Bab 3. Estimasi Titik 86 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 87 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Dengan demikian disimpulkan T (x) = Σri=1 xi adalah statistik cukup • Fungsi padat peluang bersama dari xi adalah:
−n2 − 1 Σ(x−r)2
untuk λ f (x | θ) = (2πσ 2 ) e 2σ dengan θ = σσ 2 dan yi adalah :
2 −n2 − 2σ
1
Σ(y−σ)2
f y | θ = (2πσ ) e
2. Misalkan f fungsi integrabel yang positif terdefinisi pada (0, ∼), dan
misalkan Pθ (x) adalah fungsi kepadatan peluang pada (0, θ)dengan • Rasio dari kedua persamaan ini adalah:
−n2 − 1 Σ(x−r)2
f (x,v|θ) (2πσ2 ) e 2σ
definisi: f (u,v|θ)
= 2 −n2 −
1 Σ(y−σ)2
(2πσ ) e 2σ
1 2 1 2
( = e− 2σ Σ(x−σ) + 2σ Σ(y−r)
C(θ)f (x) ; 0<x<0 2 2 2 2
= e− 2σ Σ(x −2σx+σ ) + 2σ Σ(y −2σy+σ )
1 2 1 2
Pθ (x) =
0 ; otherwise 2 σ2
2
Jika x1 , x2 , ...xn variabel random iid dengan densitas Pθ , tunjukkan = e− 2σ (Σx −Σy )+ σ Σx− σ Σy
1 2 2 1 1
Bab 3. Estimasi Titik 88 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 89 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
P
Persamaan metode memennya adalah: n1 ni=1 xi = x = θΛ + b−a
2
,
sehingga, momen estimator untuk parameter θ adalah θΛ = x −
1 4b2 − 4ab − 4a2 − 3b2 − 6ab − 43a 1 4b + 2ab + a2
+ b−a = = =
2 n 12 n 12
2
(b) Untuk menghitung variansinya, terlebih dahulu dihitung 1 (a + b)
(a + b)2 =
E (x2 )sebagai berikut: 12n 12n
R θ+b
E (x2 ) = θ−a
x. 1 dx
1
1 b+a
θ+b
= b+a 3
x3 θ−a
5. Jika x1 , x2 , ...xn variabel independen berdistribusi U (−θ, θ)dengan
= 1
3(b+a)
(θ + b)3 − (θ − a)3
1 θǫΩ=(0, ∝)
= 3(b+a)
{(θ3 + 3θ2 b + 3θb2 + b3 ) − (θ3 − 3θ2 a + 3θa3 + a2 )}
1 apakah metode momen memberikan suatu estimator untuk θ?
= 3(b+a)
{(3θ2 b + 3θ2 a + 3θb2 − 3θa2 + b3 + a3 )}
1
= 3(b+a)
{3θ (θb + θa + b2 − 3θa2 ) + (b3 + a3 )} Penyelesaian:
θ 2 (b+a) θ 2 (b2 −a2 ) (b3 +a3 ) 1
= (b+a)
+ (b+a) + 3(b+a) X ∼ U (−θ, θ), berarti f (x | θ) = 2θ ; −θ ≤ x ≤ θ
Rθ Rθ 1
(b+a)(b2 −ab+a2 ) E (x) = −θ f (x | θ) dx = xdx
= θ2 + θ(b−a)(b+a) + Jadi: −θ 2θ
(b+a) 3(b+a)
1 1 2 θ 1 2 2
(b2 −ab+a2 ) = x = θ − (−θ) =0
= θ2 + θ (b − a) + 3
2θ 2 −θ 4θ
Sehingga diperoleh persamaan metode momennya yaitu:
E (x) = n1 Σni=1
i 1
Xi = X = 0, karena E (x) = 4θ .0 = 0
Selanjutnya, dihitung variansi estimator θ, yaitu θΛ maka θ = 0atau θΛ = 0, dengan demiian metode momen tidak mem-
2 berikan suatu estimator untuk θ.
b−a b−a b−a
V θΛ = V x− =E x− −E x−
2 2 2
2
b−a b−a 6. Jika x1 , x2 , ...xn variabel random iid berdistribusi binomial negatif de-
= E x− − E (x) + = E {x − E (x)}2
2 2 ngan parameter θǫΩ (0, 1)
1 n 1 r
Tunjukkan bahwa : r+x adalah MLE untuk θ
= V (x) = V Σi=1 xi = 2 .V (Σni=1 xi )
n n
1 1 1 Penyelesaian:
= .nV (x) = V (x) = E x2 − E x2
n2( n n
2 )
1 2 b2 − ab + a2 b−a
= θ + θ (b − a) + − θ+
n 3 2
• Xi =∼ binomial negatif, berarti :
( !) r+x−1
1 2 b2 − ab + a2 (b − a)2 θr x
= θ + θ (b − a) + − θ + θ (b − a) + f (x | θ) = Θ (1 − θ) dengan 0 < θ ≤ 1; x = 0, 1,
n 3 4
( ) ( ) x
2
2
1 b − ab + a 2
(b − a) 1 4b − 4ab − 4a − 3 (b − a)2
2 2
= − =
n 3 4 n 12 Fungsi likehoodnya adalah:
Bab 3. Estimasi Titik 90 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 91 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
n
r+x−1 • Logaritma fungsi likehood adalah: L (x | θ) = πi=1 θe−θx =
n nr Σn x n −θx
L (x | θ) = πi=1 θ (1 − θ) i=1 i θ θe
x • d
[logL (x | θ)] = n
− Σni=1 xi ; d
[logL (x | θ)] = − θn2 < 0
• dθ θ dθ
r+x−1
n nr Σn x • Persamaan likehoodnya adalah : − θnΛ − Σni=1 xi = 0 atau
= πi=1 θ (1 − θ) i=1 i
x n − θΛ Σni=1 xi
= 0 ⇔ n − θΛ Σni=1 xi = 0
• Logaritma fungsi likehood adalah: θΛ
r+x−1 n nn 1 Σn xi
⇒ θΛ = n = Σn xi = : dengan i=1 = x
n Σn x Σi=1 xi i=1 x n
logL (x | θ) = log πi=1 θnr (1 − θ) i=1 i n
x • Jadi MLe untuk parameter θadalah θΛ = 1
x
r+x−1
= Σni=1 log + nr log θ + Σni=1 xi log (1 − θ) 8. Misalkan x1 , x2 , ...xn variabel random iid hdengan i p.d.f f (.; θ1 , θ2 )
x yang diberikan oleh: f (x; θ1 , θ2 ) = θ12 exp (x−θ
θ2
1)
; x > θ1 dimana
d nr Σn
i=1 xi
θ = (θ1 , θ2 ) εΩ = Rx (0, ∝). Tentukan MLE dari θ1 danθ2 .
• dθ
[logL (x | θ)] = θ
− 1−θ
nr Σni=1 xi
Penyelesaian:
• persamaan likehoodnya adalah: θΛ
− (1−θ Λ )
= 0atau
• Fungsi padat peluang x1 adalah:
nr 1 − θΛ − θΛ Σni=1 xi
Λ Λ
= 0 ⇔ nr 1 − θΛ − θΛ Σni=1 xi = 0
θ (1 − θ ) 1 (x − θ1 )
f (x | θ1 , θ2 ) = exp ; x > θ1
⇒ nr − nrθΛ − θΛ Σni=1 xi = 0 ⇒ nr = θΛ (nr+) Σni=1 xi θ2 θ2
nr nr r Σni=1 xi • Fungsi likehoodnya adalah:
θΛ = n
= Σn x
= ; dengan =x
nr + Σi=1 xi nr + i=1 i r+x n h i h i
n
n 1 (x−θ1 )
r L (θ | x) = πi=1 θ2
exp θ2
= 1n exp − θ12 Σni=1 (x − θ1 )
Jadi calon MLE untuk parameter θadalah: θ = r+x h θ2 i
= θ2n exp − θ12 Σni=1 (x − θ1 )
7. Jika x1 , x2 , ...xn variabel random iid berdistribusi exponensial negatif
1 • Logaritma fungsi likehoodnya adalah:
dengan parameter θǫΩ (0, ∝), Tunjukkan bahwa x
adalah MLE bagi
parameter θ. 1 n d n
logL (θ | x) = −nlogθ2 − Σ (x1 − θ1 ) ; dan [logl] (θ | x) =
θ2 i=1 dθ1 θ2
Penyelesaian:
Karena dθd1 [logl (θ | x)] = θn2 ,maka metode pendiferensialan ti-
• Xi∼ exponensial negatif, berarti fungsi kepadatan peluangnya dak dapt digunakan untuk memperoleh MLE dari θ1 , oleh se-
adalah: bab itu digunakan cara berikut.
Telah hdiketahui bahwa i xi > θ1 ; ∀i , jadi L (θ | x) =
f (x | θ) = θe−θx ; θ > 0; x > 0 θ2−n exp − θ12 Σni=1 (x − θ1 ) akan mencapai maksimum apabila
0 ; x ≤ 0; θ > 0 1 n
Σ (x1 − θ1 )minimum, ini hanya dicapai apabila θ1 = x(i) .
θ2 i=1
Bab 3. Estimasi Titik 92 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 93 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
atau nx−nx(1) riasi αdan n, serta MLE dan prior mean tetap.
= n
= x − x(1)
Untuk membuktikan bahwa θ2Λ = x − x(1) benar-benar maksi-
mum global, harus ditunjukkan: Penyelesaian:
d θ y e−θ
• yi ∼ P (θ) , berarti densitas dari y adalah f (y | θ) = ;y =
[logL (θ | x)]θ2 =θΛ < 0; sebagai berikut y!
dθ1 2
0, 1, 2...
θ Σyi e−nθ
• Distribusi bersama dari y adalah: f (y | θ) = πyi !
jadi distri-
d n 2Σn
i=1 (x−θ1 )
dθ1
[logL (θ | x)]θ2 =θΛ = 2 − n busi posterior dari θadalah:
2 nθ2
1 n
= 2 [nθ2 − 2Σi=1 (x −
θ2
θ1 )]
1
f y | θ .π (y | α, β)
=
3 n x − x (1) − 2Σxi + 2nx(1) π (y | θ) = R ∝ (3.79)
(x−x(1) ) 0
f y | θ π (y | α, β) dθ
1
= 3 nx − nx(1) − 2Σxi + 2nx(1) Dihitung dulu:
(x−x(1) )
1
= 3 nx − 2nx + nx(1) R∝ R∝
(x−x(1) ) f y | θ π (y | α, β) dθ = 0 θ Σyi e−nθ β α θ α−1 −βθ
. r(α) e
0 πyi !
= 1
3 −nx + nx(1) R∝ θ Σyi e−nθ β α θ α−1 −βθ
(x−x(1) ) = 0 πyi !
. r(α) e
−n R∝ θ Σyi e−nθ β α θ α−1 −βθ
= 3 = 0 . r(α) e (3.80)
(x−x(1) ) R∝ πyi !
θ Σyi e−nθ β α θ α−1 −βθ
d
Karena n > 0dan x − x(1) > 0, maka dθ1 [logL (θ | x)]θ2 =θΛ = = 0 πyi !
. r(α) e
2 R∝ θ Σyi e−nθ β α θ α−1 −βθ
−n
3 < 0.
= 0 πyi !
. r(α) e
(x−x(1) )
Dengan demikian disimpulkan bahwa MLE untuk parameter
Substitusi 2 ke 1 diperoleh:
θ2 adalah: θ2Λ = x − x(1)
a
θ Σyi e−nθ β α θ α−1 −βθ
πyi
. r(α) .e
π θ|y = β α r (Σyi +α)
9. Jika y1 , y2, ...y variabel random iid berdidstribusi Poisson dengan πyi !r(α)(α+β)Σyi +α
(n+β)Σyi +α Σyi +α−1 −(n+β)θ
mean θdan distribusi Prior adalah gamma dengan parameter α, β = r(Σyi +α)
.θ e
Bab 3. Estimasi Titik 94 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 95 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Atau distribusi Posterior diatas dapat juga dihitung dengan Jadi variansi posterior dari θadalah:
cara sebagai berikut:
V (θ | y) = E (θ2 | y) − E (θ | y)2
n o2
π θ|y α f y | θ π (θ) = (Σyi +α+1)(Σy i +α)
− Σy i +α
α θ α−1 e−βθ
Σy (n+β)2 n+β
α k. β . θπy!i e−nθ (3.81) (Σyi +α+1)(Σyi +α)−(Σyi +α)2
r(α) = (n+β)2
Σyi +α−1 −n(n+β)θ
α k1 θ e Σyi +α
= (n+β)2
Karena:
b. Dinyatakan Posterior mean, sebagai rata-rata tertimbang dari
Z ∝
MLE dan prior mean.
k1 θΣyi +α−1 eu dθ, maka :
0 • Estimator maksimum likehood dari θadalah:
Z ∝
ki Σyi +α−1 u
n
Fungsi likehood dari y: L (θ | y) = πi=1 f (yi | θ) = θ Σyi e−nθ
Σyi +α
θ e du = 1 n y !
πi=1 i
(n + β) 0
Logaritma dari fungsi likehood y adalah: logL (θ | y) = Σyi ogθ−
ki (n + β)Σyi +α nθ − logπyi,dan
Σyi +α
r (Σyi + α) = 1 ⇒ k1 = (3.82)
(n + β) r (Σyi + α) d
{logL (θ | y)} = Σyθ i − n, syarat perlu adanya maksimum
dθ
d
4 ke 3 diperoleh: dθ
{logL (θ | y)} = 0, sehingga persamaan likehoodnya adalah:
Σyi
θΛ
− n = 0 ⇔ Σyi = nθΛ = 0. Jadi calon MLE dari θadalah:
(n + β)Σyi +α Σyi +α−1 −(n+β)θ d2
π θ|y = θ e θ = Σy
Λ
n
i
= y karena dθ Σyi
2 {logL (θ | y)}]θ=θ Λ = − θ Λ < 0, maka
r (Σyi + α) Λ Σyi
MLE dari parameter θadalah θ = n = y.
• Sekarang dihitung “posterior mean” dari θ • Prior Mean dari θadalah:
R∝
E (θ | y) = θπ (θ | y) dθ
R ∝ (n+β)Σy0i +α Σy +α− −(n+β)θ R∝ α α−1
= .θ i .e dθ E (θ) = 0
θ β θ e−βθ dθ
0 r(Σyi +α)
Σy+α R ∝ βr(α)
α θα
Σyi +α R ∝
(n+β)
= r(Σyi +α) . 0 n+β u −u du
.e . (n+β) = 0 r(α)
e−βθ dθ
βα
R ∝ u α −u du
1
R ∝ Σy+α −u = r(α) 0 β e β
= r(Σyi +α)(n+β) 0
u e du R ∝ α −u
1
= r(Σyi +α+1) = r(α)β 0
u e du
(n+β)r(Σyi +α)
1
= (Σyi +α)(Σyi +α−1) = r(α)β
r (α + 1)
(n+β)(Σyi +α−1)
αr(α)
E (θ | y) = (Σyi +α) = βr(α)
.
(n+β)
α
= β
• Selanjutnya dihitung “Variansi Posterior” dari θ
(n+β)Σyi +α R ∝ Σyi +α+1 −(n+β)θ Telah diperoleh: Posterior mean dari θ : E (θ | y) = Σy i +α
, MLE
E (θ2 | y) = r(Σyi +α) 0
θ e dθ (n+β)
Σyi +α+1 Σyi
(n+β)Σyi +α R ∝ u
dari θ : θ = n = y Prior mean dari θ : E (θ) = αβ. Jadi
−u d
= r(Σyi +α) 0 n+β .e . n+β
R ∝ Σy +α+1 −u Posterior dapat dinyatakan seabgai rata-rta tertimbang dari
1
= (n+β)2 r(Σy +α) 0
u i
e du MLE dan Prior mean, sebagai berikut:
i
r(Σyi +α+2)
= (n+β)2 r(Σyi +α)
Σyi +α
= a Σy i
+ bαβ ⇒
(n+β) n
(Σyi +α+1)(Σyi +α) Σyi +α aβΣyi +nbα
nβΣyi + nbα = (n + β) aβΣyi +
= (n+β)2 n+β
= nβ
⇒
Bab 3. Estimasi Titik 96 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 97 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
(n + β) nb Σy
n. i +α
Σyi +1
atau ini dapat disajikan sebagai: n+β
= n
n+β
Σy
n. n i +α
= n+βα.α
nβ = (n + β) aβdan nβα = (n + β) nβα n.y+α
= 1
n+ E(θ) .α
n αβα
atau = α
n+ E(θ)
(y) + n+ α (αβ)
E(θ)
Dari persamaan * dapat diamati bahwa. (ii). Jika α besar dan n tetap, maka posterior mean sama dengan
(i) Jika n besar dengan β tetap, maka Posteriormean sama mean prior, yaitu
dengan MLE dari θ, yaitu n o
n αβα
E (θ | y) = limn→∝ n+αE(θ)
(y) + n+αE(θ)
(αβ)
n o
n Σyi β = αβ
E (θ | y) = limn→∝ n+β n
+ n+β (αβ)
= Σyi
(1) n + (0) (αβ) = E (θ)
Σyi
= n 10. Misalkan y1 , y2 , ...yn variabel random iid berdistribusi Poisson de-
= y
ngan mean θ, dan distribusi prior adalah Gamma dengan parameter
(ii). Jika β besar dengan n tetap, maka posterior mean sama α, β
dengan mean prior dari θ, yaitu
β α θα−1 −βθ
n o π (θ | α, β) = e
E (θ | y) = limn→∝ n Σyi β
+ n+β (αβ) r (α)
n+β n
= (0) Σy
n
i
+ (1) (αβ) Pertanyaan: tentukan estimator Bayes dari θuntuk fungsi-fungsi ke-
= αβ rugian berikut,
= E (θ) (i). L (a, θ) = (a, θ)2
(ii). L (a, θ) = θ (a, θ)−12
Atau Posterior mean E (θ | y) diatas dapat dinyatakan sebagai
(iii). L (a, θ) = (a − θ)4
berikut:
(iv). L (a, θ) =| a − θ |
Bab 3. Estimasi Titik 98 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 99 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
!
• Xi ∼ B (l, θ)maka densitas dari Xi adalah: n −t
• Karena (1 − θ)n 6= 0 maka Σnt=0 g (t) θ
=
f (xi | θ) = θxi (1 − θ)1−xi ; xi = 0, 1; i = 1, 2, ..., n t 1−θ
!
• Densitas bersama dari xi adalah: n θ
Σnt=0 g (t) y t = 0; dengan y = 1−θ , dan ini adalah poli-
t
!
n
f (x | B) = πi=1 f
(xi | θ) t n
nomial derajat n dalam y. Koefisien y adalah g (t) , kare-
= θ Σxi
(1 − θ)n−Σxi t
= θΣxi (1 − θ)n (1 − θ)−Σxi na polinomial ! berniali nol ∀y, maka setiap koefisien harus = 0.
Σxi
= (1 − θ)n 1−θ θ n
Karena 6= 0, berarti g (t) = 0, dengan t = 0, 1, 2, ..., n. De-
= t
ngan demikian, T (x) = Σxi adalah statistik cukup dan lengkap.
Berdasarkan teorema faktorisasi, T (x) = Σxi adalah statistik cu-
kup untuk parameter θ • Selanjutnya, E [T (x)] = Σni=1 {xi } = Σni=1 E (xi ) = Σni=1 θ = nθ
• Sekarang ditunjukkan T (x) = Σxi adalah statistik cukup dan Sekarang, misalkan:
lengkap T Σn
xi ∼ B (1, θ),Mgfnya adalah Mx (t) = (1 − θ) + θet ∅ (T ) = = i = x, maka
n n
Mgf dari T (x) = Σxi adalah:
Σxi 1 1
E [∅ (T )] = E = Σni=1 E (xi ) = .nθ
MT (x) (t) = MΣxi (t) = {Mx (t)}n , karena xi iid n n n
= {(1 − θ) + θet } ini adalah Mgf dari distribusi Binomial (n, θ). Berdasarkan teorema 1, disimpulkan ∅ (T ) = T
= xadalah
n
Jadi diperoleh: xi ∼ B (1, θ) ⇒ T (x) = Σxi ∼ B (n, θ) UMVU Estimator untuk parameter θ
Sehingga: densitas dari T (x) = Σxi adalah
!
n
f (Σxi | θ) = θt (1 − θ)n−t ; dengan t = Σxi , dan t = 0, 1, 2, ..., n 12. Misalkan x1 , x2 , ..., xn variabel random berdistribusi gamma dengan
t
! α diketahui dan β = θǫΩ = (0, ∝)tidak diketahui.
n
Keluarga distribusi f (Σxi = t | θ) = θt (1 − θ)n−t adalah
t Tentukan, bahwa UMVUE dari θadalah:
lengkap sebab:
1 n
! Σ xj
u (x1 , x2 , ..., xn ) =
n nα j=1
Eθ [g (t)] = Σnt=0 g (t) θt (1 − θ)n−t Dan tentukan variannya, serta batas cramer-Rao.
t ! Penyelesaian:
n
= (1 − θ)n Σnt=0 g (t) θt (1 − θ)−t ⇒Xi ∼ Gamma (α, β = θ),maka densitas dari xi adalah:
t !
n −t 1
= (1 − θ)n Σnt=0 g (t) θ
1−θ f (Xi | β = θ) = xα−1 e−xi θ ; xi > 0, α diketahui , θ > 0
t r (α) θα i
∀θ : 0 < θ < 1. ⇒Densitas bersama dari xi adalah:
Bab 3. Estimasi Titik 100 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 101 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
2
d α2 2α 1 Jadi T (x1 , x2 , .., xn )adalah estimator tak bias untuk µ. Dengan kata
E [logf (x | θ)] = 2 − 3 E (x) + 4
E x2
dθ θ θ θ lain bias T (x1 , x2 , .., xn ) = E (T (x1 , x2 , .., xn )) − µ = µ − µ = 0.
α2 2α 1 Jadi :
= 2 − 3 αθ + 4 αθ2 + αθ2
θ θ θ limn→∞ {bias T (x1 , x2 , .., xn )} = 0 (3.86)
α2 2α α α2 α
= 2 − 3 + 2+ = 2
θ θ θ θ2 θ
Karena distribusi gamma memenuhi Teorema Cramer-Rao maka un- ⇒selanjutnya dihitung V ar [T (x1 , x2 , .., xn )]. n o
2
tuk sembarang estimator tak bias untukθ, sebut saja w = h (x), berla- V ar T (x1 , x2 , .., xn ) = V ar Σ0 ixi
2(n+1) i
4
ku: = [n(n+1)]
V ar {x1 + 2x2 + 3x3 + .. + nxn } ,
1
V ar (w) ≥ 2 = 4
{V ar (x1 ) + 2V ar (x2 ) + ... + nV ar (x3n
nE { dθ
d
[logf (x|θ)]} n2 (n+1)2
4
= 1
n α2
= n2 (n+1)2
{σ 2 + 4σ 2 + 9σ 2 + ... + n2 σ 2 }
θ
4
= θ2 = n2 (n+1)2
{12 σ 2 + 22 σ 2 + 32 σ 2 + ... + n2 σ 2 }
nα
4σ2
θ 2 = n2 (n+1)2
{12 + 22 + 32 + ... + n2 }
Jadi batas Crame-Rao adalah nα . 1
4σ2
= n2 (n+1)2 6 n
n (n + 1) (2n − 1)
Terlihat bahwa varians dari estimator tak bias U (x1 , x2 , .., xn ) = o
2σ 2n+1 2
1
Σn x sama dengan batas Cramer-Rao, yaitu: = 3 n(n+1)
nα j=1 j
1
θ2 Sekarang diambil limit dari V ar {T (x1 , x2 , .., xn )}untuk n → ∞,
V ar (U (x1 , x2 , .., xn )) = V ar Σn x =
nα j j nα
= batas Cramer-Rao
Dengan demikian: U (x1 , x2 , .., xn ) = 1
Σn x adalah UMVU estimator yaitu:
nα j j
bagi θ.
2 2 2n − 1 2 2n − 1
limn→∞ σ = σ 2 limn→∞ =0 (3.87)
3 n (n + 1) 3 n (n + 1)
13. Misalkan x1 , x2 , .., xn variabel random iid, dengan E (xi ) = µ; E |
xi |2 < ∞,dan V ar (x) = σ 2 .
Dari 1 dan 2, berdasarkan teorema, disimpulkan bahwa
Tunjukkan: T (x1 , x2 , .., xn ) = 2 [(n + 1)]−1 Σni ixi estimator konsisten T (x1 , x2 , .., xn ) = 2 [n (n + 1)]−1 Σni ixi adalah barisan estimator
untuk µ. yang konsisten terhadap parameter µ.
Penyelesaian: ⇒
14. Misalkan X1 , ..., Xn sampel random dari populasi N(µ, σ 2 ). Tunjuk-
T (x1 , x2 , .., xn ) = 2
Σn ixi kanlah bahwa X adalah UMVUE untuk µ
2(n+1) i
2
= 2(n+1)
{x1 + 2x2 + 3x3 + .. + nxn }
= 2
E {x1 + 2x2 + 3x3 + .. + nxn } Bukti
2(n+1)
2
= 2(n+1)
{E (x1 ) + 2E (x2 ) + 3E (x3 ) + .. + nE (xn )}
= 2
{µ + 2µ + 3µ + ... + nµ} E(X) = 1/n.nµ = µ. Jadi X estimator tak bias untuk µ. V ar(X) =
2(n+1)
= 2
µ {1 + 2 + 3 + ... + n} σ 2 /n. Sekarang akan dicari batas bawah Cramer-Rao
2(n+1)
2
= 2(n+1)
µ 12 n (n + 1) 1 −1 −2 2
Bab 3. Estimasi Titik 104 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 105 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
17. Diketahui X1 , ..., Xn sampel random dari N(θ, 1), −∞ < θ < ∞. Ten-
1 σ2
2 = (3.92) tukan MLE untuk θ
n.E (∂ ln f (x)/∂θ) n
σ2
Jawab:
Jadi batas bawah Cramer-Rao adalah . 2
n
f (x/θ) = (2π)−1/2 e−1/2(x−θ) (3.93)
2
Karena X estimator tak bias untuk µ dan V ar(X) = σn sama dengan
batas bawah Cramer-Rao maka menurut akibat teorema Cramer-Rao n
L(θ/x) = Πi=1 f (xi /θ) (3.94)
X adalah UMVUE " n
#
X
= (2π)−n/2 exp −1/2 (Xi − θ)2 (3.95)
15. Misalkan X1 , ..., Xn i.i.d N(θ, 1). Tunjukkan bahwa barisan estimator i=1
P Xi n
X
X̄n = n
. adalah konsisten. = −n/2 ln(2π) − 1/2 (Xi − θ)2 (3.96)
i=1
Jawab:
_ n
X
Perhatikan bahwa Xn ∼ N(θ, n1 ), sehingga untuk n→ ∞: Persamaan d ln L(θ/x)
= 0 menghasilkan (Xi − θ) = 0 atau θb = X.
dθ
R ε n 1/2 −n/2 y2 R ε√n 1 1/2 −1/2 t2 √ i=1
= −ε ( 2π ) e dy = −ε√n ( 2π ) e dt = P (−ε n < z < Perhatikan bahwa d2 ln L(θ/x)
|θ=X < 0 Jadi θb = X adalah ELM untuk θ.
√ dθ 3
ε n) → 1
_ 18. Diketahui X1 , ..., Xn sampel random dari
Karena itu Xn adalah barisan estimator konsisten untuk θ.
(
1
Secara umum perhitungan mendetail seperti di atas tidak perlu dila- θ
; 0 < x ≤ θ dan 0 < θ < ∞
f (x; θ) = (3.97)
kukan untuk membuktikan konsistensi. Ingat untuk suatu estimator 0; untuk x yang lain
Tn ketaksamaan Chebychev mengatakan bahwa P (X̄n − θ ≥ ǫ) ≤
E(Tn −θ)2
Tentukan MLE untuk θ
ǫ2
sehingga limit E(Tn −θ)2 = 0 adalah syarat cukup agar suatu
Jawab:
barisan T n→∞ konsisten. selanjutnya kita dapat menulis
Fungsi likelihoodnya, L(θ; x1 , ..., xn ) = θ1n ; 0 < xi ≤ θ merupakan
E(Tn − θ)2 = E(Tn − ETn2 + E Tn − θ)2 =E(Tn − ETn2 )2 + (ETn − θ)2
fungsi dari θ yang monoton turun. Disini kita tidak dapat menen-
= V arTn + [Bias Tn ]2 tukan ELM denga turunan. Perhatikan bahwa, θ ≥ xi ∀i sehingga
Bab 3. Estimasi Titik 106 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 107 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
θ ≥ max(xi ). Ini berarti, L maksimum dicapai pada statistik terurut 8. Diketahui X1 , ..., Xn berdistribusi identik dan independen dengan
Pn
ke-n yaitu max(xi ). Jadi θb = max(xi ) adalah MLE untuk θ 2
E(Xi ) = µ dan E(|Xi |2 ) < ∞. tunjukkan bahwa T = n(n+1) i=1 Xi
adalah estimator konsisten untuk µ.
1. Misalkan x1 , x2 , ...xm ; y1 , y2 , ...yn variabel random independen 10. Jika X1 , ..., Xn i.i.d N(µ, σ 2 ). Buktikan
masing-masing berdistribusi N(ε, σ 2 ) dan N(η, τ 2 ). Tentukan p
(n − 1)/2Γ [(n − 1)/2] s/Γ [(n/2)] estimator tak bias untuk
statistik cukup untuk ketiga kasus berikut: σ. Petunjuk: gunakan (n−1)S
2
berdistribusi χ2(n−1) dengan
σ2
Xn
a) ε, η, σ, τ sembarang dengan − ∼< ε, η <∼, τ, σ > 0 1
S 2 = n−1 (Xi − X)2
b) σ = τ dan ε, η, σ adalah sembarang i=1
3. Diketahui θb1 dan θb2 adalah dua estimator takbias untuk θ dari dua 12. Apakah estimator µ
b pada soal no.10 konsisten?
eksperimen yang independent. Buktikan bahwa θb = c1 θb1 + c2 θb2 de-
13. Diketahui X1 , ..., Xn sampel random yang berdistribusi identik dan
ngan c1 + c2 = 1 juga estimator tak bias untuk θ.
independen N(µ, µ); µ > 0. Tentukan estimator tak bias dan konsis-
4. Diberikan sampel random yang berukuran n dari populasi yang ten untuk µ2 .
mempunyai mean µ (diketahui) dan variansi σ 2 . Perlihatkan bahwa
n
X 14. Buktikan bahwa proporsi sampel nx adalah UMVUE untuk parameter
varians sampel S 2 = n1 (Xi − µ)2 merupakan estimator bias untuk Binomial θ.
i=1
σ2
15. Diketahui X1 , ..., Xn sampel random i.i.d Gama(α, β); α diketahui
5. Perlihatkan bahwa jika θb estimator tak bias untuk θ dan V ar(θ)
b tidak dan 0 < β < ∞. tentukan UMVUE untuk β
b 2
sama dengan 0, maka θ bukan estimator tak bias untuk θ . 2
16. Diketahui X1 , ..., Xn sampel random i.i.d Binomial (1, p); p ∈ (0, 1).
6. Jika θb estimator dari θ dan bias
h estimator ini diberikan
i oleh b = E( Tentukan UMVUE untuk p.
b − θ. Perlihatkan bahwa E (θb − θ)2 = V ar(θ)
θ) b + b2
17. Diketahui: x1 , x2 , ...xn variabel random iid berdistribusi exponensial
7. Perlihatkan, jika θb estimator konsisten untuk θ maka k θb (k 6= 0) esti- negative, dengan parameter θǫΩ = (0, ∝). Gunakan teorema untuk
mator konsisten untuk kθ menemukan UMVU Estimator dari parameter θ.
Bab 3. Estimasi Titik 108 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 109 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
18. Misalkan x variabel random berdistribusi binomial negatif dengan 24. Tentukan estimator momen untuk αdan β, jika x1 , x2 , ...xn variabel
parameternya θǫΩ = (∝, 1) .Tentukan UMVU estimator dari g (θ) = random iid berdistribusi Beta dengan parameter αdan β.
1θ dan cari variansnya.
25. Diketahui X1 , ..., Xn berdistribusi identik dan independen poisson
19. Diketahui: x1 , x2 , ...xn variabel random iid berdistribusi exponensial (λ). Tentukan estimator untuk λ dengan metode momen dan like-
negative, dengan parameter θǫΩ = (0, ∝). Gunakan teorema untuk lihood maksimum.
menemukan UMVU Estimator dari parameter θ.
26. Diketahui X1 , ..., Xn berdistribusi identik dan independen dengan
20. Misalkan x variabel random berdistribusi binomial negatif dengan distribusi f (x; θ) = (θ + 1)xθ ;0 < x < 1 dan nol untuk x yang lain.
parameternya θǫΩ = (∝, 1) .Tentukan UMVU estimator dari g (θ) = Tentukan estimator untuk θ dengan metode momen dan likelihood
1θ dan cari variansinya. maksimum.
21. Jika x1 , ..., xn nilai-nilai sampel random yang berukuran n dari popu- 27. Diketahui X1 , ..., Xn berdistribusi identik dan independen gama
lasi dengan distribusi (α, β). Tentukan α b dan βb dengan metode momen dan likelihood
( maksimum.
2(θ−x)
θ2
;0
<x<θ
f (x; θ) =
0; untuk x yang lain 28. Diketahui sampel random berukuran n dari populasi normal dengan
mean µ diketahui, tentukan estimator untuk σ dengan metode likeli-
Tentukan estimator untuk θ dengan metode momen hood maksimum
22. Diketahui X1 , ..., Xn berdistribusi identik dan independen (i.i.d) de- 29. Diketahui Sampel random berukuran n dari populsi yang mempu-
ngan distribusi seperti berikut : nyai distribusi f (x; θ) = e−(x−θ) untuk x > θ dan nol untuk x yang
lain. Tentukan estimator untuk θ dengan metode likelihood maksi-
(a) f (x; θ) = θxθ−1 ; 0 < x < 1, 0 < θ < ∞, dan nol untuk x yang
mum.
lain
(b) f (x; θ) = (1/θ) exp [−x/θ] , 0 < x < ∞, 0 < θ < ∞, dan nol 30. Dalam banyak kasus, sepertipada distribusi binomial, Poisson, Nor-
untuk x yang lain mal dan sebagainya terjadi bahwa MLE mean yang diestimasi adalah
mean sampel. Namun kasus ini tidak perlu selalu terjadi seperti pa-
(c) f (x; θ) = exp [−(x − θ)] , 0 < x ≤ ∞, −∞ < θ < ∞, dan nol un-
da kasus berikut. Misalkan x1 , x2 , ...xn variabel random independen
tuk x yang lain. Dalam setiap kasus diatas, tentukan estimator
dengan distribusi N (θ, θ) : θǫΩ (0, ∝).
untuk θ dengan metode likelihood maksimum
Tunjukkan bahwa: MLE dari parameter θadalah:
23. Misalkan x1 , x2 variabel random dengan fungsi padat peluang " #
2
f (.; θ)yang diberikan oleh: 1 4 n 2
θ= 1+ Σ x −1
2 n i=1 j
2
(θ − x) I(0,θ) (x) ; θǫΩ = (0, ∝)
f (x | θ) =
θ
Tentukan estimator momen untuk θ.
Bab 3. Estimasi Titik 110 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 111 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bab 4
Estimasi Interval
4.3 Uraian Materi tergantung pada nilai θ dan distribusi sampling dari θ. Dengan kata lain,
_ _
berdasarkan distribusi sampling θ kita pilih L(X )dan U(X ) sehingga
4.3.1 Konsep Dasar Estimasi Interval _ _
P (L(X ) < θ < U(X )) = 1 − α dengan 0 < α < 1 (4.1)
Sejauh ini telah dibicarakan estimasi titik untuk parameter populasi θ, di _ _
mana inferensinya adalah pendugaan harga tunggal terhadap θ. Estima- Interval L(X ) < θ < U(X ) disebut interval kepercayaan (1 − α)100%
_ _
tor titik mempunyai kelemahan prinsip yaitu tidak memberikan informasi dan (1 − α) disebut koefisien kepercayaan. L(X )dan U(X ) berturut-
tentang ketepatan atau keakuratannya. Misalnya, µ b = X adalah estimator turut disebut limit kepercayaan bawah dan limit kepercayaan atas. Mi-
terbaik untuk µ dari N(µ, σ 2 ). Jika sampel random yang berukuran n di- salnya α = 0, 05 memberikan koefisien kepercayaan 0, 95 dan interval ke-
ambil, dan diperoleh X = 3, 5. Apakah dapat diyakini bahwa µ sudah sa- percayaan 95%. Perhatikan bahwa α yang lain bisa dipilih berdasarkan
ngat dekat dengan 3, 5 itu ? Untuk mengatasi kelemahan ini, diperkenalk- pertimbangan-pertimbangan statistik. Idealnya, α dipilih sedemikian se-
an tipe estimasi lain yaitu estimasi interval. Dalam estimasi interval, atau hingga panjang interval kepercayaan terpendek, tetapi cakupan probabi-
secara lebih umum disebut juga estimasi himpunan yang dijadikan masa- litas (1 − α) mendekati nilai 1 (kepastian)
_
lah utama adalah pernyataan bahwa ”θ ∈ c” dengan c ⊂ Ω dan c = c(x). Contoh
_ _
Ini merupakan himpunan yang ditentukan oleh X =x yang terobservasi.
Untuk sampel X1 , X2 , X3 , X4 dan N(µ, 1), estimator interval dari µ adalah
Bila θ berharga real, maka estimator himpunan c adalah interval. _ _
[x −1, x +1]. Ini berarti kita menyatakan bahwa µ berada dalam interval
_
ini. Bila kita mengestimasi µ dengan x, P (x̄ = µ) = 0. Tetapi dengan esti-
Def inisi
mator interval, kita mempunyai probabilitas positif untuk benar. Probabi-
_ _
Estimasi interval untuk parameter θ adalah pasangan fungsi L(x1 , ..., xn ) litas bahwa µ tercakup oleh interval [x −1, x +1]dapat dihitung sebagai
_ _
dan U(x1 , ..., xn ) dan sampel yang memenuhi L(X ) ≤ U(X )untuk se- _ _ _ _
_ _ _ _ _ P [µ ∈ [x −1, x +1]] = P (x −1 ≤ µ ≤x +1)
mua x∈ χ. Bila X =x terobservasi, dibuat inverensi L(X ) ≤ θ ≤ U(X ). _
_ _ = P (−1 ≤x −µ ≤ 1)
Interval random [L(X ),U(X )] disebut estimator interval. Seperti definisi _
_ _ x−µ
terdahulu,[L(X ), U(X )] untuk estimator interval θ berdasar sampel ran- = P (−2 ≤ √ ≤ 2)
_ _ _ 1/4
dom X = (x1 , ..., xn ) dan [L(X ), U(X )] harga terealisasi dari interval. Mes-
= P (−2 < z < 2)
kipun kasus mayoritas yang dibicarakan adalah harga-harga berhingga
untuk Ldan U, kadang-kadang kita juga tertarik pada estimasi interval sa- = 0, 9544.
_
tu sisi. Sebagai contoh, bila L(x) = −∞, maka kita mempunyai selang satu Artinya; lebih dari 95% peluang untuk mencakup parameter (µ) dengan
_ _
sisi (−∞, U(x)). Dengan cara yang sama kita dapat mengambil U(x) = ∞ menggunakan estimator interval [x −1, x +1].
_
dan mempunyai interval satu sisi [L(x), ∞].
Estimator interval digunakan sebagai pengganti estimator titik dengan tu-
juan untuk mendapat jaminan pencakupan parameter yang diselidiki. Ke-
Def inisi
pastian jaminan ini dikuantifikasikan dalam definisi berikut.
_
Estimasi inteval untuk parameter θ adalah interval yang berbentuk L(X
_ _ _
) < θ < U(X ) dengan L(X )dan U(X ) adalah suatu kuantitas yang tak Def inisi
Bab 4. Estimasi Interval 114 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 115 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
_ _
Untuk estimator interval [L(x), U(x)]dari parameter θ cakupan probabi- Jika X1 , ..., Xn adalah sampel random populasi seragam (0, θ) dan misal-
_ _ _
litas dari [L(x), U(x)] adalah probabilitas bahwa interval random. [L(x kan Y = maks{X, ..., Xn }, jika ingin mencari estimator interval untuk θ.
_
), U(x)] mencakup parameter θ. Dalam notasi ini dinyatakan dengan Pandang dua calon estimator: [aY, bY ], 1 ≤ a < b dan [Y + c, Y + d], 0 ≤ c <
_ _ _ _
Pθ (θ ∈ [L(x), U(x)|θ]) atau P (θ ∈ [L(x), U(x)|θ]). d dengan a, b, c, dan d konstanta. (Perhatikan bahwa θ perlu lebih besar
dari Y ). Untuk interval pertama didapat:
Def inisi Pθ (θ ∈ [aY, bY ]) = Pθ (aY ≤ θ ≤ bY )
_ _ = Pθ 1b ≤ yθ ≤ a1
Estimator interval [L(x), U(x)] untuk parameter θ, koefisien keperca-
_ _
yaan dari [L(x), U(x)]adalah infimum probabilitas cakupan atau inf = Pθ 1b ≤ T ≤ a1 ; (T = yθ )
_ _ R1
θ Pθ ([L(x), U(x)]). Jadi, Pθ 1b ≤ T ≤ a1 = 1a ntn−1 dt = ( a1 )n − ( 1b )n
b
Ada beberapa hal yang perlu diperhatikan dari definisi tersebut. Cakupan probabilitas interval pertama independen dengan harga θ. Jadi
( a1 )n − ( 1b )n adalah koefisien kepercayaan dari interval.
1. Sangat penting untuk di ingat bahwa interval adalah besaran Untuk interval lain, untuk θ ≥ d, perhitungan sejenis menghasilkan:
random, bukan parameter. Akibatnya, bila kita menulis pernya-
_ _ Pθ (θ ∈ [Y + c, Y + d]) = Pθ (Y + c ≤ θ ≤ Y + d])
taan probabilitas seperti Pθ (θ ∈ [L(x), U(x)|θ]), pernyataan proba-
bilitas tersebut menunjuk ke x bukan θ. Dengan perkataan lain, = Pθ 1 − dθ ≤ T ≤ 1 − θc
_ _ R 1− c
pikirkan Pθ (θ ∈ [L(x), U(x)|θ]) yang seperti pernyataan tentang = 1− dθ ntn−1 dt
θ
random θ, sebagai sesuatu yang secara aljabar ekivalen dengan
_ _ = (1 − θc )n − (1 − dθ )n
Pθ ([L(x) ≤ θ, U(x) ≥ θ) yaitu pernyataan tentang variabel random
_
X . Estimator interval, bersama dengan ukuran kepercayaan, (biasa- untuk keadaan ini, cakupan probabilitas tergantung pada θ.
nya koefisien kepercayaan) dikenal dengan nama interval keperca- Selanjutnya Limθ→∞ (1 − θc )n − (1 − dθ )n = 0 yang menunjukkan koefisien
yaan. Interval kepercayaan dengan koefisien kepercayaan sama den- kepercayaan estimator interval ini sama dengan nol.
gan (1 − α) disebut (1 − α) interval kepercayaan.
2. Hal penting lain berhubungan dengan cakupan probabilitas dan ko- 4.3.2 Metode Menentukan Estimasi Interval
efisien kepercayaan. Karena kita tidak mengetahui harga sebenarn-
ya dari θ, kita hanya dapat menjamin probabilitas cakupannya sa- Ada dua metode untuk menentukan estimator interval yaitu dengan in-
ma dengan infimum koefisien kepercayaan. Dalam beberapa kasus versi uji hipotesis statistik dan menggunakan besaran pivot.
hal ini tidak menjadi soal karena cakupan probabilitas merupakan
fungsi konstan dari θ. Tetapi, dalam kasus yang lain cakupan proba- 4.3.2.1 Inversi Uji Statistik
bilitas merupakan fungsi dari θ.
Ada hubungan antara estimasi interval dan uji hipotesis. Secara umum da-
pat dinyatakan bahwa setiap interval kepercayaan berkorespondensi den-
Contoh gan uji hipotesis dan sebaliknya. Jadi dari uji hipotesis dapat diturunkan
Bab 4. Estimasi Interval 116 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 117 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
estimasi interval. Namun karena uji hipotesis baru akan dibahas pada Bab
Tabel 4.1: Besaran Pivot
V, maka pembahasan tentang hal ini disajikan pada Bab V Sub Bab mulai
Bentuk Densitas Jenis Densitas Besaran Pivot
halaman ... _
f (x − µ) lokasi x −µ
_
1 x
σ
f ( σx ) skala _σ
x−µ
4.3.2.2 Besaran Pivot
1
σ
f ( x σ- µ ) lokasi/skala σ
Def inisi Jika x1 , ..., xn sampel random dari populasi N(µ, σ 2 ), maka statistik t =
_
x -√
µ
s/ n
adalah pivot, karena distribusi statistik t tidak tergantung pada pa-
_
Variabel random Q(X , θ) = Q(x1 , ..., xn , θ) disebut besaran pivot bila dis- rameter µ dan σ 2 .
_
tribusi dari Q(X , θ) independen (tak mengandung) parameter populasi.
_ _ _ Contoh
Dengan kata lain: Jika X ∼ F (x |θ) maka Q(X , θ) mempunyai distribusi
yang sama untuk semua harga θ. P
Misalkan x1 , ..., xn iid eksponensial (λ). Maka T = xi adalah statistik
_
Fungsi Q(X , θ) biasanya secara eksplisit memuat parameter dan statistik, cukup untuk λ dan T ∼ Gamma(n, λ). Dalam pdf gamma t dan λ muncul
_
t
tetapi untuk sembarang himpunan A, Pθ Q(X , θ) ∈ A tidak dapat tergan- bersama-sama sebagai λ
dan kenyataannya bentuk pdf :
tung pada θ. Cara mengkonstruksikan himpunan kepercayaan dari pivot Gamma(n, λ) = (P (n)λ ) n −1 n−1 −
t e
t
adalah keluarga skala.
λ
Bab 4. Estimasi Interval 118 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 119 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
2T
Begitu mendapat pivot, selanjutnya bagaimana menggunakannya untuk 9,59
}.
Untuk persoalan lokasi dengan kondisi variansi tidak diketahui pun
_
membangun himpunan kepercayaan?. Bila Q(x, λ) merupakan pivot, ma- pembangunan dan perhitungan interval pivot relatif mudah.
ka untuk harga tertentu α dapat ditemukan bilangan-bilangan adan b yang
tidak tergantung pada θ dan memenuhi: Contoh
_
Pθ (a ≤ Q(t, θ) ≤ b) ≥ 1 − α Jika X1 , ..., Xn iid N(µ, σ 2 ) maka ( x−µ )
√ adalah pivot. Bila σ 2 diketahui, ki-
σ/ n
_ _ ta dapat menggunakan pivot ini untuk menghitung interval kepercayaan
Maka untuk setiap θ0 ∈ Ω, A(θ0 ) = {x: a ≤ Q(x, θ0 ) ≤ b}adalah daerah
penerimaan untuk uji taraf α dari H0 : θ = θ0 . Hal ini memberikan hasil untuk µ. Untuk sebarang konstanta a
bahwa himpunan kepercayaan (1 − α) untuk θ adalah: _
( x −µ )
P (−a ≤ √ ≤ a) = P (−a ≤ Z ≤ a)
_ _ σ/ n
C(x) = {θ0 : a ≤ Q(x, θ0 ) ≤ b}
_ _
Sehingga interval kepercayaan adalah {µ :x −a √σn ≤ λ ≤x +a √σn }.
_
( x−µ )
Bila σ 2 tidak diketahui, kita dapat menggunakan pivot skala-lokasi s/ n
√ .
_
( x−µ )
Karena s/ n
√ mempunyai distribusi
Contoh
_
( x −µ )
P (−a ≤ √ ≤ a) = P (−a ≤ Z ≤ a).
Dalam contoh di muka telah didapatkan interval kepercayaan untuk λ σ/ n
dari pdf eksponensial dengan menginversikan LRT taraf α dari H0 : λ =
Jadi untuk α tertentu bila kita mengambil a = tn−1, α2 , kita mendapatkan
λ0 vs H1 : λ 6= λ0 . Sekarang kita juga melihat bila kita mempunyai sampel
P bahwa interval kepercayaan (1 − α) adalah
X1 , ..., Xn kita dapat mendefinisikan T = Xi dan Q(T, λ) = 2λT ∼ X2n 2
.
_ s _ s
Bila kita memilih konstantq a dan b sedemikian hingga memenuhi P (a ≤ {µ :x −tn−1, α2 √ ≤ µ ≤x +tn−1, α2 √ }
2
n n
X2n ≤ b) = 1 − α, maka
2T dan ini merupakan interval kepercayaan (1 − α) klasik untuk µ berdasar
Pλ (a ≤ λ
≤ b) = Pλ (a ≤ Q(T, λ) ≤ b)
distribusi−t.
2
= P (a ≤ X2n ≤ b)
=1−α
4.3.3 Metode Evaluasi Estimasi Interval
Dengan menginversikan himpunan:
Bab 4. Estimasi Interval 120 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 121 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Bab 4. Estimasi Interval 122 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 123 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Ra Rb
= 1 − α + [ a1 f (x)dx − b1 f (x)dx] Jika X adalah nilai mean sampel dari populasi normal dengan me-
dan teorema terbukti bila dapat ditunjukkan bahwa pernyataan dalam an µ dan variansi σ 2 (diketahui). Tunjukkan interval kepercayaan
kurung negatif. Sekarang, dengan menggunakan unimodalitas f, urutan (1 − α)100% untuk µ diberikan oleh:
a1 ≤ a ≤ b1 ≤ b, dan didapat: σ σ
Ra Rb X − zα/2 . √ < µ < X + zα/2 . √ (4.2)
f (x)dx ≤ f (a)(a − a1 ) dan b1 f (x)dx ≥ f (b)(b − b1 ) n n
a1
Jadi Penjelasan:
Ra Rb
a1
f (x)dx − b1 f (x)dx ≤ f (a)(a − a1 ) − f (b)(b − b1 ) X−µ
X ∼ N(µ, σ 2 ) ⇒ X ∼ N(µ, σ 2 /n) ⇒ Z = √ ∼ N(0, 1) (4.3)
1
= f (a) [(a − a ) − (b − b )] 1 σ/ n
Perhatikan bahwa P −zα/2 < z < zα/2 = 1 − α dengan zα/2 adalah
= f (a) [(b1 − a1 ) − (b − a)]
kuantitas sehingga P (Z > zα/2 ) = α/2
bernilai negatif. q.e.d
Karena itu
X −µ
Contoh P −zα/2 < √ < zα/2 = 1 − α (4.4)
σ/ n
_ atau
Untuk interval kepercayaan normal berdasarkan pivot sx/-√µn , kita menge- σ σ
P (X − zα/2 . √ < µ < X + zα/2 . √ ) = 1 − α (4.5)
tahui bahwa interval kepercayaan (1 − α) yang mempunyai panjang ter- n n
pendek mempunyai bentuk Jadi interval kepercayaan (1 − α)100% untuk µ adalah:
_ _
x −b √sn
≤ µ ≤x −a √sn
mempunyai a = −tn−1, α2 dan b = tn−1, α2 . Panjang σ σ
interval merupakan fungsi S, dengan bentuk umum: P anjang(s) = (b − X − zα/2 . √ < µ < X + zα/2 . √ (4.6)
n n
a) √sn .
Selanjutnya, jika dipandang kriteria harga harapan panjang (s) dan men- Untuk sampel besar (n ≥ 30) dapat digunakan TLP, sehingga inte-
ginginkan untuk mendapatkan interval (1 − α) untuk meminimumkan. val kepercayaan 4.6berlaku juga untuk variabel random sembarang
(bukan distribusi tidak normal).
Eσ (panjang (S) ) = (b − a) E√σnS = (b − a)C(n) √Sn .
2. Interval untuk mean µ, dengan variansi σ 2 tidak diketahui. Jika x adalah
Maka Teorema di depan berlaku dan pemilihan a = −tn−1, α2 dan b = tn−1, α2
nilai mean sampel dari populasi normal dengan mean µ dan variansi
memberikan interval kepercayaan yang optimal.
σ 2 tidak diketahui, maka interval kepercayaan (1 − α)100% untuk µ
adalah:
4.3.4 Estimasi Interval Kepercayaan Khusus
S S
X − tα/2,n−1 . √ < µ < X + tα/2,n−1 . √ (4.7)
n−1 n−1
4.3.4.1 Interval Kepercayaan untuk Mean
Penjelasan:
1. Interval untuk mean µ, dengan variansi σ 2 diketahui. Misalnya X vari-
abel random yang berdistribusi N(µ, σ 2 ), dengan µ tidak diketahui. Karena variansinya σ 2 tidak diketahui maka dapat diganti dengan
Bab 4. Estimasi Interval 124 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 125 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Penjelasan:
4.3.4.3 Interval Kepercayaan untuk Variansi
Variansi sampelnya berturut-turut S12 dan S22 . Perhatikan bahwa
Setelah di drpan dibahas interval kepercayaan untuk mean µ, maka kini
Xi (i = 1, 2, ..., n) ∼ N(µ1 , σ 2 ) ⇒ X ∼ N(µ1 , σ 2 /n) (4.10) dibahas interval kepercayaan untuk variansi σ 2 .
dan
Yj (j = 1, 2, ..., m) ∼ N(µ2 , σ 2 ) ⇒ Y ∼ N(µ2 , σ 2 /m) (4.11) Interval untuk variansi σ 2 dengan mean µ yang tidak diketahui.
Bab 4. Estimasi Interval 126 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 127 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Jika X1 , X2, ..., Xn sampel random dari distribusi N(µ, σ 2 ) dengan µ tidak Dengan metode likelihood diperoleh:
diketahui maka interval kepercayaan (1 − α)100% untuk σ 2 adalah: n
X
2 2 b12 = S12 = 1/n (Xi − X)2
b1 = X, σ
µ (4.23)
ns ns
< σ2 < (4.18) i=1
χ2(1−α/2,n−1) χ2(α/2;n−1)
dan n
X
Penjelasan: µ b22 = S22 = 1/n (Yi − Y )2
b2 = X, σ (4.24)
i=1
Penjelasan: Jawab:
Bab 4. Estimasi Interval 128 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 129 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
(1 − α)100% = 95% ⇒ (1 − α) = 0, 95 4. Jika dari data yang diobservasi dari populasi normal diperoleh s =
Berdasarkan tabel Z, untuk (1 − α) = 0, 95 diperoleh zα/2 = 1, 96. 2, 2 dan n − 16. Tentukan interval kepercayaan 98% untuk σ 2 !
Untuk σ 2 = 9 dan n = 100 diperoleh zα/2 . √σn = 1, 96.3/10 = 0, 588
Jawab:
Menurut teorema 8, interval kepercayaan 95% untuk µ adalah X −
zα/2 . √σn < µ < X + zα/2 . √σn ⇔ 5 − 0, 588 < µ < 5 + 0, 588 ⇔ 4, 412 < Dari tabel χ2 diperoleh χ2( 0,01;15) = 5, 23 dan χ2( 0,99;15) = 30, 6 sehingga
µ < 5, 588 diperoleh
2. Diketahui X1 , X2, ..., X10 sampel random dari N(µ, σ 2 ) ; µ dan σ 2 ke- 16(2, 2)2 16(2, 2)2
< σ2 < ⇔ 2, 53 < σ 2 < 14, 81 (4.33)
duanya tidak diketahui. Misalnya dari hasil eksperimen diperoleh 30, 6 5, 23
x = 3, 22 dan s = 1, 05. Tentukan interval kepercayaan 90% untuk µ.
5. Misalkan dua sampel random yang berukuran 10 dan 5 diambil
dari dua populasi yang independet yaitu N(µ1 , σ 2 ) dan populasi
Jawab:
N(µ2 , σ 2 ). Dari hasil observasi tersebut diperoleh S12 = 20, 0 dan
σ2
Berdasarkan Tabel t, diperoleh t(0,05;9) = 1, 833. Interval kepercayaan S22 = 35, 6. Tentukan interval kepercayaan 95% untuk σ22 bila kedua
1
90% untuk µ adalah 3, 22−2, 833.1, 05/3 < µ < 3, 22+1, 833.1, 05/3 ⇔ mean populasi tidak diketahui.
2, 56095 < µ < 3, 87905
Jawab:
3. Diketahui dua sampel random yang independen yang masing-
masing berukuran 10 dan 7 yang diambil dari dua populasi berdistri- Dalam hal ini, 1 − α/2 = 0, 975, n = 10 dan m = 5. Berdasarkan
busi N(µ1 , σ 2 ) dan N(µ2 , σ 2 ). Misalkan x = 4, 2, y = 3, 4, dan S22 = 32, tabel F, diperoleh F(0,975;9;4) = 8, 90 dan F(0,975;4;9) = 4, 72 sehingga
tentukan interval kepercayaan 90% untuk µ1 − µ2 . menurut teorema 12
0, 8−1, 753.3, 4 < µ1 −µ2 < 0, 8+1, 753.3, 4 ⇔ −5, 16 < µ1 −µ2 < 6, 76 4.5 Soal-Soal Latihan
(4.31)
Jadi interval kepercayaan 90% untuk µ1 − µ2 adalah 1. Diketahui nilai observasi mean x dari sampel random yang beru-
kuran 20 dari distribusi n(µ, 80) adalah 81, 2. Tentukan 95% interval
−5, 16 < µ1 − µ2 < 6, 76 (4.32) kepercayaan untuk µ
Bab 4. Estimasi Interval 130 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 131 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
2. Misalkan x mean dari sampel random yang berukuran n dari distri- 10. Diketahui dua variabel random X dan Y yang bebas secara pro-
busi n(µ, 9). Tentukan n sehingga P (x − 1 < µ < x + 1) = 0, 90 babilitas dengan distrubusi binomial yang mempunyai parameter
n1 = n2 = 100, dan berurut p1 dan p2 . Dari observasi diperoleh x = 50
3. Diketahui sampel random yang berukuran 17 dari distribusi normal dan y = 40.Tentukan interval kepercayaan 95% untuk p1 − p2
N(µ, σ 2 ) diperoleh x = 4, 7 dan s2 = 5, 76. Tentukan 90 % interval
kepercayaan untuk µ. 11. Diketahui X dan Y mean dari dua sampel random yang masing-
masing berukuran n dari distribusi N(µ1 , σ 2 ) dan N(µ2 , σ 2 ); dengan
4. Jika X1 , X2, ..., X9 sampel random berukuran 9 dari distribusi σ diketahui. Tentukan n sehingga
N(µ, σ 2 )
P ( X − Y − σ/5 < µ1 − µ2 < X − Y + σ/5) = 0, 90 (4.36)
(a) Jika σ diketahui, tentukan peluang 95% interval kepercaya-
an untuk µ jika interval ini didasarkan pada variabel random 12. Seperti teorema 10, tentukan interval kepercayaan (1−α)100% untuk
√
9(x − µ)/σ σ 2 bila µ diketahui
(b) Jika σ tidak diketahui, tentukan nilai harapan dari panjang 95% 13. Jika 8, 6; 7, 9; 8, 3; 6, 4; 8, 4; 9, 8; 7, 2; 7, 8; 7, 5 adalah nilai yang diobse-
interval kepercayaan untuk µ jika interval didasarkan pada va- rvasi dari sampel random yang berukuran 9 dari N(8, σ 2 ). Tentukan
√
riabel random 8(x − µ)/S interval kepercayaan 90% untuk σ 2
5. Diketahui Y berdistribusi Binomial (n, p). Tentukan interval keper- 14. Dari hasil observasi suatu sampel random yang berukuran 15 dari
cayaan (1 − α)100% untuk p. (petunjuk : pertimbangkan Y /n sebagai distribusi N(µ, σ 2 ) diperoleh x = 3, 2 dan s2 = 4, 24 . Tentukan inte-
estimator untuk p; dengan Y banyak sukses dalan n percobaan rval kepercayaan 95% untuk σ 2
Bab 4. Estimasi Interval 132 ISBN 978-602-8310-02-4 Bab 4. Estimasi Interval 133 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Hipotesis Statistik
8. Menentukan uji paling kuat seragam dari suatu uji hipotesis dengan Ω0 suatu himpunan bagian dari ruang parameter dan Ωc0 adalah
9. Menentukan uji hipotesis dengan menggunakan uji rasio likelihood komplemennya dimana Ω0 ∪ Ωc0 = Ω = {θ; −∞ < θ < ∞} .
Dalam uji hipotesa sesudah mengobservasi sampel, harus ditentukan apa-
kah menerima H0 yang berarti menolak H1 atau menerima H1 yang berarti
5.3 Uraian Materi menolak H0 .
Sejauh ini telah dibahas inferensi titik dan interval. Sekarang diperkenalk- Himpunan bagian ruang sampel dimana H0 ditolak disebut daerah peno-
an metode inferensi yang lain yaitu uji hipotesis lakan atau daerah kritis. Komplemen daerah penolakan disebut daerah
penerimaan. Jika rentang H1 seluruhnya terletak pada satu sisi dari nilai
Secara umum dapat didefinisikan bahwa Hipotesa adalah pernyataan ten-
H0 , alternatif itu dikatakan satu sisi. Jika H1 memuat semua nilai parame-
tang parameter populasi. Hal ini dapat berupa pernyataan bahwa µ1 = µ2
ter kecuali satu nilai H0 maka alternatif itu disebut dua sisi.
vs µ1 6= µ2 dan lain-lain. Sedangkan Hipotesis Statistik adalah pernyataan
tentang distribusi dari satu atau lebih sampel random yang diambil da- Jika pernyataan suatu hipotesis berkaitan hanya dengan satu distribusi
ri populasi. Tujuan dari uji hopotesis statistik adalah untuk memutuskan maka disebut hipotesis tunggal (sederhana), sedangkan jika berkaitan le-
berdasarkan sampel, mana dari dua hopetesis (yang saling asing) yang bih dari satu distribusi dinamakan hipotesis majemuk (gabungan). Seba-
benar. Dua hipotesis yang saling asing itu biasa disebut hipotesis nol (H0 ) gai contoh: H0 : µ ≤ 10 vs H1 : µ > 10 merupakan hipotesis majemuk. Jika
dan hipotesis alteratif (H1 ). Misal H0 diganti dengan µ = 10 maka diperoleh hipotesis tunggal.
Dua buah peryataan (hipotesa) yang saling asing dalam persoalan uji hi- _ n
L(θ|x1 , ..., xn ) = f (x |θ) =⊓i=1 f (xi |θ)
potesa disebut hipotesa nol dan hipotesa alternatif. Masing-masing dinya-
takan dengan H0 dan H1 . Bila θ menyatakan parameter populasi, format Misalkan Ω dinyatakan ruang parameter. Uji rasio likelihood didefinisikan
umum dari hipotesa nol dan alternatif adalah: sebagai berikut.
Bab 5. Hipotesis Statistik 136 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 137 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
_
Def inisi LRT adalah uji yang menolak H0 untuk harga-harga λ(x) kecil. Dengan
menggunakan 5.3 didapat daerah penolakan:
Uji statistik rasio likelihood (LRT ) untuk uji H0 : θ ∈ Ω0 vsH1 : θ ∈ Ωc0 r
adalah _ _ −2 log c
{x : λ(x) ≤ C} = {x : | x −θ0 | ≥ }
n
q
ΩSup
o L(θ|x̄) −2 log c
λ(x̄n ) = dimana 0 < c < 1,dan 0 < n
< ∞. Jadi LRT adalah uji yang meno-
ΩSup L(θ|x̄)
lak H0 bila mean sampel berbeda dengan θ0 melebihi harga tertentu yang
Uji rasio likelihood adalah uji sedemikian hingga daerah penolakan mem- ditetapkan.
_ _
punyai bentuk:{x: λ(x) ≤ C}dengan C sembarang bilangan yang meme- Bila T (x) statistik cukup antara θ dengan densitas g(t|θ), maka dapat di-
nuhi 0 ≤ C ≤ 1. pikirkan untuk mengkonstruksikan LRT berdasar pada T dan fungsi like-
_
lihoodnya L ∗ (θ|t) = g(t|θ) sebagai pengganti sampel x dan fungsi likeli-
_
Contoh hoodnya L(θ| x). Misalkan λ∗ (t) menyatakan uji statistik rasio likelihood
_
berdasar T . Hal ini masuk akal karena semua informasi tentang θ dari x
_
Misalkan x1 , ..., xn adalah sampel random dari populasi N(θ, 1). Pandang termuat dalam T (x).
uji hipotesa H0 : θ = θ0 vsH1 : θ 6= θ0 . Di sini θ0 adalah bilangan tertentu.
_ T eorema
Karena H0 hanya menentukan satu bilangan, maka pembilang dari λ(x)
_
adalah L(θ0 | x). MLE dari θ untuk ruang parameter tanpa kendala adalah _
_ _ _ Bila T (x) statistik cukup untuk θ, sedangkan λ∗ (t) dan λ(t) masing-masing
mean sampel x. Jadi penyebut dari λ(x) adalah L(x |x). Sehingga statistik _ _ _
adalah statistik LRT berdasar T dan x maka λ∗ T (x), dimana λ(x)untuk
LRT adalah _
setiap x dalam ruang sampel.
P
_ (2π)− n/2 exp [− (xi − θ0 )2 /2] Bukti
λ(x) = P _
(2π)− n/2 exp [− (xi − x)2 /2]
_ _
Dengan teorema faktorisasi, densitas dari x dapat ditulis sebagai f (x |θ) =
h X X _
i _
= exp − (xi − θ0 )2 + (xi − x)2 /2 g (T (x |θ) h(x) dengan g(t|θ) adalah densitas dan h(x) tidak tergantung pa-
da θ. Jadi, _ _
_ SupΩoL(θ|x̄) SupΩog(T (x)|θ) h(x)
Pernyataan untuk λ(x) dapat disederhanakan, karena: λ(x̄n ) = = _ _
SupΩ L(θ|x̄) SupΩ (g(T (x)|θ) h(x)
X X _
(xi − θ0 )2 = (xi − x)2 + n(xi − θ0 )2 SupΩof (x̄ | θ)
=
SupΩ f (x̄ | θ)
Jadi, statistik LRT adalah
Bab 5. Hipotesis Statistik 138 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 139 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
SupΩoL∗ (θ | x̄)
= Tabel 5.1: Kesalahan dalam Uji Hipotesis
SupΩ L∗ (θ | x̄)
Keputusan
∗ _ Menerima H0 Menolak H0
= λ T (x) Hipotesis Benar H0 Keputusan Benar Kesalahan Tipe I
H1 Kesalahan Tipe II Keputusan Benar
Contoh
1; jika
a
µ ≤ µ0
_
λ(x) = a2 _
L ( µ0 , σ | x ) a
; jika µ > µ0
a2
L(µ,σ |x)
_ Misalkan C daerah kritis (penolakan) untuk suatu uji hipotesis, maka un-
tuk θ ∈ Ω0 uji membuat kesalahan bila X ∈ C, sehingga probabilitas kesa-
lahan tipe I adalah P (X ∈ C). Untuk θ ∈ Ω0 c probabilitas kesalahan tipe
5.3.3 Metode Uji Evaluasi Hipotesis
II adalah P (X ∈ C c ). Karena P (X ∈ C c ) = 1 − P (X ∈ C) maka P (X ∈ C)
Untuk prosedur uji hipotesa λ(x), fungsi uji adalah fungsi pada ruang merupakan fungsi θ memuat semua informasi tentang uji dengan daerah
_ _
sampel dengan nilai 1 bila x dalam daerah penolakan, dan nilai 0 bila x kritis C.
dalam daerah penerimaan. Selanjutnya didapat:
Bab 5. Hipotesis Statistik 140 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 141 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Bab 5. Hipotesis Statistik 142 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 143 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Misalkan X1 , ..., Xn adalah sampel random dari populasi N(θ, σ 2 ), dan σ 2 tuk semua θ ∈ Ω0 . Demikian juga dengan probabilitas kesalahan tipe II,
diketahui. LRT untuk H0 : θ ≤ θ0 vsH1 : θ > θ0 adalah uji yang menolak yaitu mempunyai fungsi kuasa yang besar untuk θ ∈ Ωc0 .
H0 bila (x̄−θ )
√0 > c. Fungsi kuasa uji ini adalah
σ/ n
_ _ Def inisi
x−θ x−θ
√ 0 > c + θ0 √
−θ θ0 √
−θ
β(θ) = P σ/ √0 > c = P
n σ/ n σ/ n
= P Z > c + σ/ n
dengan Zvariabel random normal baku. Untuk θ naik dari −∞ sampai ∞, Misalkan C adalah kelas uji untuk H0 : θ ∈ Ω0 vsH1 : θ ∈ Ωc0 . Uji dalam ke-
dapat dilihat bahwa probabilitas normal ini naik dari nilai 0 ke 1. Karena las C dengan fungsi kuasa β(θ), disebut uji uniformly most powerfull (UMP)
itu β(θ) fungsi naik dari θ dengan kelas C bila β(θ) ≥ β 1 (θ) untuk setiap θ ∈ Ωc0 dan setiap β 1 (θ) yaitu fungsi
limθ→−∞ β(θ) = 0,limθ→∞ β(θ) = 0, dan β(θ) = αbilaP (Z > c) = α kuasa dari uji dalam kelas C .
Daerah kritik C adalah daerah kritik paling kuat seragan ukuran α untuk
Misalkan disyaratkan bahwa kesalahan tipe I maksimum 0, 1 dan kesalah-
uji hipotesis H0 lawan hipotesis alternatif H1 jika himpunan C adalah da-
an tipe II maksimum 0,2 untuk θ ≥ θ0 + σ. Hendak ditunjukkan bagai-
erah kritik terbaik ukuran α untuk uji H0 lawan hipotesis sederhana H1 .
mana memilih c dan n, untuk mencapai persyaratan di atas menggunakan
(x̄−θ0 ) Suatu uji yang didefinisikan pada daerah kritik ini disebut uji paling kuat
uji yang menolak H0 : θ ≤ θ0 bila √
σ/ n
> c. Seperti disebutkan di muka
seragam dengan tingkat signifikansi α dari uji hipotesis sederhana H0 law-
fungsi kuasa uji sedemikian adalah:
an hipotesis gabungan alternatif H1 . Uji paling kuat seragam tidak selalu
ada, tetapi kalau ada teorema Neyman − P erson dapat digunakan untuk
θ0 − θ
β(θ) = P Z > c + √ mencarinya.
σ/ n
Karena β(θ) fungsi naik, maka persyaratannya dipenuhi bila β(θ) = 0, 1 Contoh
dan β(θ + σ) = 0, 8
Dengan memilih c = 1, 28, kita mendapatkan β(θ0 ) = P (Z > 1, 2) = 0, 1 Misalkan X1, X2 , ..., Xn sampel random dari distribusi n(0, θ) dengan va-
(sebenarnya 0,1003 dari tabel) dan tidak tergantung n. Sekarang ingin rian θ tidak diketahui. Akan diperlihatkan bahwa ada uji paling ku-
√
dipilih n sedemikian hingga β(θ + σ) = P (Z > 1, 28 − n) = 0, 8. at seragam dengan tingkat signifikansi α untuk uji hipotesis sederhana
′ ′
Tetapi dari tabel P (Z > −0, 84) = 0, 8, sehingga dengan mengambil H0 : θ = θ dengan θ adalah bilangan bulat posistif lawan hipotesis ga-
√ ′ ′
1, 28 − n = −0, 84 dan menyelesaikan untuk n didapat n = 4, 49. Jadi bungan alternatif H1 : θ > θ .Ruang parameter Ω = θ; θ ≥ θ . Fungsi
dengan mengambil c = 1, 28 dan n= 5 persyaratan di atas dipenuhi. kepadatan peluang bersama dari X1, X2 , ..., Xn adalah
n/2 P 2
1 xi
5.3.3.2 Uji Paling Kuat (Most Powerfull Test) L(θ; x1 , x2 , ..., xn ) = exp − (5.6)
2πθ 2θ
Seperti yang telah dipaparkan di depan, uji hipotesis berusaha untuk Misalkan θ′′ bilangan yang lebih besar dari θ′ , k bilangan posisif dan C
mengontrol baik kesalahan tipe I yaitu paling besar sama dengan α un- himpunan titik-titik dengan
Bab 5. Hipotesis Statistik 144 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 145 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
( n
)
X
′
L(θ ; x1 , x2 , ..., xn ) diatas maka C = (x1 , x2 , ..., xn ) : x2i ≥ c adalah daerah kritik terbaik
≤k (5.7)
L(θ′′ ; x1 , x2 , ..., xn ) i=1
′ ′
paling kuat seragam ukuran α untuk uji H0 : θ = θ lawan H1 : θ > θ . Jika
maka diperoleh ′
x1 , x2 , ..., xn nilai eksperimen dari X1, X2 , ..., Xn maka H0 : θ = θ ditolak
X n
" n #
′′ n/2
′
θ θ′′ − θ′ X 2 ditingkat signifikansi α dan H1 : θ > θ diterima jika x2i ≥ c.
exp − xi ≤ k (5.8) i=1
θ′ 2θ′ θ′′ i=1
n
X ′′ Misalkan H0 : θ = θ0 vs H1 : θ = θ1 dengan densitas yang bersesuaian de-
2θ′ θ′′ n θ
x2i ≥ ln − ln k =c (5.9)
θ′′ − θ′ 2 θ′ ngan θi adalah f (x|θi ), i = 0, 1. Dengan menggunakan uji dengan daerah
i=1
penolakan C yang memenuhi kedua hal berikut:
Himpunan ( )
n
X
C= (x1 , x2 , ..., xn ) : x2i ≥ c (5.10) x ∈ C, jika f (x|θ1 ) > kf (x|θ0 ) (5.12)
i=1
′
adalah daerah kritik terbaik untuk uji hipotesis sederhana H0 : θ0 = θ
lawan hipotesis sederhana θ = θ′′ . Sekarang tinggal menentukan c sehing- x ∈ C c , jika f (x|θ1 )kf (x|θ0 ) (5.13)
ga daerah kritik ini mempunyai ukuran α seperti yang diinginkan. Jika
X n untuk suatu k ≥ 0 dan α = Pθ0 (x ∈ R)
H0 benar variabel random x2i /θ′ mempunyai distribusi Khi-kuadrat de-
maka
i=1
ngan derajat bebas n. Karena
1. Syarat cukup setiap uji yang memenuhi 5.12 dan5.13 adalah uji UMP
n
!
X taraf α
α=P x2i /θ′ ≥ c/θ′ ; H0 (5.11)
i=1 2. Syarat perlu, jika terdapat uji yang memenuhi kedua kondisi di atas
c/θ′ dapat ditentukan dari tabel dan c ditentukan maka C = dengan k > 0 maka setiap uji UMP taraf α adalah uji dengan ukur-
( )
n
X an α, kecuali mungkin pada himpunan A yang memenuhi Pθ0 (X ∈
2
(x1 , x2 , ..., xn ) : xi ≥ c adalah daerah kritik terbaik ukuran α un- A) = 0.
i=1
′
tuk uji H0 : θ = θ lawan hipotesis θ = θ′′ . Selain itu, untuk seti-
AkibatT eorema
ap bilangan θ′′ yang lebih besar dari θ′ maka argumen otomatis terpe-
nuhi. Jika θ′′′ adalah bilangan
( ) lain yang lebih besar dari θ′ maka C = Misalkan kondisi teorema Neyman-Person berlaku, dan jika T (X̄) adalah
n
X statistik cukup untuk θ dan g(t|θ) adalah densitas T bersesuaian dengan
(x1 , x2 , ..., xn ) : x2i ≥ c adalah daerah kritik terbaik ukuran α untuk
i=1 θi , i = 0, 1. Maka setiap uji berdasar T dengan daerah penolakan S (him-
′
uji H0 : θ = θ lawan hipotesis θ = θ′′′ . Oleh karena itu, menurut definisi punan bagian dari ruang sampel T ) adalah uji UMP taraf α bila dipenuhi
kedua hal berikut:
Bab 5. Hipotesis Statistik 146 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 147 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
1. t ∈ Sbilag(t|θ1 ) > kg(t|θ) Perhatikan bila k = 43 , maka kita harus menolak H0 untuk titik sampel
x = 2 dan menerima H0 untuk x = 0 dan untuk x = 1 tak menentu. Tetapi
2. t ∈ S c bilag(t|θ1 ) < kg(t|θ0 )
bila kita menerima H0 untuk x = 1 kita mendapatkan uji UMP taraf α = 14
supremium di atas. Bila kita menolak H0 untuk x = 1 kita mendapatkan
untuk suatu k ≥ 0, dengan α = Pθ0 (X ∈ S).
uji UMP taraf α = 43 seperti di atas.
Juga dari pernyataan nomer 2 didapat: Pandang uji hipotesa H0 : θ ≤ θ0 vsH1 : θ > θ0 . Misalkan T adalah statistik
_
Pθ0 (X ∈ R) = Pθ0 ((T (x) ∈ S) = α. cukup untuk θ dan keluarga densitas {g(t|θ) : θ ∈ Ω} dari T mempunyai
Jadi dengan syarat cukup dari Lemma Neyman-Pearson, Uji berdasar T sifat MLR (monotone likelihood ratio). Maka untuk t0 uji yang menolak H0
adalah uji UMP taraf α.q.e.d. bhb T > t0 adalah uji UMP taraf α, dengan α = Pθ0 (T > t0 ).
Bukti
Contoh
Karena densitas T mempunyai sifat MLR, fungsi kuasa β(θ) = Pθ0 (T > t0 )
Misalkan x ∼ binomial(2, θ). Uji H0 : θ = 1/2vsH1 : θ = 3/4. Dengan tidak turun. Sehingga Supθ≤θ0 β(θ) = β(θ0 ) = α dan ini adalah uji taraf α.
menghitung rasio densitas didapat: Dengan menggunakan bagian (b) dan (c) akibat teorema Neyman-Person,
dan didapat:
f (0 | δ = 34 ) 1 f (2 | δ = 43 ) 3 f (1 | δ = 43 ) 9
= ; = ; =
f (0 | δ = 12 ) 4 f (2 | δ = 21 ) 4 f (1 | δ = 21 ) 4 g(t|θ1)
k 1 = inft∈τ
g(t|θ0 )
Dengan memilih 43 < k < 94 , maka Lemma Neyman-Pearson mengatak-
an bahwa uji yang menolak H0 bila x = 1 atau 2 adalah uji UMP taraf dengan τ = {t|t > t0 }dan g(t|θ1) > 0 atau g(t|θ0 ) > 0
α = p(x = 1atau2, θ = 1/2) = 43 . Dengan memilih k < 14 atau k > 43 Jadi menurut akibat teorema Neyman-Person di depan uji adalah UMP
menghasilkan UMP taraf α = 1atauα = 0. taraf α. q.e.d.
Bab 5. Hipotesis Statistik 148 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 149 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
5.3.3.5 Daerah Kritik Terbaik maka sesuai dengan teorema, C merupakan daerah kritik terbaik. keti-
daksamaanini sering dinyatakan dalam bentuk (dengan c1 dan c2 suatu
Misal C subset dari ruang sampel. C disebut daerah kritik terbaik berukur- konstanta)
an α untuk uji hipotesis sederhana H0 : θ = θ′ lawan H1 : θ = θ′′ jika untuk u1 (x1 , x2 , ..., xn ; θ′ , θ′′ ) ≤ c1 (5.16)
setiap subset A dari ruang sampel dengan P [(X1, X2 , ..., Xn ) ∈ A; H0 ] = α
berlaku atau
u2 (x1 , x2 , ..., xn ; θ′ , θ′′ ) ≤ c2 (5.17)
1. P [(X1, X2 , ..., Xn ) ∈ C; H0 ] = α
Pandang bentuk u1 ≤ c1 . Karena θ′ dan θ′′ suatu konstanta,
2. P [(X1, X2 , ..., Xn ) ∈ C; H1 ] ≥ P [(X1, X2 , ..., Xn ) ∈ A; H1 ] u1 (x1 , x2 , ..., xn ; θ′ , θ′′ ) suatu statistik dan jika f.k.p dari statistik ini dapat
ditentukan kalau H0 benar maka tingkat signifikansi dari uji H0 lawan H1
Cara lain yang dapat digunakan menentukan daerah kritik terbaik adalah dapat ditentukan dari distribusi ini.
dengan menggunakan teorea Neyman-Pearson.
Misalkan X1, X2 , ..., Xn sampel random dari distribusi yang mempunyai Diketahui X1, X2 , ..., Xn sampel random dari distribusi yang mempunyai
f.k.p f (x; θ). Selanjutnya f.k.p bersama dari X1, X2 , ..., Xn adalah f.k.p
1 1
f (x; θ) = √ exp(− (x − θ)2 ); −∞ < x < ∞ (5.18)
L(θ; x1 , x2 , ..., xn ) = f (x1 ; θ)f (x2 ; θ)...f (xn ; θ) (5.14) 2π 2
Akan diuji hipotesis sederhana H0 : θ = θ′ = 0 lawan hipotesis alternatif
Misalkan θ′ dan θ′′ nilai tertentu dari θ yang berbeda sehingga Ω =
H1 : θ = θ′′ = 1. Perhatikan bahwa
{θ; θ = θ′ , θ′′ } dan misalkan k bilangan posistif. Jika C subset dari ruang
√ P
sampel sedemikian sehingga L(θ′ ; x1 , x2 , ..., xn ) (1/ 2π)n [−( x2i )/2]
= √ P (5.19)
L(θ′′ ; x1 , x2 , ..., xn ) (1/ 2π)n exp [−( (xi − 1)2 )/2]
L(θ ′ ;x1 ,x2 ,...,xn)
1. L(θ ′′ ;x1 ,x2 ,...,xn)
≤ k ; ∀ titik (x1 , x2 , ..., xn ) ∈ C
uji di θ = θ′′ = 1
L(θ ′ ;x1 ,x2 ,...,xn)
2. L(θ ′′ ;x1 ,x2 ,...,xn)
> k ; ∀ titik (x1 , x2 , ..., xn ) ∈ C∗
Z∞
3. α = P [(X1, X2 , ..., Xn ) ∈ C; H0 ] 1 (x − 1)2
P (x ≥ c1 ; H1 ) = √ p exp(− dx (5.20)
c1 2π 1/n 2(1/n)
Maka C adalah daerah kritik terbaik berukuran α untuk uji hipotesis se-
Untuk contoh di depan, jika n = 25 dan jika α = 0, 05 maka dari tabel
derhana H0 : θ = θ′ lawan hipotesis sederhana alternatif H1 : θ = θ′′
ditemukan c1 = 1,645
√
25
= 0, 329. Kekuatan dari uji ini dari H0 lawan H1
Satu hal yang ditegaskan oleh teorema ini adalah bahwa jika C himpunan adalah 0, 05 kalau H0 benar dan
dari semua titik-titik (x1 , x2 , ..., xn ) yang memenuhi
Z∞ Z ∞
′ 1 (x − 1)2 1 −w2 /2
L(θ ; x1 , x2 , ..., xn ) √ p exp(− dx = √ e dw = 0, 999,jika H1 ben
≤ k; k > 0 (5.15) 0,329 2π 1/25 2(1/25) −3,355 2π
L(θ′′ ; x1 , x2 , ..., xn )
Bab 5. Hipotesis Statistik 150 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 151 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Misalkan pula dilakukan percobaan n = 60000 dengan hasil x = f (x1 ; 2)f (x2 ; 2) = 1/4e−(x1 +x2 )/2 ; 0 < x1 < ∞, 0 < x2 < ∞
12489. Dengan menggunakan kriterium daerah kritis 0, 05, hitunglah
= 0, untuk x yang lain
x∗ yang memenuhi
dan
P (X ≥ X ∗ |H0 benar) = 0, 05
P [(x1 , x2 ) ∈ C] = 1 − P [(x1 , x2 ) ∈ C c ]
P embahasan : 9,5 9,5−x
Z Z 2
Untuk lebih memudahkan perhitungan, kita gunakan teorema limit = 1− 1/4e−(x1 +x2 )/2 dx1 dx2 ∼
= 0, 05
0 0
pusat, sehingga
" # Jika H1 benar, θ = 4, f.k.p bersama dari X1 dan X2 adalah
x − 60000(1/5) X ∗ −60000(1/5
P (X ≥ X ∗|H0 benar) = P p ≥p
60000(1/5)(4/5) 60000(1/5)(4/5) f (x1 ; 4)f (x2 ; 4) = 1/16e−(x1 +x2 )/4 ; 0 < x1 < ∞, 0 < x2 < ∞
= 0 ; untuk x yang lain
dengan √x−60000(1/5) berdistribusi normla standar. Karena P (Z ≥
60000(1/5)(4/5)
1, 64) = 0, 05 (dari tabel z), maka X∗ dapat dihitung dari persamaan Sehingga
Bab 5. Hipotesis Statistik 152 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 153 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Z∞ Misalkan θ′′ suatu bilangan yang tidak sama dengan θ′ dan k bilang-
P (x1 + x2 ≥ 9, 5) = P (Z ≥ 4, 75) = 1/4ze−z/2 dz ∼
= 0, 31 an positif. Perhatikan bahwa
4,75
P
(1/2π)n/2 exp [− (xi − θ′ )2 /2]
Karena tingkat signifikansi adalah fungsi kekuatan kalau H0 benar, P ≤k (5.21)
(1/2π) exp [− (xi − θ′′ )2 /2]
n/2
maka α = 0, 05
atau ( )
n
3. Pandang uji H0 : θ ∈ Ω0 vsH1 : θ ∈ Ωc0 . Misalkan uji berdasar statistik ′′
X
′ n ′′ 2 ′ 2
exp − (θ − θ ) xi + (θ ) − (θ ) ≤k (5.22)
cukup T dengan daerah penolakan S memenuhi tiga syarat berikut: i=1
2
atau n
(a) Uji adalah uji taraf α X n ′′ 2
(θ′′ − θ′ ) xi ≥ (θ ) − (θ′ )2 − ln k (5.23)
(b) Terdapat θ0 ∈ Ω0 sedemikian hingga Pθ0 (T ∈ S) = α i=1
2
(c) Misalkan g(t|θ) menyatakan densitas dari T . Untuk θ0 yang sa- Pertidaksamaan ini ekivalen dengan
ma seperti dalam (b) dan untuk setiap θ1 ∈ Ωc0 terdapat k1 ≥ 0 n
X n ′′ ln k
sedemikian hingga xi ≥ (θ + θ′ ) − ′′ jika θ′′ > θ′ (5.24)
i=1
2 (θ − θ′ )
1 1 c 1 1
t ∈ Sbilag(t|θ ) > k g(t|θ0 )dant ∈ S bilag(t|θ ) < k g(t|θ0 )
dan ekivalen ke
Tunjukkan uji ini adalah uji UMP taraf α dari H0 versus H1 .
n
X n ′′ ln k
P embahasan : xi ≤ (θ + θ′ ) − ′′ jika θ′′ < θ′ (5.25)
i=1
2 (θ − θ′ )
Misalkan β(θ) adalah fungsi kuasa dari uji dengan daerah penolakan
′
S. Tetapkan θ1 ∈ Ωc0 . Pandang uji H01 : θ = θ0 vsH11 : θ = θ1 , menurut Kedua ini mendifinisikan daerah kritik terbaik untuk uji H0 : θ0 = θ
akibat teorema Neyman-Person dan (a), (b), dan (c) mengakibatkan lawan H1 : θ = θ′′ bila θ′′ > θ′ dan θ′′ < θ′ . Akan tetapi daerah kritik
β(θ1 ) ≥ β ∗ (θ1 ) dengan β ∗ (θ) fungsi kuasa untuk taraf α lain dari H01 , terbaik uji hipotesis sederhana lawan hipotesis sederhana alternatif
yaitu setiap uji yang memenuhi β(θ) ≤ α. Tetapi, setiap uji tanpa α θ = θ′ + 1 tidak seperti daerah kritik terbaik daerah kritik terbaik
′
dari H0 memenuhi β ∗ (θ0 ) ≤ sup β ∗ (θ) ≤ α. H0 : θ = θ lawan hipotesis sederhana alternatif θ = θ′ − 1. Jadi
dalam kasus ini tidak ada uji paling kuat seragam.
Jadi β(θ1 ) ≥ β ∗ (θ1 ) untuk setiap uji taraf α dari H0 . Karena θ1 seba-
rang maka soal terbukti. 5. Tentukan daerah kritik dari uji rasio likelihood untuk uji hipotesis
nol H0 : µ = µ0 lawan H1 : µ 6= µ0 yang didasarkan sampel random
4. Jika X1, X2 , ..., Xn sampel random dari distribusi n(θ, 1) dengan me-
berukuran n dari populasi normal dengan varians σ 2 diketahui.
an θ tidak diketahui. Perlihatkan bahwa tidak ada uji paling kuat
′
seragam dari hipotesis sederhana H0 : θ = θ dimana θ′ tertentu la- P embahasan :
′
wan hipotesis gabungan alternatif H1 : θ 6= θ . Ruang sampelnya Karena ω = {µ0 } maka L(b
ω ) = L(µ0 ). Karena Ω = ℜ maka dengan
Ω = {θ; −∞ < θ < ∞} . b = x se-
menggunakan metode likelihood maksimum diperoleh µ
Bab 5. Hipotesis Statistik 154 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 155 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Bab 5. Hipotesis Statistik 156 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 157 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Jadi daerah kritik rasio likelihood adalah λ (x)adalah fungsi ........... dari Σ3i=1 xi
P n/2 Daerah kritik untuk uji ini adalah
(xi − x)2
P 2 ≤k
(xi ) λ < C0
atau P atau
(xi − x)2 2/n
x: P ≤ k
(xi )2 Σ3i=1 xi 3−Σ3i=1 xi
0, 75 2, 25
< C0
7. Misalkan x1 , x2 , x3 random variabel independen berdistribusi Σ3i=1 xi 3 − Σ3i=1 xi
B (1, P ). Uji hipotesis H0 : P = 0, 25 dengan tingkat signifikasi α Dibawah H0 Σ3i=1 xi ∼ B (3, P = 0, 25) maka daerah kritik uji ini
berdasarkan LR Test Statistic dan dapatkan distribusinya! adalah berbentuk pasangan.
P embahasan :
Σxi < C0∗ dan Σxi > C0∗∗
xi ∼ B (1, P ) ⇒ P (xi = xi ) = pxi (1 − P )1−xi , xi = 0, 1 i = 0, 1, 2, 3
Dimana C0∗ dan C0∗∗ dapat ditung berdasarkan tingkat signifikasi
3
L (P | x) = πi=1 P (xi = xi ) αyang ditentukan dan distribusi binomial n − 3 dan p − 0, 25 maka
1−x
= P x1 (1 − P ) 1 .P x2 (1 − P )1−x2 .P x3 (1 − P )1−x3 hubungan:
= P x1 +x2 +x3 (1 − P )3−x1 .x2 .x3
3
P Σi=1 xi (1 − P )3−Σi=1 xi
3
= P Σ3i=1 xi < C0∗ ≈ α2 dan
Diuji hipotesis H0 : P = 0, 25 vs H1 : P 6=, 25
P Σ3i=1 xi > C0∗∗ ≈ α2
Ω0 = {P = 0, 25}
Pandang Ruang Parameter: Jadi distribusi yang digunakan dalam uji ini adalah distribusi
Ω = {P | 0 < P < 1}
Binomial dengan trial = 3 dan Probabilitas sukses p = 0, 25. Se-
Di bawah Ω0 didapat P Λ = P0 = 0, 25 , di bawah Ωdidapat MLE-P dangkan untuk n besar dapat digunakan pendekatan −2logλyang
Σ3 x
adalah P Λ = i=1
3
i
2
berdistribusi Asimtotik X(1) .
Sebab:
logL (P | x) = Σ3i=1 xi .logP + (3 − Σ3i=1 xi ) logP (1 − p) 8. Misalkan X1 , X2 , ...., X30 (n = 30) barisan variabel random berdistri-
d.logL(P |x) Σ3i=1 x
dp
= P
+ (3 − Σ3i=1 xi ) . −1
1.p busi Gamma dengan α = 10 dan β tidak diketahui. Kontruksikanlah
(1−P )Σ3i=1 x−P Λ (3−Σ3i=1 xi )
Λ
0 = Λ
P (1−P ) Λ MP test dari hipotesis H0 : β = 2 vs H1 : β = 3, pada level signifikasi
Σ3i=1 xi
PΛ = 0, 05.
3
= x
SupP ǫΩ0 L(P |x)
λ (x) = SupP ǫΩ L(P |x)
P embahasan :
3 3
(0,25)Σi=1 xi (0,75)3−Σi=1 xi
= 3−Σ3 xi
Σx (0,75) i=1
( Σx3 i ) (1− Σx3 i ) (a) Diketahui Xi ∼ G (α, β) maka densitas dari Xi adalah:
Σ3i=1 xi 3−Σ3i=1 xi
3(0,25) 3(0,75) 1
= Σ3i=1 xi 3−Σ3i=1 xi f (Xi | β) = r(α)β α
xα−1 e−xi β ; xi > 0, α > 0, dan β > 0
Bab 5. Hipotesis Statistik 158 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 159 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Dengan ruang parameter: 9. Misalkan X1 , X2 , ...., X30 (n = 30) variabel random independen ber-
Ω0 = {(α, β) | α = 10; β = 2} distribusi N (µ, σ 2 )dengan µ tidak diketahui dan σ diketahui. Tun-
Ω = {(α, β) | α = 10; β = 3 > β0 = 2} jukkan sampel size ndapat ditentukan, sehingga uji hipotesis H0 :
(b) Densitas bersama dari xi pada Ω0 adalah µ = 0 vs hipotesis H1 : µ = 1dapat dilakukan bila nilai-nilai αdan
h i30 1 30 β telah ditentukan sebelumnya. Berapakah nilai numeris dari n, jika
1 30
f0 (x | β0 ) = r(10)210 πi=1 x9 e− 2 Σi=1 xi
α = 0, 05, β = 0, 9, dan σ = 1?
(c) Densitas bersama dari xi pada Ωadalah:
h i30
1
f1 (x | β1 ) = r(10)3 30
πi=1
1 30
x9 e− 3 Σi=1 xi P embahasan
10
(d) Rasio Likehoodnya adalah: (a) Xi ∼ G (µ, σ 2 ) maka densitas dari Xi adalah:
f1 (x|β1 )
R (Z, β0 , β1 ) = f0 (x|β0 ) f (Xi | µ) = (2πσ 2 )
−12 1
e 2σ2 (Xi −µ) ;-∞ < x < ∞
2
h i30 1 30
1 30 x9 e− 3 Σi=1 xi
πi=1
r(10)310
= h i30 1 30
Dengan ruang parameter:
1 30 x9 e 2 Σi=1 xi
πi=1 −
r(10)2
1
10
30 1 30
30 x9 e− 3 Σi=1 xi π 30 x9 e− 2 Σi=1 xi
Ω0 = {(α, σ 2 ) | µ = 0; σ > 0}
πi=1
= h
1
i30 . i=1
h
1
i30 Ω = {(α, σ 2 ) | −∞ < µ < ∞; σ > 0, µ = 1}
10 10
r(10)3
2 300 − 31 Σ30
r(10)2
1 30
= .e i=1 xi + 2 Σi=1 xi (b) Densitas bersama dari xi pada Ω0 adalah:
3
2 300 1 Σ30 x 1
= .e 6 i=1 i > C −n2 − Σn x 2
3 f0 (x | µ = 0) = (2πσ 2 ) e 2σ 2 i=1 i
Bab 5. Hipotesis Statistik 160 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 161 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
( √
1;Jika X > C0 1 n (C0 − 1) = −1, 28 (5.30)
Ø (Z) = denganX = Σni=1 xi (5.28)
0; Jika X ≤ C0 n
Dari (3) dan (4) diperoleh:
2 2
(f) Karena xi ∼ N (µ, σ ), maka x ∼ N (µi, σ n) ; i = 0, 1..C0 di- √ √
tentukan dengan: C0 n − n = −1, 28
√
1, 64 − n = −1, 28
Eµ0 [Ø (Z)] = Pµ0 (x > C0 ) =α √
n = 1, 64 +1, 28 = 2, 92
1 − Pµ0 (x ≤ C0 ) = 0, 05
Pµ0 (x ≤ C0 ) = 1 − 0, 05 Atau
= 0, 95 n = (2, 92)2 = 8, 53 ≃ 9
Atau: Jadi nilai n yang ditanyakan adalah sekitar 9. Jika niali n = 9
Pµ0 x−µ 0x
≤ C0 −µ 0x
= 0, 95 disubstitusikan ke (3) diperoleh C0 = 0, 55 sehingga MP Testnya
σx σx
C√
0 −µ0x adalah:
Pµ0 Z ≤ 1n = 0, 95
√
Pµ0 (Z ≤ C0 n) = 0, 95 (
1;Jika X > 0, 55 1
Ø (Z) = denganX = Σni=1 xi
(g) Dengan menggunakan tabel distribusi normal starndard dipe- 0; Jika X ≤ 0, 55 n
roleh:
Dengan kata lain H0 ditolak apabila X > 0, 55,H0diterima
Pµ0 (Z ≤ 1, 645) = 0, 95 sehingga didapat apabila X ≤ 0, 55
√
C0 n = 1, 645 (5.29)
Karena β = 0, 9dan berdasarkan di atas diperoleh: 10. Misalkan x1 , x2 , ..., x30 variabel random independen berdistribusi
N (µ, σ 2 ). Jika x = 3, 2, kontruksilah MP test dari hipotesis H0 : µ =
Eµ1 [Ø (Z)] = 1 − 0, 9 = 0, 1 (1 − β = P )
3; σ 2 = 4vs hipotesis alternatif H1 : µ = 3, 5; σ 2 = 4pada level signifi-
tidak menolak H0 | H1 salah.
kasi α = 0, 01
Pµ1 (x ≤ C0 ) = 0, 1
x−µ0x
Pµ1 σx
≤ C0 −µ
σx
0x
= 0, 1 Penyelesaian
Pµ1 Z ≤ C√0 −µ0x
1n
= 0, 1
√ • Xi ∼ N (µ, σ 2 )densitas dari Xi adalah
Pµ1 (Z ≤ C0 n) = 0, 1 −12 − 12 (xi −µ)2
f (Xi | µ, σ 2 ) = (2πσ 2 ) e 2σ
(h) Dengan menggunakan tabel distribusi normal standard dipero- Dengan ruang parameter:
leh: Ω0 = {µ = 3; σ 2 = 4}
Ω = {−∞ < µ < ∞; σ 2 > 0, µ = 1}
√
Pµ1 Z ≤ C0 n = 0, 1 Ωc0 = {µ = 3, 5; σ 2 = 4}
Bab 5. Hipotesis Statistik 162 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 163 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
• Densitas bersama dari xi pada Ω0 adalah: C0 ditentukan dengan Eµ0 [Ø (Z)] = Pµ0 (x > C0 ) = αdengan
1 2
α=0,01
(2π.4)−50 e− 8 Σi=1 (xi −3)
100
f0 (x | µ, σ 2) = Jadi:
2
(8π)−50 e− 8 Σi=1 (xi −6xi +9)
1 100 2
=
1 100 2 6 100 2
= (8π)−50 e− 8 Σi=1 xi + 8 Σi=1 xi −112,5 Eµ0 [Ø (Z)] = Pµ0 (x > C0 ) = Pµ0 (x > C0 )
1 − Pµ0 X ≤ C0 = 0, 01
• Densitas bersama dari xi pada Ωc0 adalah:
Pµ0 X ≤ C0 = 1 − 0, 01 = 0, 99
f1 (x | µ, σ 2 ) =
1
(2π.4)−50 e− 8 Σi=1 (xi −3,5)
100 2
Bentuk ini diubah kebentuk distribusi normal standars, sebagai
2
berikut:
(8π)−50 e− 8 Σi=1 (xi −7xi +12,25)
1 100 2
=
1 7
= (8π)−50 e− 8 Σi=1 xi + 8 Σi=1 xi −153,125
100 2 100 2
X−µ0X C0 −µ0X
Pµ0 σX
≤ σX
= 0, 99
r
• Rasio Likehoodnya adalah: Pµ0 Z ≤ Cσ0 −3 = 0, 99 4 2
X dengan σX = = , µ0 = 3
Ø C210
0 −3
= 0, 99 100 10
f1 (x|µ,σ2 )
R (z, µ0 , µ1 ) = f0 (x|µ,σ2 )
1 100 2 7 100 2 Pµ0 (Z ≤ 5C0 − 15) = 0, 99
(8π)−50 e− 8 Σi=1 xi + 8 Σi=1 xi −153,125 (5.31)
= 1 100 2 6 100 2
(8π)−50 e− 8 Σi=1 xi + 8 Σi=1 xi −112,5 Dengan menggunkan tabel distribusi normal standard dipero-
− 18 Σi=1
100 x2 −40,62,5
= e i >C leh
dengan C suatu konstanta tertentu. Pµ0 (Z ≤ 2, 33) = 0, 99, sehingga diperoleh:
Bentuk (1) diatas dapat ditulis sabagai:
5C0 − 15 = 2, 33 ⇒ 5C0 = 17, 33
17,33
e − 81 Σ100 2
i=1 xi > e40,62,5 .C (5.32) C0 = 5
= 3, 466
Jadi MP test dari uji hipotesis diatas adalah:
ambil logaritma kedua ruas pertidaksamaan (2), diperoleh:
(
1 100 2 1;Jika X > 3, 466
Σ x
8 i=1 i
> 40, 62, 5 + LogC Ø (Z) =
0; Jika X ≤ 3, 466
Σ100 2
i=1 xi > 325 + 8LogC
iΣ100 x 8
Dengan kata lain: Karena X = 3, 2 < C0 = 3, 466maka H0 tidak
Jadi diperoleh: i=1
100
> 325 + 100 LogC = C0
ditolak pada tingkat signifikasi α = 0, 01
Sehingga MP tes dari uji hipotesis diatas berbentuk,
(
1;Jika X > C0 Σ100 xi
Ø (Z) = dengan i=1 = 3, 2
0; Jika X ≤ C0 100
Karena xi ∼ N (µ, σ 2 )dengan n=100, maka 11. Misalkan X variabel random yang densitasnya uniform
µ (0, 1)disimbolkan dengan f0 atau berdistribusi triangular pa-
σ2 4
x ∼ N µi , = N µi , : 1 = 0, 1 da interval [0, 1]disimbolkan dengan , dimana f1 berbentuk:
n 100
Bab 5. Hipotesis Statistik 164 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 165 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
0.Pθ0 (x ≥ C0 ”) = 0, 05
1
4x ; 0≤x< 2
f1 = 4 − 4x ; 21 ≤ x ≤ 1 ⇐⇒
0 ; otherwise = Pθ0 (x > C0′ ) + Pθ0 (x < C0 ”) = 005
yang didasarkan pada observasi tungal X. Konstruksilah MP test da- = Pθ0 (x > C0′ ) + 1 − Pθ0 (x < C0 ”) = 0, 05
R1 R1
ri hipotesis H0 : f = f0 vs hipotesis H1 : f = f1 pada level signifikansi = c′o
dx + 1 − co ” dx = 0, 05
R1 R1
α = 0, 05 = c dx + 1 −
1− 4c
dx = 0, 05
4
1 R 1
= [x] c + 1 − 1− c dx = 0, 05
Penyelesaian: 4 4
= 1 − 4c + 1 − [x]11− c = 0, 05
4
• Diuji hipotesis H0 : f0 (x) = 1I[0,1] (x) vs H1 : f1 (x) = c
1− +1− 1− 1− c
= 0, 05
4 4
Bentuk: Ω = {θ0 , θ1 }dengan f (x | θ0 ) = f0 (x); 0 ≤ x ≤ 1dan = 2 − 4c − 1 + 1 − c
= 0, 05
4
f (x | θ1 ) = f1 (x); 0 ≤ x ≤ 1 = 2 − 4c = 0, 05
X ∼⌣ (0, 1)maka densitas dari X adalah:
c
= 2 − 0, 05 = 1, 95
2
1 atau
f (x | θ0 ) = f0 (x) = ;0 ≤ x ≤ 1 C = 2 (1, 95) = 3, 9
1−0
Jika harga c=3,9 ini disubstitusikan masing-masing ke
Disini: f (x | θ0 ) = f0 (x)danf (x | θ1 ) = f1 (x)karena observasi
C0′ = 4c diperoleh C0′ = 3,9
4
= 0, 975dan
didasarkan pada observasi tunggal pada X.
C0 ” = 1 − 4c = 1 − 0, 975 = 0, 025.
Rasio Likehoodnya adalah:
Jadi diperoleh harga C0′ = 0, 975 dan C0 ” = 0, 025. Sehingga MP tes
dari uji hipotesis tersebut adalah:
4x
; 0 ≤ x < 21
f (x | θ1 ) f1 (x)
= = f1 (x) = 4 − 4x ; 12 ≤ x ≤ 1
f (x | θ0 ) f0 (x)
1 ; Jika x > 0, 975 atau
0 ; otherwise
x < 0, 025
Ø (x) =
f1 (x) > C ⇔ 4x > C atau 4 − 4x > C
0 ; Jika x ≤ 0, 975 dan
Jadi
x ≥ 0, 025
⇔ x > C4 atau x < 1 − 1/4C
Dengan C suatu konstanta tertentu. Dengan kata lain: H0 (Hipotesa nol) ditolak jika x > 0, 975atau
sebut,C4 = C0′ dan 1 − 1/4C”maka MP tes dari uji hipotesis x < 0, 025 dan H0 diterima pada 0, 025 ≤ x ≤ 0, 975. Seperti yang
tersebut akan terbentuk: diilustrasikan gambar berikut:
(
C
1;Jika X > 4
= C0′ atau x < 1 − 1/4C = C0 ” 12. Misalkan x1 , x2 , ..., xn variabel random iid dengan densitas (pdf)
Ø (Z) =
0; Jika X ≤ C0 dan x ≥ C0 ” f0 atau f1 , diman f0 berdistribusi P (1) dan f1 berdistriubusi geome-
Nilai C0′ dan C0”dihitung dengan Eθ0 [Ø (x)] = αdengan α = tris dengan P = 12 . Tentukan MP tes dari hipotesis H0 : f = f0 vs
0, 05, yaitu H1 : f = f1 pada level signifikansi α = 0, 05
• Eθ0 [Ø (x)] = 1.Pθ0 (x > C0′ ) + 1.Pθ0 (x < C0 ”) + 0.Pθ0 (x ≤ C0′ ) + Penyelesaian:
Bab 5. Hipotesis Statistik 166 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 167 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
e −1
H0 : f = f0 (x) = x!
VS 13. Mislakan x1 , x2 , ...., xn variabel random iid dengan
• Diuju hipotesis x−1 1
1 x−1 1
1 x
H1 : f = f0 (x) = 1 − 21 .2 = 2
.2 = 2
densitas (pdf) sebagai berikut: (i). f (x | θ) =
e−1 θ α α−1 −θx
Bentuk Ω = {θ0 , θ1 }dengan f (x | θ0 ) = f0 (x) = x!
dan r(α)
x e I(0,∞) (x) ; θǫΩ = (0, ∞) α diketahui > 0 (ii). f (x | θ) =
x−1 1 !
f (x | θ1 ) = f1 (x) = 21 .2 r+x−1
θr (1 − θ)x IA (x) ; A = {0, 1, 2...} θǫΩ = (0, 1).
• Densitas bersama dari Xi untuk θ0 adalah: x
Tunjukkan densitas bersama dari (i) dan (ii) mempunyai sifat MLR
e−n
f (x | θ0 ) = n (Monotone Likehood Ratio) dalam V (x1 , x2 , ..., xn ).
πi=1 xi !
dan densitas bersama dari xi untuk θ1 adalah: Penyelesaian:
n (i). Densitas
h bersama
in dari xi adalah:
1 Σi=1 xi −n 1 n
f (x | θ1 ) = θα n
Σ
2n
x −n
2
n f (x | θ) = r(α) n
πi=1 xα−1
i e−θΣi=1 xi
1
= 2
i=1 i
. 21 . 12
Σ n x Keluarga distribusi ini adalah keluarga distribusi eksponensial,
1 i=1 i
= 2 sebab keluarga tersebut dapat ditulis ke dalam bentuk:
• Rasio Likehoodnya adalah:
f (x | θ) = C (θ) eQ(θ)T (x) h (x) (5.34)
f (x|θ1 )
R (Z, f0 , f1 ) = f (x|θ0 )
( 21 )
Σn
i=1 xi dengan: h in
= θα
e−n
π n xi !
C (θ) = r(α)
; Q (θ) = −θ
“ n
i=1 ”
π x
πi=1 xi ! 12 i=1 i
n
= T (x) = Σni=1 xi ; h (x) = n
πi=1 xα−1
i
e−n
Jelas Q (θ) = −θdecreasing pada (0, ∞), sebab Q (θ) = −1 < 0. Jadi
dengan C suatu konstanta tertentu. Atau bentuk diatas dapat
ditulis sebagai: berdasarkan proposisi 1 halaman 277 dari Roussas, keluarga ekpo-
nensial diatas memiliki sifat MLR dalam v (x) = −T (x) = −Σni=1 xi .
n
n 1 πi=1 xi
πi=1 xi ! > C.e−n (5.33) (ii). Densitas bersama dari xi adalah:
2
!
Ambil logaritma kedua ruas dari (1) diperoleh: r+x−1 n
f (x | θ) = nr
θ π (1 − θ)Σi=1 xi
x !
n 1
Logπi=1 xi ! + Σni=1 xi log > logC − n
2
r+x−1 n
Σni=1 xi logxi + Σni=1 xi log 1
> logC − n = θnr π eΣi=1 xi Log (1 − θ)
2 x
n
Σi=1 xi logxi + Σni=1 xi {log1 − log2} > logC − n
Σni=1 xi logxi + Σni=1 xi {0 − 0, 3010} > logC − n 14. X ∼ Bin (θ, n) . Misalkan Ø (x)adalah uji UMP untuk H0 : θ ≤
Σni=1 xi logxi − 0, 3010Σni=1 xi > logC − n θ0 vs H1 : θ > θ0 . Untuk n=6;θ0 = 0, 25 dan α = 0, 05; 0, 1 dan 0, 2.
Tentukan uji bersama-sama dengan β (θ) fungsi kuasa untuk θ0 =
Misalkan: logxi = ti maka, xi = eti
0, 3; θ0 = 0, 4.
Jadi: Σni=1 ti − 0, 3010Σni=1eti > Log − n
Penyelesaian:
Bab 5. Hipotesis Statistik 168 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 169 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Jelas bentuk terakhir ini adalah berbentuk keluarga ekponensial Dengan kata lain:
dengan: H0 ditolak apabila x > 4
! H0 ditolak dengan kendala 0,54444 Jika x = 4
6 Power of the test di 0,7 adalah:
c (θ) = 0, 7536 ; 6
h (x) = πi=1
xi βØ (0, 7) = P0,7 (x > 4) + 0, 54444P0,7 (x = 4)
1
T (x) = Σs xi dan Q (θ) = Log 3
= P0,3 (x ≤ 1) + 0, 54444P0,3 (x = 24)
= 0, 3936 + (0, 54444) [P0,3 (x ≤ 2) − P0,3 (x ≤ 1)]
Jadi bentuk UMP tes diatas adalah:
= 0, 3936 + (0, 54444) . (0, 7208 − 0, 3936)
1
jika x > c = 0, 3936 + 0, 1781
Ø (x) = γ jika x = c ; dengan Σn=1
i=1 xi = X ∼ Binθ
= 0, 5717
Dengan fungsi kuasa di 0,3
0 bagi yang lain
Bab 5. Hipotesis Statistik 170 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 171 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Eθ0 Ø (x) = Pθ0 (x > c) + γ.Pθ0 (x = c) = 0, 1 Eθ0 Ø (x) = Pθ0 (x > c) + γPθ0 (x = c) = 0, 2
= 1 − Pθ0 (x ≤ c) + γ.Pθ0 (x = c) = 0, 1 (5.35) = 1 − Pθ0 (x ≤ c) + γPθ0 (x = c) = 0, 2 (5.36)
Pθ0 (x ≤ c) − γ.Pθ0 (x = c) = 0, 9 Pθ0 (x ≤ c) − γPθ0 (x = c) = 0, 8
Dengan menggunakan tabel binomial untuk n=6; θ0 = 0, 3untuk Dengan tabel distrbusi binomial untuk n = 6 dan
c = 3 diperoleh Pθ0 (x ≤ c) = 0, 9192. θ0 = 0, 3diperoleh: untuk c = 3, maka P0,3 (x ≤ c) = 0, 9192.
Jadi: Jadi:
Pθ0 (x = 3) = Pθ0 (x = 3) − Pθ0 (x ≤ 2)
= 0, 9192 − 0, 7208 = 0, 1994 P0,3 (x = 3) = P0,3 (x = 3) − P0,3 (x ≤ 2)
Sehingga, jika nilai-nilai ini disubstitusikan ke * diperoleh: = 0, 9192 − 0, 7208 = 0, 1994
0, 9192 − γ (0, 1994) = 0, 9
Harga-harga ini disubstitusikan ke * diperoleh 0,9192-γ0,1994 =
γ = 0,9192−0,9 = 0, 0962
0,1994 0,8 ⇒
Sehingga UMP tes untuk hipotesa ini adalah:
γ= 0,9192−0,8
0,1994
= 0, 6132
1 ; jika x > 3 Sehingga UMP test untuk hipotesa ini adalah:
Ø (x) = 0, 0962 jika x = 3
1 ; jika x> 3
0 bagi yang lain
Ø (x) = 0, 6132 ; jika x= 3
Dengan kata lain: 0 ; bagi yang lain
H0 ditolak apabila x > 3
Dengan kata lain:
H0 ditolak dengan probabilitas 0,0962 jika x = 3
H0 ditolak jika x > 3
Power of the tes di 0,7 adalah:
H0 ditolak jika x = 3dengan probabilitas 0,6132.
βØ (0, 7) = P0,7 (x > 3) + 0, 0962P0,7 (x = 3)
Power of the tes di 0,7 adalah:
= P0,3 (x ≤ 2) + 0, 0962P0,3 (x = 3)
= 0, 7208 + 0, 0962 [P0,3 (x ≤ 3) − P0,3 (x ≤ 2)]
βØ (0, 7) = P0,7 (x > 3) + 0, 6132P0,7 (x = 3)
= 0, 7208 + 0, 0962 [0, 9192 − 0, 7208]
= P0,3 (x ≤ 2) + 0, 6132P0,3 (x = 3)
= 0, 7399
! = 0, 7208 + 0, 0962 [P0,3 (x ≤ 3) − P0,3 (x ≤ 2)]
6
Fungsi kuasa: β (θ) = Σ θx (1 − θ)6−x + = 0, 7208 + 0, 6132.0, 1852
x
( ! ) = 0, 8344
6 3 3
0, 0962 θ (1 − θ) H0 : θ ≤ 0, 4 VS H1 : θ > 0, 4, dengan α = 0, 05.
x3
Bab 5. Hipotesis Statistik 172 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 173 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Bab 5. Hipotesis Statistik 174 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 175 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
2α
2α
f (θ | x) = e−Σ(xi −θ) I(θ,∞) x(i) ⇒ e−nc = ennθ0 ⇒ −nc = Log ennθ0 Atau −nc =
= e−Σ(xi −θ) enθ I(θ,∞) x(i) Log n2 α − nθ0 ⇒ c = θ0 − n1 Log n2 α
Dengan mengambil T (x) = x(i) danG (T | θ) = Kesimpulan: H0 ditolak apabila xmin > θ0 − n1 Log n2 α
enθ I(θ,∞) x(i) serta h (x) = e−Σxi , maka T (x) = x(i) adalah
statistik cukup bagi θ. Selanjutnya ditunjukkan keluarga
f (x | θ)mempunyai sifat MLR (Monotone Likehood Ratio) 16. Misalkan x1 , x2 , ..., x30 random variabel independen berdistribusi
dalam T (x) = x(i) , yaitu ratio likehood dari f (θ | x)untuk G (α = 10, β),βtidak diketahui. Konstruksikanlah MP tes untuk uji
θ1 < θ2 adalah: hipotesa H0 : β = 2VS H1 : β = 3dengan α = 0, 05.
f (θ2 |x)
f (θ1 |x)
= e(θ2 −θ1 ) I(θ,∞) x(i) yang merupakan fungsi tidak turun Penyelesaian:
dalam x(i) , berarti {fθ ; θǫΩ}ini memiliki sifat MLR.
Jadi MP tes uji diatas adalah: • xi ∼ G (α = 10, β) ⇒ f (xi | β) =
1
( x9 e−xi β Dikonstruksikan MP tes untuk H0 : β = 2VS
T(10) β 10 i
1 ; jika x(i) > C H1 : β = 3. Berdasarkan Leuma Neyman-Pearson di dapat:
Ø (x) =
0 ; bagi yang lain
1 30
30 x9 e− 3 Σxi T
f (x|β=3) πi=1 i ( (10) ) .(330 )
C dihitung dari densitas x(i) , seabgai berikut: f (x|β=2)
= 1
30 x9 e− 2 Σxi T 30
πi=1 i ( (10) ) .(230 )
Misalkan Y = x(i) = xmin
2 30 −( 13 − 21 )Σ30
= e i=1 xi
3
2
30 1 30
= 3
e− 6 Σi=1 xi
P (Y = y) = P (xmin ≤ y)
Log ff (x|β=2)
(x|β=3)
= 1 30
Σ x + 30Log 23
6 i=1 i
= 1 − P (xmin > y)
= 1 − {1 − P (x ≤ y)}n
n RY on Didapat H0 akan ditolak jika:
= 1 − 1 − θ eθ e−x dx
n
= 1 − 1 + eθ e−x |yθ 1 30 2
n Σ xi + 30Log >k
6 i=1 3
= 1 − 1 + eθ e−x − 1
= 1 − enθ e−ny
= 1 − e−(y−θ)
2
Σ30
i=1 xi > 6 k − 30Log =c
d 3
fy (y) = dy
{P (Y = y)}
d
= dy
1 − enθ e−ny
Jadi: 1 nθ −ny
;θ ≤ y < ∞ Selanjutnya dibawah H0 akan dicari distribusi dari Σ30
i=1 xi
= n
e e −10
−n(y−θ) xi ∼ G (α = 10, β = 2) ⇒ Mxi (t) = (1 − 2t)
= n.e
MΣ30 xi (t) = (Mxi (t))30
Sehingga: 30
R∞ 1 nθ0 −ny = (1 − 2t)−10
P (Y > c) = c n
e e dy = α
1 nθ0
= (1 − 2t)−300
= n
e − n1 e−ny |∞
c = α 600
1 nθ0
= (1 − 2t)− 2
3 = n
e − n1 e−nc = α
Ini adalah MGF dari x2(600) .
Bab 5. Hipotesis Statistik 176 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 177 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Dengan demikian H0 akan ditolak apabila Σ30 i=1 xi > c N (n, 0)dan di bawah H1 Σxi ∼ N (n.1, n.1) = N (n, n) .
Dimana c dapat dihitung berdasarkan tingkat signifikansi
α = 0, 05 dan distribusi x2(600) , memenuhi: α = P (Σxi > c)
0, 05 = P (Σx > c)
P (Σ30
i=1 xi > c) = 0, 05 atau P(Σx ≤ c) = 0, 95
1 − P (Σ30
i=1 xi ≤ c) = 0, 05 atau ⇔P Σx−0
√ ≤ √cn = 0, 95
n
P (Σ30
i=1 xi ≤ c) = 0, 95 ⇔ P Z ≤ √cn = 0, 95
Berdasarkan tabel distribusi x2(600) didapat c ≈ 61, 656 ⇔ ∅ √cn = 0, 95
Untuk menguji H0 : β = 2 VS H1 : β = 3dengan tingkat
c
signikansi α = 0, 05, H0 akan ditolak jika: Σ30 Daritabeldistribusi N (0, 1) didapat √ = 1, 64 (5.40)
i=1 xi > 61, 656 n
Penyelesaian: c √
−12 1 2 √ − n = −1, 28 (5.41)
xi ∼ N (µ, σ 2 ) ⇒ f (xi | µ) = (2πσ 2 ) e− 2σ2 (xi −µ) σ diketahui n
Uji hipotesis H0 : µ = 0 VS H1 : µ = 1. Berdasarkan Leuma Persamaan 1 disubstitusikan pada 2 didapat
Neymman-Pearson di dapat: √
n = √c + 1, 28 = 1, 64 + 1, 28
n
−1n2 − 1 Σn (xi −1)2 √
f (x|µ=1) ( 2πσ2) e 2σ 2 n = 2, 92 ⇒ n = (2, 92)2 ≈ 9
f (x|µ=0)
= − 1 Σn (xi −0)
2
(2πσ2 )−1n2 e 2σ 2
(
− 12 Σx2i −2Σxi +n−Σxi ) Jadi ukuran sampel adalah n = 9.
= e 2σ
1
= e− 2σ2 (n−2Σxi ) 18. Misalkan x1 , x2 , ...., x100 variabel independen berdistribusi
n Σxi
= e− 2σ2 .e σ2 N (µ, σ 2 ) .Jika x = 3, 2, Konstruksikan MP tes untuk hipotesis
MP tes memberikan, H0 ditolak jika : H0 : µ = 3, σ 2 = 4 VS H1 : µ = 3, 5, σ 2 = 4pada tingkat signifikansi
α = 0, 01.
n Σxi
e− 2σ2 .e σ2 > k Penyelesaian:
− 2σn2 + Σx
σ2
i
> Logk xi ∼ N (µ, σ 2 ) ⇒ f (xi | µ) = (2πσ 2 )
−12 − 12 (xi −µ)2
e 2σ akan dikonstruk-
n
Σi=1 xi > σ 2 (Logk + σ 2 ) = c sikan uji MP untuk: H0 : µ = 3, σ = 4 VS H1 : µ = 3, 5, σ 2 = 4.
2
Untuk α = 0, 05, β = 0, 9 dan σ = 1, dibawah H0 Σxi ∼ N (n.0, n.1) = Lueman Neymaman-Pearson memberikan:
Bab 5. Hipotesis Statistik 178 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 179 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Karena x = 3, 2 < c∗ = 3, 466maka H0 tidak ditolak pada tingkat • H0 ditolak jika: x < 0, 025atau x > 0, 975
signifikansi α = 0, 01
20. Misalkan x1 , x2 , ...., xn random variabel iid berdistribusi dengan p.d.f
f0 atau f1 , dengan f0 adalah P (1)dan f1 adalah geometrik P = 12 .
19. Misal x sampel random berdistribusi U(0,1) sebut f0 atau berdistri- Dapatkan MP test untuk hipotesis H0 : f = f0 VS H1 : f = f1 untuk
Bab 5. Hipotesis Statistik 180 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 181 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
tingkat signifikansi α = 0, 05. dengan berdasarkan pada proposisi 1, hal. 277 (Roussas) dan
dengan mengambil:
Penyelesaian:
Q (θ) = Logθ − θdanV (x1 , x2 , ...., xn ) = ΣxQ (θ)adalah fungsi turun-
f0 = P (1) ⇒ f (xi | θ0 ) = xe!i ! , xi = 0, 1, 2...
x an monoton dalam...........sebab.
f1 = geometrik P = 21 ⇒ f (xi | θ1 ) = 12 21 i , xi = 0, 1, 2.
Q′ (θ) = θ1 − 1 < 0, untuk θǫ (0, ∞)dengan demikian keluarga
akan dicari MP test untuk H0 : f = f0 VS H1 : f = f1 :
{g (t; θ) , θǫΩ = 0}adalah keluarga MLR dalam V = −V (x) =
1 Σxi
f (x | f1 ) 1
1 π n xi ! −Σni=1 xi !
= 2 2
en = . n i=1n
v+x−1
f (x | f0 ) πxi !
2 e .2Σi=1 xi b. f (x; θ) = θv (1 − θ)x .IA (x)
x
Lueman Neymaman-Pearson memberikan, daerah penolakan
A = {0, 1, 2, ...} , θǫΩ = (0, 1)
H0 adalah:
!
n r + xi − 1
1 πi=1 xi ! f (x; θ) = θnr πi=1
n
1 − θΣxi
. >k xi !
2 en .2Σi=1n xi
yang ekivalen dengan Σni=1 xi > c∗ n
r + xi − 1 n
= πi=1 θnr eΣi=1 xlog(1−e)
dibawah H0 , Σni=1 xi ∗
∼ P (n)sehingga c dapat dihitung berdasarkan xi
tingkat signifikansi α = 0, 05dan distribusi P (n)yang memenuhi: Dengan berdasarkan pada proposisi 1. Buku Rossas halaman 277
dan dengan mengambil :
P (Σxi > c∗ ) = 0, 05
P (Σni=1 xi ≤ c∗ ) = 0, 95 Q (θ) = Log (1 − θ)
t −n
Σct=0 n .et!
∗
= 0, 95 V (x) = Σx
6. Soal Roussas no 9 halaman 314 Maka Q (θ)adalah fungsi monoton turunan sebab:
Misalkanx1 , x2 , ...., xn random variabel dengan p.d.f diberikan diba-
−1
wah ini. Pada setiap kasus. Perlihatkan bahwa p.d.f bersama dari x Q′ (θ) = 1−θ
−1
adalah MLR dalam V = V (x1 , x2 , ...., xn ). = θ−1
< 0, untuk θǫ (0, 1)
x
a. f (x; θ) = Tθ(α) xα−1 e−θx .I(0,∞) (x) ; θǫ (0, ∞) ; α > 0 diketahui sehingga keluarga distribusi {g (t, θ) , θǫ (0, ∞)}adalah keluarga MLR
!
v+x−1 dalam V (x) = −V (x)
b. f (x; θ) = θv (1 − θ)x .IA (x)
x
21. Misalkan x1 , x2 , ...., xn sampel random dari distribusi exponensial de-
A = {0, 1, 2, ...} , θǫΩ = (0, 1)
ngan parameter lokasi θdan densitas f (x | θ) = e−(x−θ) , θ ≤ x < ∞.
Penyelesaian:
θx Tentukan UMP test untuk H0 : θ ≤ θ0 , H1 : θ ≤ θ1 .
a. f (x; θ) = T (α)
xα−1 e−θx .I(0,∞) (x) ; θǫ (0, ∞) ; α > 0 diketahui
Penyelesaian:
θx
f (x; θ) = π n xα−1 .e−θΣx
(T (α))n i=1 xi ∼ f (xi | θ) = e−(xi −θ)
πi=1 xα−1 −θΣx+Σxlogθ
n
n
= n .e
(T (α))
f (x | θ) = πi=1 e−(xi −θ) = e−Σxi +nθ
n
n α−1 1
= πi=1 x T (α)
.eΣx(logθ−θ) Akan ditentukan UMP test untuk H0 : θ ≤ θ0 , H1 : θ ≤ θ1 .
Bab 5. Hipotesis Statistik 182 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 183 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
Bab 5. Hipotesis Statistik 184 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 185 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
• Untuk n = 6, θ0 = 0, 25, α = 0, 02
∗
1 ; jika x > c0
Dari tabel B (n = 6, θ0 = 0, 25, α = 0, 012)didapat c∗0 = 4
Ø (x) = γ ; jika x = c∗0 P0,25 (x ≤ 4) = 0, 9954 dan P0,25 (x = 4) = 0, 033
0 ; jika x < c∗0 Persamaan 1 menjadi:
dimana c∗0 dapat ditentukan berdasarkan hubungan Eθ0 (Ø (x)) =
P (x > c∗0 ) + γP (x = c∗0 ) 0, 9954 − γ (0, 033) = 0, 98
γ = 0, 467
• Untuk n = 6, θ0 = 0, 25, α = 0, 05
Selanjutnya akan dihitung uji kuasanya:
α = P (x > c∗0 ) + γP (x = c∗0 )
= 1 − P (x ≤ c∗0 ) + γP (x = c∗0 ) β (θ) = Eθ (Ø (x))
(5.44)
P (x ≤ c∗0 ) − γP (x = c∗0 ) = 1−α β (θ) = Pθ1 (x > c∗0 ) + γPθ1 (x = c∗0 )
(5.43)
• Untuk θ1 = 0, 3, c∗0 = 3 dan γ = 0.094
Dari tabel Binomial (n = 6, θ0 = 0, 25)didapat:
Persamaan 2 menjadi:
P0,25 (x ≤ c∗0 ) = 0, 9624
β0,3 (θ) = 1 − P (x = 0) − P (x = 1) − P (x = 2) + γ.P (x = 3)
P0,25 (x = c∗0 ) = P0,25 (x ≤ c∗0 ) − P0,25 (x ≤ c∗0 − 1)
= 1 − 0, 1176 − 0, 3025 − 0, 3341 + 0, 094. (0, 1852)
Untuk c∗0 =⇒ = P0,25 (x ≤ 3) − P0,25 (x ≤ 2)
= 0, 273
= 0, 9624 − 0, 8306
• Untuk θ1 = 0, 3 , c∗0 = 4 dan γ = 0, 164
= 0, 1318
Persamaan 1 menjadi: Persamaan 2 menjadi:
β0,3 (θ) = P (x = 5) + P (x = 6) + 0, 164 (P (x = 4))
0, 9624 − γ0, 8306 = 0, 95 = 0, 0102 + 0, 0007 + 0, 164. (0, 0595)
γ = 0, 094 = 0, 0206
• Untuk θ1 = 0, 3 , c∗0 = 4 dan γ = 0, 467
β0,3 (θ) = P (x = 5) + P (x = 6) + 0, 467 (P (x = 4))
• Untuk n = 6, θ0 = 0, 25, α = 0, 01 = 0, 0102 + 0, 0007 + 0, 467. (0, 0595)
Dari tabel B (n = 6, θ0 = 0, 25, α = 0, 01)didapat untuk c∗0 = 4 = 0, 0387
P0,25 (x ≤ 4) = 0, 9954 • Untuk θ1 = 0, 4 , c∗0 = 3 dan γ = 0, 094
P0,25 (x = 4) = P0,25 (x ≤ 4) − P0,25 (x ≤ 3) β0,4 (θ) = P (x = 4) + P (x = 5) + P (x = 6) + γP (x = 3)
= 0, 9954 − 0, 9624 = 0, 1382 + 0, 0369 + 0, 0041 + 0, 094. (0, 2765)
= 0, 033 = 0, 205
Persamaan 1 menjadi: • Untuk θ1 = 0, 4, c∗0 = 4 dan γ = 0, 164
β0,4 (θ) = P (x = 5) + P (x = 6) + γP (x = 4)
0, 9954 − γ (0, 033) = 0, 99 = 0, 0369 + 0, 0041 + 0, 164. (0, 1382)
γ = 0, 164
= 0, 064
Bab 5. Hipotesis Statistik 186 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 187 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
• Untuk θ1 = 0, 4 , c∗0 = 4 dan γ = 0, 467 3. Diketahui X1 , X2 sampel random berukuran n = 2 dari distribusi
β0,3 (θ) = P (x = 5) + P (x = 6) + γP (x = 4) yang mempunyai f.k.p f (x, θ) = θ1 e−x/θ , 0 < x < ∞ dan 0 untuk yang
= 0, 0369 + 0, 0041 + 0, 467. (0, 1382) lain. Kita tolak H0 : θ = 2 dan terima H1 : θ = 1 jika nilai observasi
= 0, 106 dari X1 , X2 katakan X1 , X2 sedemikian sehingga
c∗0
• Untuk θ1 = 0, 5 , = 3 dan γ = 0, 094
f (x1 ; 2)f (x2 ; 2) 1
β0,5 (θ) = P (x > 3) + γP (x = 3) ≤ (5.45)
f (x1 ; 1)f (x2 ; 1) 2
= 1 − P (x ≤ 2) + γP (x = 3)
= 1 − 0, 3437 + 0, 094 (0, 3125) Jika ruang parameter Ω = {θ; θ = 1, 2} , tentukan tingkat signifikansi
= 0, 686 dari uji dan kekuatan uji kalau H0 salah.
• Untuk θ1 = 0, 5 , c∗0 = 4 dan γ = 0, 164
β0,5 (θ) = P (x > 4) + γP (x = 4) 4. Diasumsikan ketahanan dari suatu ban dan mill, katakan X, ber-
= 1 − P (x ≤ 3) + γP (x = 4) distribusi normal dengan mean θ dan standar deviasi 5000. Berda-
= 1 − 0, 6562 + 0, 164 (0, 2344) sarkan pengalaman masa lalu diketahui bahwa θ = 30.000. Perusa-
= 0, 382 haan mengklaim membuat ban dengan proses baru dengan mean
θ > 30.000, dan misalkan θ = 35.000. Untuk mengecek ini kita uji
• Untuk θ1 = 0, 5 , c∗0 = 4 dan γ = 0, 467
β0,5 (θ) = 1 − P (x ≤ 3) + γP (x = 4) H0 : θ ≤ 30.000, lawan H1 : θ > 30000. Kita observasi n nilai yang
= 1 − 0, 6562 + 0, 164 + 0, 467 (0, 2344) independen dai X, misalnya x1 , x2 , ..., xn dan kita tolak H0 (terima
= 0, 453 H1 ) jika dan hanya jika x ≥ c. Tentukan n dan c sehingga fung-
si kekuatan K(θ) dari uji mempunyai nilai K(30.000) = 0, 01 dan
K(35.000) = 0, 98.
5.5 Soal-Soal Latihan 5. Misalkan X mempunyai distribusi Poisson dengan mean θ . Diper-
timbangkan hipotesis sederhana H0 : θ = 1/2. dan hipotesis ga-
1. Misalkan X mempunyai f.k.p berbentuk f (x; θ) = θxθ−1 ; 0 < x < 1 bungan alternatif H1 : θ < 1/2. Misalkan Ω = {θ; 0 < θ ≤ 1/2}
dan 0 untuk x yang lain, dengan θ ∈ {θ; θ = 1, 2} . untuk uji hipotesis Misalkan X1, X2 , ..., X12 sampel random yang berukuran 12 dari dis-
sederhana H0 : θ = 2, gunakan sampel random X1 , X2 dan dide- ribusi ini. Kita tolakH0 jika dan hanya jika nilai observasi dari
finisikan daerah kritis C = {((x1 , x2 ); 3/4 ≤ x1 x2 } .Tentukan fungsi Y = X1 + X2 + ... + X12 ≤ 2. Jika K(θ) adalah fungsi kekuatan
kekuatan dari uji. uji, tentukan kekuatan dari K( 12 ), K( 31 ), K( 14 ), K( 61 ) dan K( 12
1
). Sket
grafik dari K(θ). Berapakah tingkat signifikasnsi dari uji?
2. DiketahuiX berdistribusi binomial dengan parameter n = 10 dan
p ∈ {p; p = 1/4, 1/2} Hipotesis H0 : p = 1/2 ditolak, dan hipotesis 6. Dalam contoh 4 diatas , misalkan H0 : θ = θ′ = 0 dan H1 : θ = θ′′ =
alternatif H1 : p = 1/4 diterima, jika nilai observasi X1 sampel ran- −1. Perlihatkan bahwa uji terbaik dari H0 lawan H1 dapat menggu-
dom berukuran 1 lebih kecil atau sama dengan 3. Tentukan fungsi nakan statistik x dan jika n = 25 dan α = 0, 05 maka kekuatan uji
kekuatan dari uji. adalah 0, 999 kalau H1 benar.
Bab 5. Hipotesis Statistik 188 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 189 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
7. Misalkan variabel random x mempunyai f.k.p f (x; θ) = 1θ e−x/θ ; 0 < 13. Misalkan X1, X2 , ..., Xn sampel random dari distribusi yang mempu-
x < ∞ dan 0 untuk x yang lain. Pertimbangkan hipotesis sederhana nyai f.k.p f (x; p) = px (1(− p)1−x ; x = 0, 1 dan 0 untuk
) x yang lain.
Xn
H0 : θ = θ′ = 2 dan alternatif H1 : θ = θ′′ = 4. jika x1 , x2 sampel
Perlihatkan bahwa C = (x1 , x2 , ..., xn ); ≤ xi ≤ c adalah daerah
random yang berukuran 2 dari distribusi ini . Perlihatkan bahwa uji i=1
terbaik dari H0 lawan H1 dapat menggunakan statistik x1 + x2 . kritik terbaik untuk uji H0 : p = 1/2 lawan H1 : p = 1/3. Gunakan
teorema limit pusat untuk menentukan n dan c sehingga
8. Ulangi soal 2 kalau H1 : θ = θ′′ = 6. Kemudian tentukan bentuk n
! n
!
X X
umum ini untuk setiap θ′′ > 2 P xi ≤ c; H0 ∼
= 0, 10 dan P xi ≤ c; H1 ∼
= 0, 80 (5.48)
i=1 i=1
P [(X1, X2 , ..., Xn ) ∈ C; H1 ] = P (x ≥ c; H0 ) = 0, 90 (5.47) 19. Diketahui suatu distribusi dengan f.k.p f (x; θ) = θx (1−θ)1−x ; x = 0, 1
Bab 5. Hipotesis Statistik 190 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 191 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
dan bernilai 0 untuk x yang lain. Misalkan H0 : θ = 1/20 dan 24. Dalam contoh 2 diatas, bila n = 10, dan misalkan diperoleh x =
10
X
H1 : θ > 1/20.Gunakan teorema limit pusat untuk menentukan sam-
0, 6 dan (xi − x)2 = 3, 6. Jika uji sama dengn contoh apakah kita
pel berukuran n dari sampel random sehingga uji paling kuat sera- i=1
gam dari H0 lawan H1 mempunyai fungsi kekuatan K(θ) dengan menolak atau menerima H0 : θ1 = 0 pada tingkat signifikansi 5%.
= 0, 05 dan K(1/10) ∼
K(1/20) ∼ = 0, 09
x ln x + (n − x) ≥ k (5.51)
21. Dalam soal no 1, tunjukkan bahwa daerah kritiknya juga dapat di-
tulis x − n ≥ c, dengan c suatu konstanta yang tergantung pada
2
ukuran daerah kritik.
xe−x/θ0 ≤ k (5.52)
23. Suatu sampel random yang berukuran n dari populasi normal de-
ngan mean dan varians tidak diketehui digunakan untuk uji hipo-
tesis µ = µ0 lawan alternatif µ 6= µ0 . Perlihatkan bahwa nilai dari
statistik rasio likelihood dapat ditulis
−n/2
t2
λ= 1+ (5.53)
n−1
x−µ
dengan t = √0
s/ n
Bab 5. Hipotesis Statistik 192 ISBN 978-602-8310-02-4 Bab 5. Hipotesis Statistik 193 ISBN 978-602-8310-02-4
Daftar Pustaka
3. Lehmann, E.L. (1983) Theory of Point Estimation, John Wiley & Sons,
Inc. USA
9. Walpole, Ronald.E. & Myers, Raymond H. & Myers, Sharon L.& Ye,
Keying (2002) Probability and Statistics for Engineers & Scientists,
Prentice Hall,Inc, USD
194 195
Daftar Pustaka Statistika Matematis II/ Edisi E-book
10. Walpole, Ronald.E. & Myers, Raymond H. (1986) Ilmu Peluang dan
Statistika untuk Insinyur dan Ilmuan, Penerbit ITB, Bandung.
11. Beberapa e-book dan e-text, terutama dari portal MIT Open Course Wa-
re (http://ocw.mit.edu/OcwWeb/Mathematics/index.htm)