Ebook-Statmat2 PDF

Kata Pengantar
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa

atas terbitnya buku ajar "Statistika Matematis II" ini. Buku ini merupakan
lanjutan dari buku "Statistika Matematis I" dan menyajikan pengetahuan
dasar yang dibutuhkan baik untuk mempelajari statistika secara matema-
tis dan penerapannya dalam pemecahan masalah sehari-hari. Buku ajar
ini ditujukan bagi mahasiswa jurusan (pendidikan) matematika khusus-
nya, tapi dapat juga dijadikan referensi bagi mahasiswa lainnya atau ma-
STATISTIKA MATEMATIS II syarakat pada umumnya, terutama yang tertarik untuk mengetahui atau
mendalami ilmu statistika serta pembahasannya secara matematis.
Edisi E-Book Materi buku ajar ini bersumber dari beberapa buku terkenal se-
perti (1) Dudewicz E.J.; Mishra,S.N.(1988) Modern Mathematical Statisti-
cs,(2) Roussas G.G.(1973) A First Course in Mathematical Statistics, dan
Oleh (3) Walpole, Ronald.E.; Myers, Raymond H.; Myers, Sharon L.; Ye, Keying
(2002) Probability and Statistics for Engineers and Scientists, serta buku-
Dr.Phil. I Gusti Putu Sudiarta,M.Si
buku lainnya seperti yang tercantun dalam daftar pustaka.
Jurusan Pendidikan Matematika Buku ini terdiri dari 5 Bab, yang secara garis besar menyajikan sta-
Fakultas Matematika dan Ilmu Pengetahuan Alam tistik induktif dengan pembahasan matematis, yang meliputi (1) distribu-
Universitas Pendidikan Ganesha si pendekatan suatu distribusi variabel random, (2) konvergensi variabel
random, (3) estimasi titik, (4) estimasi interval, serta (5) hipotesis statistik.
Untuk membantu pemahaman yang lebih baik, ada beberapa hal
yang harus diperhatikan dalam menggunakan buku ajar ini sbb: (1) pada
Februari, 2009
setiap awal bab, diberikan standar kompetensi dan indikator hasil belajar,
yang diharapkan dapat membantu pembaca memusatkan perhatian atau
lebih berkonsentrasi pada hal-hal yang dianggap penting; (2) pada setiap
i
Statistika Matematis II/ Edisi E-book
akhir bab juga disajikan rangkuman, soal-soal dengan pembahasannya,

dan soal-soal latihan dalam jumlah yang memadai, sehingga pembaca me-
miliki kesempatan untuk melakukan latihan secara mandiri dan mengeva-
lusi sendiri hasil belajarnya.
Buku ajar ini disusun sejak tahun 2005, dan sejak saat itu pula
telah digunakan dalam perkuliahan di Universitas Pendidikan Ganesha. Daftar Isi
Buku ini mengalami beberapa kali revisi baik berdasarkan saran-saran ma-
hasiswa peserta kuliah, maupun dosen sejawat yang telah dengan seksa-
ma menelaah buku ini, antara lain Prof. Dr. I Gusti Putu Suharta, M.Si
dan Drs. I Made Sugiarta,M.Si. Untuk semua dukungan tersebut penulis Kata Pengantar i
sampaikan terimakasih yang setinggi-tingginya.
Namun demikian, penulis menyadari bahwa pada terbitan ini, 1 Distribusi Pendekatan 1
tentu masih ada hal-hal yang perlu untuk disempurnakan. Untuk itu pe-
1.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 1
nulis sangat terbuka terhadap saran, kritik dan koreksi, baik dari teman
sejawat, mahasiswa, pencinta matematika, maupun masyarakat pembaca 1.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 1
umumnya. Akhirnya penulis berharap, semoga buku ajar ini dapat mem- 1.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
berikan manfaat yang sebesar-besarnya. 1.3.1 Konsep Dasar Distribusi Pendekatan . . . . . . . . . 2
1.3.2 Menentukan Distribusi Pendekatan . . . . . . . . . . 2
Singaraja, Februari 2009 1.3.2.1 Melalui Fungsi Distribusi . . . . . . . . . . . 2
I Gusti Putu Sudiarta
1.3.2.2 Melalui Fungsi Pembangkit Momen . . . . 8
1.3.2.3 Melalui Teorema Limit Pusat . . . . . . . . . 12
1.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . 19
1.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 Konvergensi Variabel Random 25

2.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Konsep Dasar Variabel Random . . . . . . . . . . . . 26
2.3.2 Barisan Variabel Random . . . . . . . . . . . . . . . . 27
ii ISBN 978-602-8310-02-4 iii

Statistika Matematis II/ Edisi E-book Statistika Matematis II/ Edisi E-book
2.3.3 Jenis-Jenis Konvergensi Variabel Random . . . . . . . 28 4 Estimasi Interval 113

2.3.3.1 Konvergen dalam Distribusi . . . . . . . . . 28 4.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 113
2.3.3.2 Konvergen dalam Probabilitas . . . . . . . . 33 4.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 113
2.3.4 Sifat-Sifat Konvergensi Variabel Random . . . . . . . 36 4.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
2.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . 41 4.3.1 Konsep Dasar Estimasi Interval . . . . . . . . . . . . . 114
4.3.2 Metode Menentukan Estimasi Interval . . . . . . . . . 117
3 Estimasi Titik 51 4.3.2.1 Inversi Uji Statistik . . . . . . . . . . . . . . 117
3.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 51 4.3.2.2 Besaran Pivot . . . . . . . . . . . . . . . . . 118
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
3.3.3.1 Galat Kwadrat Rata-Rata . . . . . . . . . . . 67 5.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 135
3.3.3.2 Estimator Terbaik . . . . . . . . . . . . . . . 70 5.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 135
3.3.3.3 Teorema Batas Bawah Cramer-Rao . . . . . 71 5.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

3.3.4 Metode Estimasi Titik . . . . . . . . . . . . . . . . . . 79 5.3.1 Konsep Dasar Uji Hipotesis . . . . . . . . . . . . . . . 136
3.3.4.1 Metode Momen . . . . . . . . . . . . . . . . 79 5.3.2 Uji Rasio Likelihood . . . . . . . . . . . . . . . . . . . 137
3.3.4.2 Metode Maksimum Likelihood . . . . . . . 82 5.3.3 Metode Uji Evaluasi Hipotesis . . . . . . . . . . . . . 140
3.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . . 87 5.3.3.1 Probabilitas Kesalahan dan Fungsi Keku-
3.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 108 atan Uji . . . . . . . . . . . . . . . . . . . . . 141
iv ISBN 978-602-8310-02-4 v ISBN 978-602-8310-02-4

5.3.3.2 Uji Paling Kuat (Most Powerfull Test) . . . . . 144

5.3.3.3 Teorema Neyman-Pearson . . . . . . . . . . 147
5.3.3.4 Teorema Karlin-Rubin . . . . . . . . . . . . 149
5.3.3.5 Daerah Kritik Terbaik . . . . . . . . . . . . . 150
5.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . . 152 Bab 1
Daftar Pustaka 195 Distribusi Pendekatan
1.1 Standar Kompetensi
Memahami konsep dasar distribusi pendekatatan suatu barisan variabel

random, dan mampu menerapkannya, baik dalam pemecaham masalah
matematika, ilmu lain maupun dalam kehidupan sehari-hari
1.2 Indikator Hasil Belajar
1. Menjelaskan konsep dasar distribusi pendekatatan suatu variabel

atau fungsi variabel random
2. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-

abel random dengan menggunakan fungsi distribusi.

abel random dengan menggunakan fungsi pembangkit momen,

abel random dengan menggunakan dalil limit pusat,
5. Memecahkan masalah yang berkaitan dengan distribusi pendekatan
vi ISBN 978-602-8310-02-4 1
1.3 Uraian Materi P embahasan
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
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
Jadi Misalkan X mempunyai fungsi distribusi berbentuk:

y n−1 1
gn (y) = n θ θ Z x
gn (y) = n n−1
y ; 0<y<θ 1 2/2
θn Fn (x) = p √ e−ny dy
= 0 ; Lainnya −∞ 1/n. 2π
Fungsi distribusi dari Yn adalah: misalkan:

√ √
t = n y→dt = n dy
1. Untuk y < 0
Ry R <0
Fn (y) = 0 gn (t) dt = 0 0 dt = 0 batas-batasnya:
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
R nθ Rz Misalkan variabel random Yn mempunyai fungsi distribusi Fn (y) dan

Kn (z) = 0
hn (t) dt + nθ hn (t) dt fungsi pembangkit momennya M(t; n) ada untuk −h < t < h, h > 0 dan
R nθ 1
n−1 Rz
= 0 θn
θ − nt dt + nθ 0 dt = 1 setiap n.
Jadi : Jika ada fungsi disribusi F (y) dengan funsgi pembangkit momennya M(t)
untuk |t| ≤ h1 < h sedemikian hingga Limn→∞ M(t; n) = M(t), maka
Kn (z) = 0 ; z≤0 Yn dikatakan mempunyai distribusi pendekatan dengan fungsi distribusi
z

= 1− 1− nθ
; 0 ≤ z < nθ F (y).
Kn (z) = 1 ; z ≥ nθ
Contoh
Limn→∞ Kn (z) = 0 ; z≤0 Misalkan Yn adalah variabel random berdistribusi binomial dengan pa-
= 1 − e−z/θ ; 0 < z < ∞ rameter n dan p. Jika rerata dari Yn adalah sama untuk setiap n, yaitu
Sekarang ambil fungsi distribusi dari Z: µ = np, sehingga p = nµ dengan µadalah konstanta, maka apakah ada
distribusi pendekatan dari Yn ?
K(z) = 0 ; z<0 Jawab :

= 1 − e−z/θ ; z ≥ 0 Fungsi kepadatan peluang dari Yn adalah
merupakan fungsi ditribusi yang kontinu dimana-mana, serta !
Limn→∞ Kn (z) = K(z)untuk semua nilai. Jadi Zn mempunyai pendekatan n
F (yn ) = pyn (1 − p)n−yn ; yn = 0, 1, 2, ..., n
dengan fungsi distribusi K(z). Dalam hal ini, distribusi pendekatannya yn
tidak degenerate. = 0 ; lainnya
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)
bagaimana fungsi pembangkit momen dapat digunakan dalam menen-

h i
tukan distribusi secara pendekatan. µ(et −1) n
Limn→∞ M(t; n) = Limn→∞ 1 + n
T eorema Limn→∞ M(t; n) = eµ (et − 1); t ∈ ℜ
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
bebasan = n. Jika variabel random Yn = (Z√n2n

−n)
, maka tentukan distribusi
√
pendekatan dari Yn dengan menggunakan fungsi pembangkit momen.
Apabila et 2/n) diuraikan dengan Deret Taylor, maka akan diperoleh:
Jawab : r " r #2 " r #3

√ 2 1 2 1 2
t 2/n)
e =1+t + t + t + ...
n 2 n 6 n
Fungsi kepadatan peluang dari Zn adalah
Sehingga:
1 (n/2)−1 −Zn /2
f (zn ) = 2n/2 .Γ( n
zn e ; Zn > 0 q h q i2 h q i3
2)
= 0 ; lainnya M(t; n) = 1 + t n2 + 12 t n2 + 16 t n2 + ...−

q q h q i2 h q i3 −n/2
Fungsi pembangkit momen dari Zn adalah: t n2 1 + t n2 + 12 t n2 + 16 t n2 + ...
h q q i−n/2
= 1 − t2 ( n2 ) + 21 t2 ( n2 ) + 16 t3 ( n2 ) n2 − 21 t3 ( n2 ) n2 + ...
h q i−n/2
2
MZn (t) = E(etzn ) = 1 − tn − 13 t3 ( n2 ) n2 + ...
R ∞ tz 1 (n/2)−1 −Zn /2
= 0 e n 2n/2 .Γ n zn e dzn
R∞ ( 2) h q i−n/2
1 (n/2)−1 −Zn /2 t2
= z
0 2n/2 .Γ( n ) n
e dzn Limn→∞ M(t; n) = Limn→∞ 1 − n
− 31 t3 ( n2 ) 2
n
+ ...
2
Misalkan: u = zn ((1/2) − t) ; du = ((1/2) − t)dzn h q i−n/2

t2
M(t; n) = Limn→∞ 1 − − 31 t3 ( n2 ) n2 + ...
n
h 2
i−n/2
R∞h i(n/2)−1 = Limn→∞ 1 − tn
1 u du
MZn (t) = 2n/2 .Γ( n
e−u ((1/2)−t) t2
2)
0 (1/2)−t Limn→∞ M(t; n) = e2
1
R
∞ (n/2)−1 −u
= 2n/2 .Γ( n ((1/2)−t)n/2 0
u e du
2) Ternyata bentuk di atas merupakan fungsi pembangkit momen dari dis-
1 n
t2
= 2n/2 .Γ( n
Γ 2 tribusi normal standar, yaitu M(t) = e 2 . Jadi variabel random Yn = (Z√n2n
−n)
2)
((1/2)−t)n/2
= (1 − 2t)−n/2 ; t < 1/2 mempunyai distribusi pendekatan berbentuk distribusi normal standar.
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)
Dalam hal ini, kita menyelesaikannya dengan menggunakan distr- = pet + q

busi poisson. Fungsi pembangkit momen dari Sn adalah:
µ = np = 50.0, 04 = 2
Msn (t) = E [etsn ]
P (Y ≤ 1) = P (Y = 0) + P (Y = 1) t(X +X +...+X )
= E e 1 2 n
e−2 20 e−2 21
= + = 3.e−2 = 0, 4060
0! 1! = E etX1 +tX2 +...+tXn
tX tX
= e 1 + e 2 + ... + E etXn
1.3.2.3 Melalui Teorema Limit Pusat = Mx1 (t) + Mx2 (t) + ... + Mxn (t)
= (pet + q).(pet + q)...(pet + q)
Berikut ini akan dijelaskan beberapa teorema limit pusat, sbb: Msn (t) = (pet + q)n
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
T eorema : Jika X1 + X2 + ... + Xn adalah n buah variabel random dengan :
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
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
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.
(ii)Var (X) = p(1 − p)

Dengan menggunakan teknik fungsi pembangkit momen, maka Y 3. Misalkan X1 , X2 , ..., Xn adalah n buah variabel random yang masing-
dapat ditunjukkan berdistribusi b(n; p). Akibatnya: masing berdistribusi χ (1). Jika Sn = X1 + X2 + ... + Xn dan n = 100
(i) E(Y ) = n.p = 100.1/2 = 50 , maka tentukan nilai a sedemikian hingga P (Sn < a) = 0, 95
(ii)Var (Y ) = np(1 − p) = 100.1/2(1 − 1/2) = 25 Jawab :

Karena kita melakukan perubahan dari variabel random diskrit ke Dengan menggunakan teknik fungsi pembangkit momen, maka
kontinu, maka kita harus menggunakan faktor koreksi, yaitu dengan Sn akan berdistribusi χ (n). Akibatnya
menambah dan megurangi 0, 5. Sehingga:
(a) E(Sn ) = n = 100
Y −E(Y )
P (Y = 48, 49, 50, 51, 52) = P 47,5−50 ≤√ ≤ 52,5−50
5 V ar(Y ) 5 (b) Var (Sn ) = 2n = 200
= P (−0, 50 < Z < 0, 50)
Sehingga:
P (Y = 48, 49, 50, 51, 52) = 0, 381
Kemudian kita akan menghtiung hasi eksak dengan menggunakan
disribusi binomial. P (Sn < a) = 0, 95
" #
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
5. Misalkan Xn menunjukkan rerata dari sampel acak berukuran n

dari distribusi Poisson dengan parameter µ = 1. Perlihatkan bahwa
fungsi pembangkit momen dari:
1.5 Soal-Soal Latihan
√ √
Yn = n(Xn − µ)/α = n(Xn − 1)
1. Misalkan X n menunjukkan rerata dari sampel acak berukuran
N(µ; σ 2 ). Tentukan distribusi pendekatan dari X n √ √
t/ n
Jika diberikan dengan exp(−t n + n(e − 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
f (x) = e−x ; x>0

= 0 ; lainnya
(a) Perlihatkan bahwa fungsi pembangkit momen dari:

√ √ √ √
Yn = n(Xn − 1) sama dengan m(t,n) = [et/ n (t n)et/ n ]n0 ; t <
√
n
Bab 2
(b) Tentukan distribusi dari Yn untuk n → ∞
8. Misalkan Xn menunjukkan rerata dari sampel acak berukuran 15 Konvergensi Variabel Random
dari distribusi dengan fungsi kepadatan peluang berbentuk:
f (x) = 3x2 ; 0 < x < 1

= 0 ; lainnya 2.1 Standar Kompetensi
Hitung secara pendekatan P ( 53 < X < 54 )
Memahami konsep dasar konvergensi barisan variabel random dan mam-
9. Misalkan Sn2 menunjukkan variansi dari sampel acak berukuran n pu menerapkan dalam penentuan distribusi pendekatan khususnya, dan
2
nSn
dari distribusi N(µ, δ 2 ) Buktikan bahwa konvergen stokastik ke dalam pemecahan masalah matematika, ilmu lain dan dalam kehidupan
n−1
- α2 sehari-hari pada umumnya.
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
3. Menurunkan teorema-teorema dan sifat-sifat konvergensi barisan

variabel random, seperti konvergen dalam distribusi, konvergen da-
lam probabilitas, konvergen dalam kwadrat rataan,dan lain-lain.
4. Menggunakan teorema dan sifat-sifat konvergensi barisan variabel

random untuk menentukan distribusi pendekatan suatu variabel
random
Bab 1. Distribusi Pendekatan 24 ISBN 978-602-8310-02-4 25

2.3 Uraian Materi 2.3.2 Barisan Variabel Random
Masalah fundamental dalam teori kemungkinan adalah bagaimana me-

2.3.1 Konsep Dasar Variabel Random nentukan konvergensi (sifat asimptotik) dari variabel random. Kita mulai
dengan mencermati masalah sederhana berikut. Misalkan akan diukur
Sebelum membahas tentang konvergensi barisan variabel random, kita panjang suatu benda, katakanlah panjangnya m(dalam hal ini dapat di-
paparkan dulu konsep variabel random, konsep fungsi, kejadian-kejadian pandang sebagai parameter yang tak diketahui). Mengingat pengukuran
yang dihasilkan dari variabel random, dan beberapa contoh-contoh konk-
bersifat tidak akurat, maka hasil pengukuran panjang benda tersebut da-
ret tentang variabel random. Bagi pembaca yang cukup familiar dengan pat dinyatakan dengan variabel random berikut.
konsep varibel random, dipersilakan untuk melewatinya, dan langsung
menuju, ke sub bab, tentang konsep konvergensi barisan variabel random.
x=m+v
Random Variable sering diterjemahkan menjadi variabel random atau peu-
bah acak. Untuk selanjunya demi alasan konsistensi akan digunakan is- dengan v merupakan galat (kesalahan). Jika tak ada kesalahan sistematik
tilah variabel random. Secara intutif, variabel random dapat dipandang yang disengaja, maka v juga merupakan variabel random dengan rataan
sebagai bilangan x(ζ)yang dihubungkan dengan suatu kejadian ζ dari su- 0 atau E(v) = 0. Jika deviasi σ dari v relatif kecil dibandingkan m, maka
atu percobaan random. Bilangan ini, misalnya dapat berupa angka keme- x(ζ) dari pengukuran tersebut cukup baik untuk m. Dalam konteks ini,
nangan dalam permainan judi, angka voltage dari naik-turunnya tegangan dapat dikatakan bahwa rataan dari random variabel x adalah m dan va-
listrik, angka lama hidup suatu bola lampu, atau sembarang bilangan hasil riannya σ 2 . Hal ini dapat dinyatakan dalam bentuk pertidaksamaan Tche-
pengamatan pada percobaan random1 . bycheff sbb:
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.
Untuk meningkatkan keakuratan hasil pengukuran terhadap m tersebut

Jadi variabel random merupakan fungsi dengan domain berupa ruang dapat dilakukan dengan mengulang pengukuran tersebut, misalnya n ka-
sampel dan kodomain bilangan real. li. Hasil-hasil pengukuran tersebut dapat dinyatakan dalam bentuk ba-
1
Istilah percobaan random digunakan untuk menggambarkan proses atau prosedur
risan variabel random Xn = (x1 , x2 , ..., xn ), dengan rata-rata sampel x̄ =
Pn
yang hasilnya tak dapat diprediksi secara pasti. Misalnya percobaan melantunkan sebu- i=1 (x1 + x2 + ... + xn ), juga merupakan variabel random dengan rata-
ah mata uang. Hasilnya umumnya dinyatakan sebagai data, misalnya dinyatakan seba- 2
rata m dan varian σn . Jika n cukup besar sehingga σ 2 ≪ n.m2 maka nilai
gai {Angka,Gambar} atau mungkin sebagai {0,1}. Jadi data tersebut dapat berupa data
numerik (bilangan) maupun katagorik. x̄(ζ) merupakan estimasi yang baik untuk parameter (yang tak diketahui)
Bab 2. Konvergensi Variabel Random 26 ISBN 978-602-8310-02-4 Bab 2. Konvergensi Variabel Random 27 ISBN 978-602-8310-02-4
m. random Xn , kita katakan Xn konvergen ke X dalam distribusi dan ditulis

d
Contoh: Xn → X jika ada fungsi distribusi dari X sehingga
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).
T eorema Kekontinuan Levy :
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)
Dari hasil ini didapat, misalnya untuk n = 10,maka probabilitas x terletak

T eorema Limit P usat
antara 0, 9.m dan 1, 1.m adalah 0,999
Untuk selanjutnya masalah konvergensi variabel random dapat diru- √ d
Jika X1 , X2 , ..., Xn ∼ (µ, σ 2 ), σ > 0 maka Yn = n(X n − µ)/σ → Y, dimana
muskan sebagai berikut. Misalkan X1 , X2 , ... Xn barisan variabel random Y ∼ N(0, 1)
dengan distribusi bersama yang terletak pada ruang sampel yang sama
Ω dan X variabel random yang lain yang juga terletak pada ruang sampel Bukti
Ω. Selanjutnya masalah dapat dirumuskan menjadi: “Bagaimana jenis dan
sifat konvergensi dari barisan variabel random Xn tersebut?”.
Dalam pembuktian berikut, diasumsikan fpm dari x ada. Misal fpm dari
X dan X − µ adalah M(t) dan m(t) maka m(t) = E(et(X−µ) ) = e−µt M(t)
2.3.3 Jenis-Jenis Konvergensi Variabel Random juga ada. Karena m(t) merupakan f pm dari X − µ maka m(0) = 1, m′ (0) =
E(X − µ) = 0, m′′ (0) = E(X − µ)2 = σ 2 . Menurut teorema Taylor, ada
2.3.3.1 Konvergen dalam Distribusi bilangan ε antara 0 dan t sehingga m(t) = m(0)+ m′ (0)t+ m′′ (ε)t2 /2 =
1 + m′′ (ε)t2 /2. Di ruas kanan ditambah dan dikurangkan dengan σ 2 t2 /2
Definisi
maka
Misalnya X1 , X2 , ..., Xn adalah barisan variabel random yang didefinisikan

[m′′ (ε) − σ 2 ] t2
atas ruang sampel yang sama S. Jika Fn (x) fungsi distribusi dari variabel m(t) = 1 + σ 2 t2 /2 + .
2
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.
Fungsi kepadatan peluang dari X adalah: Jadi Yn −

d Z
→
1 Contoh Diketahui barisan fungsi distribusi

f (x) = θ
; 0<x<θ
(
= 0 ; lainnya 0, x < n
Fn (x) = (2.9)
Fungsi distribusi dari Yn adalah: 1, x ≥ n
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:
Limn→∞ P [|Zn − Z| ≥ ε] = 0 (2.16)

Contoh Diketahui Xn barisan variabel random dengan
(
1
1; x = 2 + n
Karena
fn (x) =
0; x yang lain P {|Zn − Z| ≥ ε} + P {|Zn − Z| < ε} = 1
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)
√ 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
1. Tentukan disribusi penndekatan dari Un .

Catatan Syarat lim P (|Yn − c| < ε) = 1 sering digunakan sebagai defi-
n→∞
Yn
nisi konvergen dalam probabilitas dan orang mengatakan bahwa Yn 2. Perlihatkan bahwa n
konvergen stokastik ke-p
konvergen ke c dalam probabilitas. Tipe konvergen yang terkuat di-
Yn
3. Perlihatkan bahwa np
konvergen stokastik ke-1
berikan oleh P ( lim Yn = c) = 1. Dalam kasus ini kita katakan Yn
n→∞

konvergen ke c dengan probabilitas 1. Sehubungan dengan ini, me- 4. Perlihatkan bahwa 1 − Yn
konvergen stokastik ke-(1 − p)
n
an sampel X n konvergen dengan probabilitas 1 ke mean µ dari suatu
distribusi. Hal ini disebut hukum kuat dari bilangan besar P enyelesaian : Fungsi pembangkit momen dari Yn adalah: MYn (t) = ((1 −
p) + pet )n
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:
q disribusi normal standar. Jadi distribusi pendekatan dari Un adalah

x2 x3 p
(i) e−x = 1 − x + 2
− + ...dengan x = t n(1−p)
6 N(0; 1)
q
x2 3
(ii) ex = 1 − x + 2
− x6 + ...dengan x = t 1−p
np Yn
2. n
Jadi: Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby-
h n q q o shev, yaitu:
p t2 t3 p p
M(t; n) = (1 − p) 1 − t n(1−p) + 2n(1−p) − 6n(1−p) n(1−p)
+ ... +
n q q oin
2 3 1
p 1 + t 1−p np
+ t (1−p)
2np
+ t (1−p)
6np
1−p
np
+ ... P [|Yn − µYn | < kσYn ] ≥ 1 −
h q q k2
p t2 p t3 p p
= 1 − t n(1−p) + 2n(1−p) − 6n(1−p) n(1−p)
+ ... − p+
q 2 2 3 2
q Karena Yn berdistribusi b(n; p), maka:
p t p t p p
pt n(1−p) + 2n(1−p) − 6n(1−p) n(1−p) − ... + p+
q q in µ Yn = np
2 3
pt 1−pnp
+ t (1−p)2n
+ t (1−p)
6n
1−p
np
+ ... σY2n = np(1 − p)
p
atau σYn = np(1 − p)
Kita akan menguraikan suku-suku yang mengandung
Jadi:
t, t2 , dan t3 satu persatu . h p i 1
P |Yn − np| < k np(1 − p) ≥ 1 − 2
q q q q k
(i) p
pt n(1−p) p
− t n(1−p) + pt 1−p = p
−t n(1−p)
np Yn p 1
q P n − p < k np(1 − p) ≥ 1 − 2
p
+2pt n(1−p) n k
q
p
= −t(1 − 2p) n(1−p) Yn p 1
P − p < k np(1 − p) ≥ 1 − 2
(ii) t2 p t2 p2
− 2n(1−p)
2
+ t (1−p) = t2 n k
2n(1−p) 2n 2nq q
q q
t3 p p t3 p2 p t3 (1−p) 1−p nε2
(iii) − 6n(1−p) n(1−p)
+ 6n(1−p) n(1−p)
+ 6n np Misalkan: ε = k p(1−p)
n
dan k 2 = 1−p
−t3 (2p−1)
= √ Sehingga:
6n np(1−p)
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
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
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
1 Misalkan dibentuk variabel random Yn = max(X1 , X2 , ...,Xn ), Tun-

P [|Yn − µYn | < kσYn ] ≥ 1 − w d
jukkan apakah Fn → F, dan Yn → Y untuk suatu variabel random
k2
h p i 1 Y!
P |Yn − np| < k np(1 − p) ≥ 1 − 2
k
Jawab:
Yn p 1
P n − p < k np(1 − p) ≥ 1 − 2
np k
Karena f (x) = θ1 untuk 0 < x < θ maka per definisi fungsi distribusi
" r #
Yn p(1 − p) 1 variabel random X didapat sbb:
P
−p <k ≥1− 2
np n k
" r # FX (x) = P (X ≤ x)
Yn p(1 − p) 1 Zx
P +1−1−p < k ≥1− 2 1 x
np n k = dt = , 0 < x < θ (2.22)
0 θ θ
" r #
Yn p(1 − p) 1

P 1−
− (1 − p) < k ≥1− 2
np n k Mengingat Yn adalah maksimum dari barisan variabel random
q X1 , X2 , ... Xn yang i.i.d, maka fungsi distribusi variabel random
nε2
Misalkan: ε = k p(1−p)n
dan k 2 = p(1−p) Yn didapat dengan sbb:
Karena ada t sehingga M(t) = ∞, maka M(t) bukan fpm. Misal

Fn (y) fungsi distribusi yang berkaitan dengan Yn , maka
FYn (y) = P (Yn ≤ y)
(
= P (X1 ≤ y, ...Xn ≤ y) 0; y < −n
Fn (y) =
= P (X1 ≤ y)...(Xn ≤ y) 1; y ≥ −n
n
= [F (y)] Jadi Fn (y) → F (y) = 1, ∀y dengan F (y) bukan fungsi distribusi se-
hingga Yn tidak konvergen ke suatu fungsi distribusi.
mengingat 2.22 maka didapat
3. Diketahui Xn dengan fmp P {Xn = 1} = 1/n, P {Xn = 0} = 1 − 1/n.
( d
Tunjukkan bahwa Xn → X
[ yθ ]n , 0<y<θ
FYn (y) = (2.23)
1, y≥θ Jawab :
Perhatikan bahwa, Mn (t) = 1/net + (1 − 1/n) ada ∀t ∈ ℜ. Mn (t) → 1.
Untuk 0 < y < θ dan jika n → ∞ maka [ yθ ]n → 0, sehingga didapat:
Jadi M(t) = 1 adalah fpm dari variabel random x yang degenerate di
d
x = 0. Menurut teorema di atas maka Xn → X
(
0, 0 < y < θ d
lim FYn (y) = 4. Diketahui Yn ∼ B(n, p) maka µ = np dan p = µ/n. Apakah Yn → Y ?
n→∞ 1, y≥θ
= FY (y) Jawab
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
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
6. Diketahui X = mean sampel random berukuran 75 dari distribusi dan 1/2

dengan fkp (Yn /n)(1 − Yn /n) p
( Vn = →1 (2.39)
1; 0 < x < 1 p(1 − p)
f (x) = (2.37)
0; yang lain Menurut teorema
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
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
9. Buktikan teorema limit pusat berikut: Jika X1 , ..., Xn ∼ (µ, σ 2 ), σ > 0

√
2.5 Soal-Soal Latihan d
maka Yn = n(X n − µ)/σ → Y dimana Y ∼ N(0, 1).
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)
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 .
17. Diketahui Zn berdistribusi χ2 (n) dan Wn = Zn /n2 . Tentukan limit

distribusi dari Wn .
18. Misalkan Z berdistribusi χ2 (50). Tentukan P (40 < x < 60)
19. Misalkan P = 0, 95 probabilitas bahwa seorang laki-laki dalam suatu

grup hidup paling sedikit 5 tahun. Jika kita observasi 60 orang laki-
laki dan jika diasumsikan independen, tentukan probabilitas bahwa
paling sedikit 56 dari mereka hidup 5 tahun atau lebih.
20. Diketahui variabel random Zn mempunyai distribusi poisson de-

ngan parameter µ = n. Perlihatkan bahwa limit distribusi dari vari-
√
abel random Yn = (Zn − n)/ n ∼ N(0, 1)
21. Diketahui X n mean dari sampel random berukuran n dari distribusi

poisson dengan parameter µ = 1.
√
(a) Buktikan bahwa fungsi pembangit moment dari Yn = n(X n −
√ √ √
µ)/σ = n(X n − 1) adalah exp −t n + n(et/ n − 1)
√
(b) Ekspansikan et/ n kedalam deret Maclaurin, kemudian tentuk-
an limit distribusi dari Yn
22. Diketahui X mean sampel random berukuran 100 dari distribusi

χ2 (50). Hitunglah P (49 < X < 51)
Bab 3
Estimasi Titik
Memahami konsep dasar estimasi titik dan mampu menerapkannya, baik

dalam pemecahan masalah matematika, ilmu lain maupun dalam kehi-
dupan sehari-hari
Setelah mengerjakan bab ini mahasiswa diharapkan dapat:
1. Menjelaskan azas reduksi data dalam distribusi sampling
2. Menganalisis apakah suatu statistik merupakan statistik cukup
3. Menjelaskan prinsip dasar estimasi titik
4. Menentukan sifat-sifat estimator titik
5. Menggunakan ketaksamaan Cramer-Rao untuk menentukan estima-

tor dengan varian minimum uniform (UMVUE)
6. Menentukan estimator suatu parameter dengan metode momen
Bab 2. Konvergensi Variabel Random 50 ISBN 978-602-8310-02-4 51

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.
3.3.1 Prinsip Reduksi Data

T eorema
Seperti dijelaskan pada bab sebelumnya, informasi dalam sampel x1 , ..., xn
akan digunakan untuk melakukan inferensi tentang parameter θ. Namun
Bila f (x | θ) adalah densitas dari x dan q(t | θ) adalah densitas dari T (x),
pada umumnya data-data yang terobservasi dari sampel x1, x2 , ..., xn ada-
maka T (x) adalah statistik cukup untuk θ jhj untuk setiap x dalam ruang
lah daftar bilangan yang sulit untuk diinterpretasikan secara lengkap. De-
sampel, rasio f (x | θ)/q(T (x) | θ) tidak tergantung pada θ.
ngan kata lain, interpretasi data secara realistik biasanya dilakukan de-
ngan prinsip reduksi. Masalahnya adalah seberapa jauh reduksi itu va-
Catatan :
lid, sehingga tetap menghasilkan inferensi yang akurat terhadap nilai
parameter-parameter populasi. Pθ (X = x dan T (x) = t(x))
Pθ (X = x|T (X) = t(x)) = (3.1)
Pθ (T (x) = t(x))
Misalnya fungsi terukur T (x) adalah statistik yang mendefinisikan bentuk Pθ (X = x dan T (x) = t(x))
=
reduksi data, artinya dalam melakukan inferensi yang digunakan hanya Pθ (T (x) = t(x))
T (x), bukan keseluruhan sampel terobservasi x. Dua data sampel x dan y Pθ (X = x)
=
akan diperlakukan sama asalkan T (x) = T (y). Pθ (T (X) = t(x)
f (x | θ)
=
q(T (x))
3.3.1.1 Azas Kecukupan
Azas kecukupan (the sufficiency principle) menyatakan bahwa statistik cu-

kup (A suffcient statistic) untuk parameter θ adalah statistik yang bisa me-
Contoh
nyerap sejumlah informasi tentang θ yang termuat dalam sampel. Setiap
informasi tambahan dalam sampel, di samping harga statistik cukup, ti-
dak memuat informasi tambahan tentang θ. Pertimbangan-pertimbangan
Misalkan Xi , ..., Xn adalah variabel random i.i.d berdistribusi Bernoulli
di atas akan membawa pada teknik reduksi data yang dikenal sebagai azas
dengan parameter θ, 0 < θ < 1. Akan ditunjukkan bahwa T (X) =
kecukupan.
Xi + ... + Xn adalah statistik cukup untuk θ. Perhatikan bahwa T (X)
merupakan jumlah harga-harga Xi sedemikian sehingga T (X) mem-
Def inisi punyai ditribusi Binomial (n, θ), sehingga:
Bab 3. Estimasi Titik 52 ISBN 978-602-8310-02-4 Bab 3. Estimasi Titik 53 ISBN 978-602-8310-02-4
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
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
AT (x) = {Y : T (Y ) = T (x)} (3.7)

g(t | µ) = exp −n(t − µ)2 /2τ 2 (3.11)
maka
dan perhatikan bahwa
f (x|θ) g (T (x)|θ) h(x)

= (3.8) f (x | µ) = h(x)g (T (x) | µ) (3.12)
q (T (x)|θ) q (T (x)|θ)
g (T (x)|θ) h(x)
= P (def inisi densitas dari T ) Jadi, dengan menggunakan teorema Faktorisasi; T (X) = x adalah statistik
AT (x) g (T (Y )|θ) h(y)
g (T (x)|θ) h(x) cukup untuk µ.

= P (karena T konstan padaAT (x) )
g (T (x)|θ) AT (x) h(y) Dalam contoh-contoh di atas, statistik cukup adalah suatu fungsi berhar-
h(x) ga real dari sampel. Semua informasi tentang θ dalam sampel disarikan
= P
AT (x) h(y) dalm satu bilangan T (X). Kadang-kadang informasi tidak dapat disarik-
an dalam satu bilangan dan sebagai penggantinya diperlukan beberapa
Karena rasio ini tidak tergantung pada θ, maka T (X) adalah statistik cu- bilangan. Untuk keadaan ini, statistik cukup berupa vektor, katakanlah
− − −

kup untuk θ. T (X ) = T1 (x), ..., Tn (x) . Keadaan ini sering terjadi bila parameter juga
−
merupakan vektor, katakanlah θ = (θ1 , ..., θs ); biasanya r = s, walaupun
Contoh tidak selalu teorema faktorisasi juga dapat digunakan untuk menentukan
statistik cukup bernilai vektor.
Untuk distribusi normal dalam contoh di atas, dapat dilihat bahwa densi-
tas dapat difaktorkan sebagai: Contoh
Andaikan kembali bahwa x1 , x2 , ..., xn . adalah i.i.d ∽ N(µ, τ ) tetapi Contoh

tidak seperti contoh di muka. Misalkan µ dan τ 2 kedua-duanya tidak
−
Misalkan x1 , x2 , ..., xn . adalah i.i.d dengan densitas f (x|θ). Andaikan
diketahui, sehingga vektor parameter adalah θ = (µ, τ 2 ). Sekarang, f (x|θ) adalah keluarga eksponensial dengan densitas
bila menggunakan Teorema Faktorisasi, setiap bagian densitas yang
tergantung pada µ dan τ 2 harus dimasukkan dalam fungsi g. Terlihat k
!
X
−
bahwa densitas tergantung pada sampel x hanya melalui f (x|θ) = h(x)c(θ) exp Wi (θ) ti (x) (3.18)
i=1
− _
T1 (x) =X (3.13) Maka
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.
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
Def inisi Contoh
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
Jawab P (T ≤ t) = P (X1 ≤ t) P (X2 ≤ t) ...P (Xn ≤ t) (3.23)
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
Sekarang kita tentukan 2. V ar(Tn ) → 0
Zθ maka Tn adalah estimator konsisten

E(T ) = tg(t)dt (3.26)
0
Zθ Contoh
ntn−1 n
= t n = θ
0 θ n+1 Diketahui X1 , ..., Xn berdistribusi i.i.d N(θ, 1). Perlihatkan bahwa X n ada-
Karena E(T ) = 6 θ maka T adalah estimator bias. Tetapi jika dipilih lah barisan estimator konsisten.
T1 = n+1
n
X max maka T1 adalah estimator tak bias untuk θ, sebab E(T1 ) =
n+1 n Bukti
n n+1
θ =θ
1. E(X n ) = 1/n.nθ = θ. Jadi X n estimator tak bias untuk θ
2. V ar(X n ) = 1/n → 0. Menurut akibat definisi di depan, maka
3.3.2.2 Estimator Konsisten X n estimator konsisten.
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)
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 .
Selanjutnya akan dicari V ar(T1 )

3.3.2.4 Estimator Bayes
Pendekatan Bayesian dalam statistik secara fundamental berbeda dengan

Zb
nn+1 n+1 pendekatan klasik seperti yang telah kita bicarakan di muka. Meskipun
E(T12 ) = t21 tn−1 dt1 , dengan b = θ (3.31)
0 (n + 1)n θn 1 n demikian, beberapa aspek dari pendekatan Bayesian dapat berguna pa-
(n + 1)2 θ2 da beberapa pendekatan statistik yang lain. Sebelum masuk pada meto-
=
n(n + 2)
de pencarian estimator Bayes, kita bicarakan dahulu pendekatan Bayesian
pada statistika.
Dalam pendekatan klasik, parameter θ adalah kuantitas atau besaran te-
V ar(T1 ) = E(T12 ) − {E(T1 )}2 (3.32) tap yang tidak diketahui. Sampel random x1 , ..., xn diambil dari populasi
(n + 1)2 θ2 berindeks θ dan berdasarkan harga-harga terobservasi dalam sampel, di-
= − θ2
n(n + 2) dapat pengetahuan tentang θ.
θ2
= Dalam pendekatan Bayesian, θ dipandang sebagai besaran yang variasin-
n(n + 2)
ya digambarkan dengan distribusi probabilitas (disebut distribusi prior).
Kita dapat mencari estimator tak bias yang lain dengan menggunakan sta- Ini adalah distribusi subyektif berdasarkan pada keyakinan seseorang dan
tistik minimum, namakan W = Xmin . Distribusi W sbb: dirumuskan sebelum data diambil. Kemudian sampel diambil dari popu-
n w lasi berindeks θ dan distribusi prior disesuaikan dengan informasi sampel
g(w) = (1 − )n−1 ; 0 < w < θ (3.33)
θ θ ini. Prior yang telah disesuaikan disebut distribusi posterior. Penyesuaian
ini dilakukan dengan menggunakan aturan Bayes, karena itu dinamakan
dan
Zθ statistik Bayesian.
n w θ
E(w) = w (1 − )n−1 dw = (3.34) Bila distribusi prior dinyatakan dengan π(θ) dan distribusi sampling den-
0 θ θ n+1
Jika dipilih T2 = (n + 1)Xmin sebagai estimator untuk θ maka T2 adalah gan f (x | θ), maka distribusi posterior, yaitu distribusi bersyarat θ diberi-
estimator tak bias untuk θ. Sehingga diperoleh distribusi T2 kan x adalah
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)
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
_
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
Contoh Jadi kita mempunyai

_
Misalkan X1 , ..., Xn adalah i, i, d N(µ, σ 2 ). X dan S2 kedua-duanya adalah a2 2n − 1 4 2
_ E(σ −σ 2 ) = ( )σ < ( )σ 4 = E(s2 − σ 2 )2 .
estimator tak bias untuk µ dan σ 2 , karena E(X ) = µ dan E(S 2 ) = σ 2 . n2 n−1
MSE dari kedua estimator adalah a2
Yang menunjukkan bahwa σ mempunyai MSE yang lebih kecil dari S 2 .
Jadi dengan mengadakan timbal balik antara variansi dan bias, MSE dapat
_ _ σ2
E(X −µ)2 = V ar(X ) = (3.44) diperbaiki.
n
Catatan
2 2 22σ 4 2
E(s − σ ) = V arS = Hasil di atas tidak berarti bahwa S 2 tidak dapat dijadikan sebagai estima-
n−1 a2
Banyak estimator tak bias yang masuk akal jika dilihat dari MSE-nya. Na- tor dari σ 2 . Hal di atas hanya mengatakan bahwa secara rata-rata σ lebih
mun perlu ditekankan bahwa pengontrolan bias tidak otomatis pengon- dekat ke σ 2 dibandingkan dengan σ bila MSE digunakan sebagai uku-
trolan MSE. Pada khususnya sering terjadi timbal balik antara varansi dan ran kebaikan. Pada umumnya, karena MSE adalah fungsi dari parameter,
bias, sedemikian hingga sedikit kenaikan bias dapat ditukarkan dengan maka tidak ada estimator ”terbaik” untuk θ. Yang sering kita lihat adalah
penurunan yang lebih besar pada variansi, yang hasilnya adalah perbai- MSE dari dua estimator saling berpotongan, yang berarti kebaikan dari
kan pada MSE. estimator hanya bersifat lokal. Salah satu cara untuk mengatasi tidak ada-
nya estimator ”terbaik” adalah melalui pembatasan kelas estimator. Salah
Contoh
satu pembatasan yang kita bicarakan adalah melalui kelas tak bias.
Estimator alternatif untuk σ 2 adalah estimator maksimum likelihood Misalkan kita ingin mengestimasi g(θ). Dalam hal ini kita hanya memba-
tasi kelas estimator.
n
a2 1 X _ n−1 2
σ = (xi − x)2 = s CT = {T : ET = g(θ)}
n n
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.
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.
Akibat Cramer - Rao

=0
_ _
Misalkan X1 , ..., Xn adalah iid dengan densitas f(x| θ), misalkan T (X) =
Karena itu _
T (x1 , ..., xn ) sembarang estimator dari g(θ) dengan E(T (X )) fungsi θ yang
_
terdeferensialkan. Bila densitas bersama f(x| θ) = πf (xi | θ) memenuhi
_ _ (3.1), maka
_ ∂ log f (x| θ) _ ∂ log f (x| θ)
Cov T (X ). = E T (X ).
∂θ ∂θ _ 2
d
(3.48) _ ET (X )
V ar T (X ) ≥ dθ _ 2 (3.50)
∂ log f (x|θ)
" _
∂ f (x|θ)
# nE ∂θ
_
∂θ
= E T (X ) _
f (x| θ) 1
terbukti (qed = Qound Eart Demonstrandum)
Bukti Untuk sembarang fungsi terdeferensialkan g(θ) sekarang kita mempunyai

_ _
Kita hanya perlu menunjukkan bahwa batas bawah pada variansi sebaran estimator T (X ) yang memenuhi ET (X
_
) = g(θ). Batas bawah tergantung pada g(θ) dan f (x| θ) dan independen
_ 2 ! _ 2 ! dari estimator yang sedang diselidiki. Karena itu T (X) adalah batas bawah
∂ log f (x| θ) ∂ log f (x| θ) _
E = nEθ seragam dari variansi, dan setiap estimator yang memenuhi ET (X )= g(θ)
∂θ ∂θ
dan mencapai batas bawah ini adalah estimator tak bias terbaik dari g(θ).
Karena X1 , ..., Xn independen
Lemma
_ 2 2 !
∂ log f (x| θ) ∂ logπ f (xi | θ)
Eθ =E _
∂θ ∂θ Bila f (x| θ) memenuhi
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
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?
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 ]
maka θb adalah UMVUE

Ketaksamaan Cramer-Rao dapat ditulis sebagai
3.3.4 Metode Estimasi Titik

" n
!#2 n
!
_ ∂ Y _ ∂ Y
Cov T (X ), log f (xi |θ)) ≤ V arT (X )V ar log f (xi |θ)) Pada prinsipnya ada 2 metode estimasi titik yang paling sering dugunak-
∂θ i=1
∂θ i=1
an yaitu metode momen atau Moment Method of Estimation (MME) dan Ma-
ximum Likelihood Method of Estimation (MLE) yang akan diuraikan pada ba-
∂
Qn
Dengan mengingat E(T ) = g(θ) dan E ∂θ
log i=1 f (xi |θ) = 0 dan gian berikut ini.
menggunakan hasil teorema yang mengatakan bahwa korelasi T dan
∂
Qn
∂θ
log i=1 f (xi |θ) harus ±1 3.3.4.1 Metode Momen
_
∂
Qn
maka T (X ) − g(θ) harus sebanding dengan log i=1 f (xi |θ).
∂θ Metode momen yang diciptakan oleh Karl Pearson pada tahun 1800
adalah metode tertua dalam menentukan estimator titik. Misalkan
Contoh x1 , x2 , ..., xn adalah sampel dari populasi dengan densitas f (x | θ1 , ..., θk ).
Estimator metode momen didapat dengan menyamakan k momen sam-

pel pertama pada k momen sampel populasi, dan menyelesaikan sistem
persamaan simultan yang dihasilkan. m1 = µ1 (θ1 , ..., θk ) (3.56)
m2 = µ2 (θ1 , ..., θk )
.
.
Definisi .
mr = µk (θ1 , ..., θr )
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
3.3.4.2 Metode Maksimum Likelihood

_
dL (θ | x) Pn _
Persamaan dθi
= 0 menghasilkan i=1 (xi − θ) = 0 hasilnya adalah θ
_
=x .
Metode maksimum likelihood adalah metode yang paling populer dalam
_ _
menghasilkan estimator yang ditemukan oleh R.A Fisher. Karena itu x adalah calon MLE untuk membuktikan bahwa x benar-benar
maksimum global, harus ditunjukkan bahwa
Definisi
_
Misalkan X1 , ... Xn adalah i.i.d sampel dari populasi dengan densitas f (x | d2 L(θ | x)
|θ=x_ < 0 (3.64)
θ1 , ..., θk ). Fungsi likelihood didefinisikan sebagai: dθ2
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
_
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
3.4 Soal-Soal dan Pembahasan

_ 1 n
P
− 21 (xi −θ)2 / θ 2
L(θ, τ 2 |x) = 2
n e (3.75)
(2πτ ) 2
1. Jika x1, x2 , ...xr variabel random independen berdistribusi Poisson

dan P (λi); dengan λi = ai λ, diketahui (ai > adiketahui), tunjukkan
T (x) = Σxi adalah statistik cukup untuk λ
_ 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:
Turunan-turunan parsial terhadap θ dan τ 2 adalah: t

Mxi (t) = eai λ(e −1)
n dan fungsi padat peluangnya adalah:
∂ _ 1 X
log L(θ, τ 2 |x) = 2 (xi − θ)
∂θ τ i=1
(ai λ)xi e−ai λ
f (xi | λ) = ; xi = 0, 1, 2, ..
dan xi
Selanjutnya fungsi pembangkit momen dari distribusi Poisson
n
∂ 2 _ n 1 X λΣai adalah:
log L(θ, τ | x) = − + (xi − θ)
∂τ 2 2τ 2 2τ 4 i=1
Dengan menyamakan kedua turunan parsial tersebut dengan nol di- r

MT (x) (t) = MΣxi (t) = πi=1 Mxi (t) : karena xi independen.
dapat penyelesaian: r λ(et −1) t
= πi=1 eai = eλ(e −1)Σai
a _ Pn
θ =x dan τ 2 = n−1 i=1 (xi − θ)2 untuk membuktikan bahwa penye-
Jadi: T (x) = Σxi berdistribusi P (λΣai )dengan fungsi padat peluang:
lesaian ini adalah maksimum global, pertama-tama perhatikanlah:
_ P P _
bila θ 6=x, maka (xi − θ)2 ≥ (xi − x)2 . Karena itu untuk setiap (λΣai )t e−λΣai
harga τ 2 . f (Σxi = t | λ) = ; t = 0, 1, 2, ..
t
Sekarang perbandingan dari:
V
1 P _
− 12 (xi −x)2 / τ 2 1 P
− 21 (xi −θ)2 / τ 2 f (x| )V
r
πi=1 [e−aiλ (ai λ)xi xi !]
n e ≥ n e f (Σxi =t| )
= (λΣa )t e−λΣai t!
; dengan t = Σxi
(2πτ 2 ) 2 (2πτ 2 ) 2 i
−λΣai λΣxi πi=1 r a xi
e i
π r xi !
Sekarang persoalannya menjadi persoalan satu dimensi dan = −λΣa
i=1
t
i λ (Σai ) t
1 P _ e
(τ 2 )− 2 exp − 21 (xi − x)2 /τ 2 e−λΣai λ

Σxi π r axi
i=1 i
t!
t!
P = r
πi=1 xi !
. e−λΣai λt (Σai )t
_
mencapai global maksimum pada τ 2 = n−1 (xi − x)2 . t!
r a xi
πi=1
= .
(Σai )t πi=1 r x !
_ P _ xi
i
Jadi kesimpulannya (x, n−1 (xi − x)) adalah MLE. r ai

= (Σat! )t .πi=1 xi ! bebas dari parameterλ
i
Terlihat bahwa hasil terakhir ini tidak bergantung pada parameter λ.
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
= e− 2σ (Σx −Σy )+ 2σ2 e Σx− 2σ2 − 2σ2 Σy+ 2σ2

1 2 2 2σ σ 2σ
Jika x1 , x2 , ...xn variabel random iid dengan densitas Pθ , tunjukkan = e− 2σ (Σx −Σy )+ σ Σx− σ Σy
1 2 2 1 1
x(n) adalah statistik cukup untuk θ = e− 2σ (Σx

1 2 −Σy 2
)+ σ1 (Σx−Σy)
Penyelesaian • Jelas rasio ini independen dari θ = σσ 2 ⇐⇒ Σx = Σydan
Misalkan: Z = x(n) = maximum xi ;1≤ i ≤ n, maka: P (Z ≤ z) = Σx2 , Σy 2. Dengan demikian T (x) = (Σx, Σx2 )adalah himpun-
P (x1 ≤ z, x2 ≤ z, ..., xn ≤ z) an statistik cukup minimal untuk θ = σσ 2
F (z) ={P (x ≤ z)}n , sebab xi idd
R z n
f (z) = 0 Pθ (x)dx 4. Misalkan x1 , x2 , ...xn variabel random independen berdistribusi
R z n R z n
= 0 c(θ)f (x)dx = [c(θ)]n 0 f (x)dx U (θ − a, θ + b), dengan a,b>o diketahui dan θǫΩ = IR.
Z z n (a) Tentukan momen estimator untuk θ

d
Pθ (z) = F ′ (z) = [c(θ)]n f (x)dx (3.77)
dz 0 (b) Hitung variansinya
Karena Xi iid maka:
Penyelesaian:
n
Pθ (x) = πi=1 n
Pθ (xi ) = πi=1 c(θ)f (x) = [c(θ)]n {f (x)}n (3.78) (a) x ∼ U (θ − a, θ + b) , berarti f (x | θ) = b+a 1
dengan
(θ − a ≤ x ≤ θ + b). Dihitung ekpektasi dari x, yaitu
Sekarang diambil rasionya diperoleh:
R θ+b
f (x) = θ−a
x. 1
Pθ (x)
= [C(θ)]n {f (x)}n
R n 1
R θ+bb+a
Pθ (Z=x(n) ) [C(θ)]n dz
d
{ 0z f (x)dx} = b+a θ−a
xdx
{f (x)n } 1
1 2 θ+b
= Rz n = x
dz { 0
d
f (x)dx} b+a 2 θ−a

= 1
2(b+a)
(θ + b)2 − (θ − a)2
Ternyata rasio ini independen dari θ, berarti dapat disimpulkan Z=
1
= {θ + 2θb + b2 − θ2 + 2θa − a2 }
2
X(n) adalah statistik. cukup untuk parameter θ. 2(b+a)
1
= 2(b+a)
{2θb + 2θa + b2 + −a}
2
3. Misalkan x1 , x2 , ...xn variabel random iid dengan N(σ, σ ) ; σ > 0, = 1
{2θ (b + a) + (b2 − a2 )}
2(b+a)
Tentukan himpunan dari statistik cukup minimal = 1
{2θ (b + a) + (b + a) (b − a)}
2(b+a)
Penyelesaian: = θ + b−a
2
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:
  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
Jadi parameter θ1 adalah θ1 = x(i) .

Σn
i=1 (x−θ1 )
β α θα−1 −βθ
Selanjutnya, dθd1 [logl (θ | x)] = − θn2 + θ22
π (θ | α, β) = e ;θ > 0
r (α)
• Persamaan likehoodnya adalah:
Pertanyaan:
−nθ2Λ2 + θ2Λ Σni=1 (x − θ1 )
=⇔ −nθ2Λ2 + θ2Λ Σni=1 (x − θ1 ) = 0 (a) tentukan distribusi posterior dari θ; posterior mean dan varian-
θΛ3
atau sinya.
(b) Myatakan posterior mean, sebagai rata-rata tertimbang dari
Σni=1 (x − θ1 )
−nθ2Λ + Σni=1 (x − θ1 ) = 0 ⇒ θ2Λ = MLE θdan prior mean
n
Σn x −nθ Σn x −nx nΣn x n−nx (c) Tentukan behaviour dari posterior mean dengan membuat va-
θ2Λ = i=1 ni 1 = i=1 in (1) = i=1 i
n
(1)
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
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
⇒
(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)
n β Dari persamaan terakhir ini dapat dilihat bahwa

a= dan b =
(n + β) (n + β) (i). Jika n besar dan αtetap, maka Posterior mean sama dengan
Sehingga diperoleh: MLE dari θ, yaitu:

Σyi + α n Σyi β n αβα
= + (αβ) (3.83) E (θ | y) = limn→∝ (y) + (αβ) = y
(n + β) (n + β) n (n + β) n + αE (θ) n + αE (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 |
11. Diketahui:x1 , x2 , ...xn variabel random iid berdistribusi B (l, θ) , θǫΩ =

(0, 1). Tunjukkan x adalah UMVU estimator untuk θ.
Penyelesaian:
!
• 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:
haruslah:g (t) tnα−1 = 0.

f (x | β = θ) = n
πi=1 1
xα−1 e−xi θ
r(α)θ α i Dengan demikian statistik T (x) = Σxi adalah statistik cukup dn
1 n
= 1
π n xα−1 e θ Σj=1 xi
[r(α)]n θ nα i=1 i lengkap.
n α−1 1 n
πi=1 xi
= [r(α)]n θ nα
θ−nα e θ Σj=1 xi E (T (x)) = E (Σxi ) = Σni=1 Exi
⇒Dihitung
Berdasarkan teorema faktorisasi, berarti T (x) = Σn1 xi adalah statistik = Σni αθ = nαθ
T 1
Misalkan ∅ (T ) = nα = nα Σnj=1 xj = U (x1 , x2 , .., xn )
cukup untuk β = θ.
Maka:
⇒Ditentukan distribusi dari T (x) = Σn1 xi sebagai berikut.
Diketahui bahwa:
E {∅ (T )} = E {U (x1 , x2 , .., xn )}
Xi ∼ G (α, βθ =)maka, Mgf dari distribusi ibi adalah: Mxi (t) = 1
= E nα Σxj
(1 − θt)−α . 1
= Σn (xj )
nα j=1
Selanjutnya Mgf dari T (x) = Σn1 xi adalah: 1
= nα
αθn
2
= θ
MT (x) (t) = MΣn1 xi (T )
n 1
= [Mxi (t)] Ternyata ∅ (T ) = U (x1 , x2 , .., xn ) = Σn x adalah
nα j j
estimator tidak
n
= (1 − θt)−α bias bagi θ
= (1 − θt)−nα 1
Dengan demikian, U (x1 , x2 , .., xn ) = ∅ (T ) = nα Σnj xj adalah UMVU
estimator untuk θ
Bentuk terakhir ini menyatakan T (x) = Σxi ∼ G (nα, θ =)
1
⇒Selanjutnya duhitung variansi dari U (x1 , x2 , .., xn ) = nα Σnj xj yaitu:
Sehingga densitas dari T (x) = Σxi adalah:
1

1 V ar (U (x1 , x2 , .., xn )) = V ar nα Σxj
f (Σxi = t | β = θ) = tnα−1 e−tθ ; t > 0 (3.84) 1
r (nα) θnα = n2 α2
ΣV ar (xj )
1
⇒Sekarang ditunjukkan keluarga distribusi * adalah lengkap, yaitu: = n2 α2
Σαθ2
1
= n2 α2
nαθ2
E {g (t)} = 0 ⇒ g (t) = 0 θ2
= nα
Ru 1 nα−1 −tθ
E {g (t)} = 0
g (t) r(nα)θ nα t e dt
1
Ru ⇒Dihitung batas Cramer-Rao:
= r(nα)θnα 0 g (t) tnα−1 e−tθ dt
Karena r (nα) > 0, θnα > 0, maka 1

> 0,jadi 1
r(nα)θ nα f (x | β = θ) = xα−1 e−xθ ; x > 0logf (x | θ)
r (α) θα
Z u
1 = log1 − log r (α) θ(α) + (α − 1) logx − xθ
g (t) tnα−1 e−tθ dt (3.85)
0 r (nα) θnα d
= −logr (α) − αlogθ + (α − 1) logx − xθ [logf (x | θ)]
Karena persamaan * merupakan transformasi Laplace da- dθ
2
ri fungsi g (t) tnα−1 , maka menurut sifat tranformasi ini, α x d
= − + 2 [logf (x | θ)]
θ θ dθ
α x 2 α2 2αx x2
2
karena xi iid = − + 2 = 2 − 3 + 4
θ θ θ θ θ
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
= µ f (x) = e−2 σ (x−µ) ; −∞ < x < ∞ (3.88)

σ(2π)1/2
1 16. Diketahui X1 , ..., Xn adalah i.i.d N(µ, σ 2 ). Tentukan estimator untuk

ln f (x) = − ln σ(2π)1/2 − (x − µ)2 (3.89)
2σ 2 µ dan σ 2 dengan MME.
Jawab:
∂ ln f (x) 1
= 2 (x − µ) (3.90) n
X
∂µ σ Disini kita punya, Xir , m1 = X, µ1 = µ dan µ2 = µ2 + σ 2 . Solusi
Sehingga i=1
n
X
" 2 # " 2 # dari sistem persamaan X = µ dan 1/n Xir = µ2 + σ 2 diperoleh
∂ ln f (x) 1 (x − µ) 1 1 i=1 P
E = E = .1 = 2 (3.91) estimator metode momen µ b2 = 1/n ni=1 (Xi − X)2
b = X dan σ
∂µ σ2 σ σ2 σ
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
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.
9. Misalkan X1 , ..., Xn sampel dari U(0, θ). Perlihatkan bahwa T =

n
Y
3.5 Soal-Soal Latihan ( Xi )1\n adalah estimator konsisten untuk θe−1
i=1
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
c) ε = ηdan ε, σ, τ adalah sembarang var(θb2 )

11. Ukuran efisiensi estimator θb1 terhadap θb2 ditunjukkan oleh var(θb1 )
.
b = X1 +2X4 2 +X3 terhadap X jika
Tentukan efisiensi estimator µ
2. Diketahui distribusi uniform f (x : θ) = 1θ ,0 ≤ x ≤ θ dan bernilai nol
X1, X2 dan X3 sampel random dari N(µ, σ 2 )
untuk x yang lain. Buktikan bahwa 2X estimator takbias untuk θ.
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.
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 4
Estimasi Interval
Memahami konsep dasar estimasi interval dan mampu menerapkan baik

dalam pemecahan masalam matematika, ilmu lain, maupun dalam kehi-
dupan sehari-hari.
Setelah mengerjakan bab ini Anda diharapkan dapat:
1. Menjelaskan konsep dasar estimasi interval suatu parameter popu-

lasi
2. Menentukan interval kepercayaan mean bila variansinya diketahui.
3. Menentukan interval kepercayaan mean bila variansinya tidak dike-

tahui
4. Menentukan interval kepercayaan beda dua mean
5. Menentukan interval kepercayaan untuk varians
6. Menentukan interval kepercayaan untuk rasio dua varians
Bab 3. Estimasi Titik 112 ISBN 978-602-8310-02-4 113

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
_ _
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
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
Metode yang paling bagus dalam mengkonstruksikan himpunan estima-

Untuk membuktikan bahwa besaran-besaran di atas merupakan pivot, da-
tor dan menghitung cakupan probabilitas adalah penggunaan besaran pi-
pat ditunjukkan bahwa densitasnya independen dari parameter.
vot. Penggunaan besaran pivot (pivotal quantity) untuk mengkonstruksi
himpunan kepercayaan disebut pivotal inverence.
Contoh
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
tergantung pada kemampuan mendapatkan pivot dan himpunan A sede- 2T

_ Jika Q(T, λ) = maka Q(T, λ) ∼ gamma n, λ( λ2 ) = gamma(n, 2) yang
λ
mikian hingga himpunan {θ : Q(X , θ) ∈ A} adalah himpunan estmatator
tidak tergantung pada λ. Besaran Q(T, λ) = 2Tλ
adalah pivot dengan
(interval kepercayaan) dari θ.
gamma(n, 2) atau distribusi χ2 .
Kadang-kadang kita dapat melihat bentuk pdf untuk melihat apakah ada
Contoh
besaran pivot. Dalam contoh di atas, besaran λt terlihat dalam pdf dan ia
_
menjadi pivot. Dalam pdf normal, besaran x σ- µ terlihat dan besaran ini juga
Dalam kasus lokasi dan skala terdapat banyak besaran pivot. Di sini akan
merupakan pivot.
ditunjukkan beberapa. Misalkan x1 , ..., xn adalah sampel random densitas
_
( dalam tabel ) dan misalkan x dan s adalah mean sampel dan deviasi Secara umum, misalkan pdf statistik T , f (t, θ) dapat dinyatakan
standar. dalam bentuk f (t, θ) = g (Q(t, θ)) | ∂Q(t,θ) | untuk suatu fungsi g
∂t
dan fungsi monoton Q (dalam t untuk setiap θ). Maka Q(t, λ)
merupakan pivot.
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:
2T Dalam estimasi interval dua besaran dibandingkan satu dengan lainnya

A(λ) = {t : a ≤ ≤ b} melalui ukuran dan kemampuan akurasi cakupannya. Tentu saja yang di-
λ
inginkan adalah suatu interval yang mempunyai ukuran (panjang) yang
2t 2t
memberikan C(t) = {λ : b
≤λ≤ a
} yang merupakan interval keperca- kecil dan cakupan probabilitas besar. Cakupan probabilitas dari interval
2T
yaan (1 − α). Bila n = ω, interval kepercayaan 95% adalah {λ : 34,17
≤λ≤ kepercayaan pada umumnya merupakan fungsi parameter. Karena itu,
ukuran yang paling banyak digunakan adalah kelakuan koefisien keperca-

Tabel 4.3: Panjang interval kepercayaan
yaan, yaitu infimum cakupan probabilitas ukuran dan probabilitas caku-
pan. Permasalahan dapat dirumuskan sbb: diberikan probabilitas cakupan a b Probabilitas b-a
tertentu, carilah interval kepercayaan terpendek. −1, 34 2, 33 P (z < a) = 0, 09; P (z > b) = 0, 01 3, 67
−1, 44 1, 96 P (z < a) = 0, 075; P (z > b) = 0, 025 3, 40
−1, 65 1, 65 P (z < a) = 0, 05; P (z > b) = 0, 05 3, 30
Contoh
Misalkan X1 , ..., Xn iid N(µ, σ 2 )dengan σ diketahui. Telah kita ketahui

_ Teorema Unimodal
bahwa Z = σx/-√µn adalah besaran pivot dengan distribusi normal baku
dan setiap anggota yang memenuhi P (a ≤ Z ≤ b) = 1 − α akan memberi-
Misalkan f (x) pdf yang unimodal. Bila interval [a, b] memenuhi
kan interval kepercayaan (1 − α)
Rb
_ σ _ σ 1. a
f (x)dx = 1 − α
{µ :x −b √ ≤ µ ≤x −a √ }
n n
2. f (a) = f (b) > 0dan
Masalahnya menjadi: Berapa nilai a dan b yang terbaik ?, Dengan kata
3. a ≤ x∗ ≤ b, dengan x∗ modus f (x).
lain; Berapa nilai a dan b yang akan meminimumkan panjang interval ke-
percayaan dengan tetap mempertahankan cakupan (1 - α)?. Perhatikan
maka [a, b]adalah interval kepercayaan yang terpendek di antara interval-
bahwa panjang interval kepercayaan sama dengan (b−a) √
n
σ
. Karena faktor
σ
interval yang memenuhi kreteria nomer 1.
√ adalah bagian dari setiap panjang interval, ia dapat diabaikan dan per-
n
bandingan panjang hanya bisa berdasarkan pada harga b − a.
Bukti
Sehingga masalah sekarang menjadi; mencari pasangan bilangan a dan b
yang memenuhi P (a < z < b) = 1 − α dan meminimumkan (b − a). Misalkan [a1 , b1 ] adalah sebarang interval dengan b1 − a1 < b − a.
Biasanya diambil a = z − z α2 dan b = z α2 tanpa menyebutkan apa yang R b1
Akan ditunjukkan bahwa ini mengakibatkan a1 f (x)dx < 1 − α. Hasil ini
membuat optomal. Jika diambil 1 − α = 0, 90 maka setiap pasangan bilan- akan dibuktikan hanya untuk a1 < a. Untuk kasus a < a1 dapat dibuktik-
gan berikut memberikan interval 90%. an secara analog. Juga dua kasus yang perlu diperhatikan adalah b1 ≤ a
dan b1 > a.
Bila b1 ≤ a maka a1 ≤ b1 ≤ a ≤ x∗ dan
Pengalaman numerik ini menyarankan bahwa pemilihan a = −1, 65 dan R b1 Rb
a1
f (x)dx ≤ f (b1 )(b1 −a1 ) ≤ f (a1 )(b1 −a1 ) < f (a)(b−a) ≤ a f (x)dx = 1−α
b = 1, 65 memberikan interval kepercayaan terbaik. Perlu dicatat bahwa
strategi untuk membagi interval dua sama besar (simetris) terbukti opti- Bila b1 > a maka a1 ≤ a ≤ b1 < b, karena bila b1 lebih besar atau sama
mal dalam contoh di atas, tapi tidak selalu demikian. Untuk kasus di atas dengan b, maka b1 − a1 lebih besar atau sama dengan b − a. Dalam keadaan
disebabkan oleh kenyataan bahwa tinggi dari pdf -nya adalah sama di −z α2 ini, dapat ditulis:
R b1 Rb Ra Rb
dan z α2 . a1
f (x)dx = a f (x)dx + [ a1 f (x)dx − b1 f (x)dx]
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
variansi sampel: akibatnya,

n
2 1X
S = (Xi − X)2 (4.8) X − Y − (µ1 − µ2 )
n i=1 X − Y ∼ N(µ1 − µ2 , σ 2 /n + σ 2 /m) ⇒ p ∼ N(0, 1) (4.12)
σ 2 /n + σ 2 /m
sebagai estimator untuk σ 2 . Sebab jika xi berdistribusi N(µ, σ 2 ) maka
√
nS 2 /σ 2 berdistribusi χ2(n−1) dan n(x − µ)/σ berdistribusi t(n−1) . Karena nS12 /σ 2 ∼ χ2(n−1) dan mS22 /σ 2 ∼ χ2(m−1) maka (nS12 + mS22 )/σ 2 ∼
χ2(n+m−2) . Diperoleh
4.3.4.2 Interval Kepercayaan untuk Perbedaan Mean

X − Y − (µ1 − µ2 )
T = p : (nS12 + mS22 )/σ 2 (n + m − 2 1/2 (4.13)
σ 2 /n + σ 2 /m
Sering kali lebih memungkinkan untuk melakukan estimasi interval untuk
X − Y − (µ1 − µ2 )
selisih parameter populasi µ1 −µ2 daripada untuk masing-masing. Misalk- = q ∼ t(n+m−2) (4.14)
nS12 +mS22
an X1 , X2, ..., Xn dan Y1 , Y2, ..., Ym dua sampel random dari dua populasi (1/n + 1/m n+m−2
yang independen N(µ1 , σ 2 ) dan N(µ2 , σ 2 ); σ > 0 tidak diketahui. Masalah
Interval kepercayaan (1 − α)100% adalah P (−a < T < a) = 1 − α; dengan
yang dihadapi sekarang, bagaimana inferensi interval untuk parameter
a = tα/2;n+m−2 dan
perbedaan mean yaitu µ1 − µ2 ?

P ( X − Y − aR < µ1 − µ2 < X − Y + aR) = 1 − α (4.15)
Interval untuk mean µ1 − µ2 dengan variansi σ 2 > 0 tidak diketahui.
dengan s
Jika X dan Y berturut-turut mean sampel berukuran n dan m yang saling nS12 + mS22
R= (1/n + 1/m (4.16)
independen dari populasi N(µ1 , σ 2 ) dan populasi N(µ2 , σ 2 ) ;σ 2 > 0 tidak n+m−2
diketahui, maka interval kepercayaan (1 − α)100% adalah: Jadi interval kepercayaan (1 − α)100% untuk perbedaan mean adalah

X − Y − aR < µ1 − µ2 < X − Y + aR (4.9) X − Y − aR < µ1 − µ2 < X − Y + aR
q
(nS12 +nS22 X − Y − aR < µ1 − µ2 < X − Y + aR (4.17)
dengan a = t(α/2;n+m−2) dan R = (1/n + 1/m) (n+m−2)
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.
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
nS12 /σ12 ∼ χ2(n−1) .mS22 /σ22 ∼ χ2(m−1) dan independen ⇒

Dengan menggunakan metode likelihood maksimum diperoleh σ b2 = S 2 =
n
X
1/n (Xi − X)2 dan variabel random nS 2 /σ 2 berdistribusi χ2(n−1) karena nS12 / [σ12 (n − 1)]
F = ∼ F(n−1;m−1) (4.25)
i=1 mS22 / [σ22 (m − 1)]
itu,
P (χ2(α/2,n−1) < nS 2 /σ 2 < χ2(1−α/2,n−1) = 1 − α (4.19) Karena itu

atau nS12 / [σ12 (n − 1)]
! P F(α/2;n−1;(m−1) < < F(1−α/2;n−1;m−1) = 1 − α (4.26)
ns2 2 ns2 mS22 / [σ22 (m − 1)]
P <σ < =1−α (4.20)
χ2(1−α/2,n−1) χ2(α/2;n−1)
atau
Jadi interval kepercayaan untuk σ 2 adalah
mS22 /(m − 1) σ22 mS22 /(m − 1)
P F(α/2;n−1;(m−1) < < F(1−α/2;n−1;(m−1) = 1−α
ns2 ns2 nS12 /(n − 1) σ12 nS12 /(n − 1)
< σ2 < 2 (4.21) (4.27)
χ2(1−α/2,n−1) χ(α/2;n−1)
atau

1 mS22 /(m − 1) σ2 mS22 /(m − 1)
4.3.4.4 Interval Kepercayaan untuk Rasio Dua Variansi P 2
< 22 < F(1−α/2;n−1;m−1) 2
= 1−
F(1−α/2;m−1;n−1) nS1 /(n − 1) σ1 nS1 /(n − 1)
(4.28)
Interval kepercayaan untuk σ22 /σ12 dengan µ1 dan µ2 tidak diketahui. Jadi interval kepercayaan (1 − α)100% untuk σ22 /σ12 adalah
1 mS22 /(m − 1) σ2 mS22 /(m − 1)

Jika X1 , X2, ..., Xn dan Y1 , Y2, ..., Yn dua sampel random yang saling inde- 2
< 22 < F(1−α/2;n−1;m−1) (4.29)
F(1−α/2;m−1;n−1) nS1 /(n − 1) σ1 nS12 /(n − 1)
penden dari populasi N(µ1 , σ 2 ) dan populasi N(µ2 , σ 2 ) dengan µ1 dan µ2
tidak diketahui, maka interval kepercayaan (1 − α)100% untuk σ22 /σ12 ada-
lah 4.4 Soal-Soal dan Pembahasan
1 mS22 /(m − 1) σ2 mS22 /(m − 1)
< 22 < F(1−α/2;n−1;m−1) (4.22) 1. Tentukan interval kepercayaan 95 % untuk mean dari N(µ, 9) dengan
F(1−α/2;m−1;n−1) nS12 /(n − 1) σ1 nS12 /(n − 1)
sampel berukuran 100 dan x = 5
Penjelasan: Jawab:
(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
1 5(35, 6)/4 σ2 5(35, 6)/4

< 2 < (8, 90) (4.34)
Jawab: 4, 72 10(20, 0)/9 σ12 10(20, 0)/9
s r
nS12 + mS22 490 + 224 atau
R= (1/n + 1/m = (1/10 + 1/7) = 3, 4 σ22
n+m−2 15 0, 4 < < 17, 8 (4.35)
σ12
(4.30)
σ22 σ22
Dari tabel t diperoleh a = t(0,05;15) = 1, 753. Sehingga menurut teore- Jadi interval kepercayaan 95% untuk σ12
adalah 0, 4 < σ12
< 17, 8
ma 11, diperoleh
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
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
15. Diketahui dua sampel random independent yang berukuran n =

6. Dari soal no 9berapakah n terkecil yang menjamin (dengan probabi-
16 dan m = 10 diambil dari populasi independent N(µ1 , σ 2 ) dan
litas 1 − α) bahwa y/n terletak dalam jarak d dari p
N(µ2 , σ 2 ) . Misal x = 3, 6 dan s21 = 4, 14 dan Y = 13, 6 dan s22 = 7, 26.
σ2
7. Misalkan Y berdistribusi b(300, p). Jika nilai observasi dari Y adalah Tentukan interval kepercayaan 90% untuk σ22 bila kedua mean pupo-
1
y = 75, tentukan interval kepercayaan 95% untuk p lasi tidak diketahui.
16. Seperti teorema 11, tentukan interval kepercayaan (1 − α)100% bila

8. Diketahui dua sampel random yang masing-masing berukuran 10
kedua mean pupulasi diketahui.
yang dari dua distribusi normal independen N(µ1 , σ 2 ) dan N(µ2 , σ 2 )
dari observasi diketahui x = 4, 8, S12 = 8, 64, y = 5, 6, S22 = 7, 88. 17. Misalkan S12 dan S22 notasi variansi sapel random yang beru-
Tentukan inteval kepercayaan 95% untuk µ1 − µ2 . kuran n dan m dari dua distribusi independen N(µ1 , σ 2 ) dan
N(µ2 , σ 2 ).Tentukan interval kepercayaan (1 − α)100% untuk σ 2
9. Tentukan interval kepercayaan untuk perbedaan µ1 − µ2 antara dua
mean dari dua distribusi normal yang independen jika kedua vari- 18. Misalkan X1 , X2, ..., Xn sampel random yang berikuran 6 dari distri-
ansinya diketahui (tidak perlu sama) nusi Gamma(1 − β); β > 0 tidak diketahui. Tentukan interval keper-
cayaan (1 − α)100% untuk β. Petunjuk : Pertimbangkan distribusi

X6
dari2 Xi /β
i=1
19. Diketahui Y4 = order statistik ke -4 dari sampel random berukuran

4 dari disttribusi uniform (0, θ). Tentukan a dan b. Dengan 0 < a <
b ≤ 1 sehingga P (aθ < Y4 < bθ) = 0, 95. Kemudian tentukan interval Bab 5
keperayaan 95% untuk θ.
Hipotesis Statistik
Memahami konsep dasar uji hipotesis statistik dan mampu menerapkan-

nya baik dalam pemecahan masalah matematika, ilmu lain, maupun da-
lam kehidupan sehari-hari
Setelah mengerjakan bab ini Anda diharapkan dapat:
1. Menjelaskan konsep dasar hipotesis dan hipotesis statistik
2. Menganalisis uji hipotesis berdasarkan uji ratio likelihood
3. Menjelaskan tipe kesalahan suatu uji hipotesis statistik
4. Membedakan antara hipotesis sederhana dengan hipotesis gabung-

an
5. Menentukan daerah kritis suatu uji hipotesis
6. Menentukan fungsi kekuatan uji hipotesis
Bab 4. Estimasi Interval 134 ISBN 978-602-8310-02-4 135

7. Menggunakan teorema Neyman-Pearson untuk menentukan daerah

kritik terbaik H0 : θ ∈ Ω0 danH1 : θ ∈ Ωc0
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 .
5.3.1 Konsep Dasar Uji Hipotesis Def inisi
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.
H0 : g(x) ∼ N(10, σ 2 ) (5.1)

2
5.3.2 Uji Rasio Likelihood
H1 : g(x) ∼ N(µ, σ ), µ 6= 10 (5.2)
Metode rasio likelihood atau likelihood ratio test (LRT) dalam uji hipotesis
Untuk mempermudah kedua hipotesis statistik ini cukup ditulis sbb: berhubungan dengan estimator likelihood maksimum dan uji tersebut se-
cara luas dapat diterapkan. Ingat bila x1 , ..., xn adalah sampel random dari
H0 : µ = 10 vs H1 : µ 6= 10 populasi dengan densitas f (x|θ) (θbisa berupa vektor), fungsi likelihood
didefinisikan sebagai
Def inisi
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
_
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
SupΩo g(T (x̄) | θ)

_
λ(x) = exp −n(xi − θ0 )2 /2 (5.3) =
SupΩ g(T (x̄) | θ)
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
Dalam memutuskan untuk menerima atau menolak hipotesa nol dieva-

Misalkan X1 , ..., Xn adalah sampel random dari N(µ, σ 2 ); H0 : µ ≤
luasi dan dibandingkan melalui probabilitasnya membuat kesalahan. Se-
µ0 vs H1 : µ ≥ µ0 .
karang dibicarakan bagaimana probabilitas membuat kesalahan tersebut
σ 2 adalah parameter pengganggu. dapat dikontrol.
Statistik LRT adalah

5.3.3.1 Probabilitas Kesalahan dan Fungsi Kekuatan Uji
maks L(µ, σ 2 |x̄) {µ, σ 2 : µ ≤ µ0 , σ 2 > 0}
λ(x̄) =
maks L(µ, σ 2 |x̄) Dalam uji hipotesis H0 : θ ∈ Ω0 vs H1 : θ ∈ Ωc0 dapat terjadi salah satu dari
dua jenis kesalahan, yaitu kesalahan tipe I(α) dan kesalahan II(β), sbb:
maks L(µ, σ 2 |x̄) {µ, σ 2 : µ ≤ µ0 , σ 2 > 0}
λ(x̄) =
maks L(µ̂, σˆ2 |x̄) 1. Jika θ ∈ Ω0 tetapi uji hipotesis menolak H0 , maka uji telah membuat
kesalahan tipe I.
a a2
dimana µ dan σ , adalah MLE dari µ dan σ 2 . Selanjutnya, bila µ ≤ µ0 ,
2. Jika θ ∈ Ωc0 tetapi uji menerima H0 , maka uji telah membuat kesalah-
maksimum kendala sama dengan maksimum tanpa kendala, sedang un-
a _ an tipe II.
tuk µ> µ0 , maksimum kendala adalah L(µ0 , σ 2 | x).
Jadi Keadaan ini bisa digambarkan sbb:
 

 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:
( Jadi tingkat signifinkansi uji atau kekuatan uji di p = 1/2 adalah 0, 05

P (kesalahan tipe I), jika θ ∈ Ω0
P (X ∈ C) =
1 − P (kesalahan tipe II), jika θ ∈ Ωc0
Contoh
Def inisi
1 1
Misalkan Xn ∼ Binomial(5, θ). Pandang uji H0 : θ < vs H1 : θ > .
Fungsi kuasa (power function) dari uji hipotesis dengan daerah penolakan 2 2
Fungsi kuasa untuk uji ini adalah:
C adalah fungsi dari θ yang didefinisikan
K(θ) = P (X ∈ C) (5.4) β1 (θ) = P (x ∈ R) = P (x = 5) = θ5
Grafik β1 (θ)dapat kita lihat dalam gambar di bawah.

Nilai fungsi kuasa di suatu titik parameter disebut kekuatan uji dititik ter-
sebut. Fungsi kuasa yang ideal adalah bernilai nol untuk θ ∈ Ω0 dan ber- Dalam menyelidiki fungsi kuasa ini, walaupun pro-
nilai satu untuk θ ∈ Ωc0 . Namun bentuk ideal ini tidak dapat dicapai. Uji babilitas kesalahan tipe I dapat diterima sebagai kecil

hipotesis baik bila fungsi kuasa memiliki nilai: β1 (θ) ≤ ( 21 )5 = 0, 0312 untuk semua θ ≤ 21 , namun probabilitas ke-

salahan tipe II terlalu tinggi β1 (θ) terlalu kecil untuk semua θ > 21 .
1. mendekati nilai 1 untuk θ ∈ Ωc0 dan
Probabilitas kesalahan tipe II kurang dari 12 hanya jika θ > ( 21 )5 = 0, 87.
2. mendekati 0 bila θ ∈ Ω0 Untuk mendapatkan probabilitas kesalahan tipe II yang lebih kecil, dapat
dipertimbangkan menggunakan uji yang menolak H0 bila x = 3, 4, atau5 .
Def inisi
Fungsi kuasa untuk uji ini adalah
Tingkat signifikansi dari uji (atau ukuran dari daerah kritis C) adalah sup-
remum dari fungsi kekuatan uji kalau hipotesis nol besar.
Berdasarkan definisi ini, tingkat signifikansi uji yang ditulis α merupakan β2 (θ) = ! P (x = 3, 4, 5) ! !
probabilitas kesalahan tipe I. Jadi tingkat signifikansi uji αmerupakan: 5 5 5
= θ3 (1 − θ)2 + θ4 (1 − θ)1 + θ5 (1 − θ)0 .
3 4 5
P (kesalahantipeI) = P (menolakH0 |H0 benar) = α
Grafik dari β2 (θ) juga diperlihatkan dalam gambar di atas. Dalam gambar
Contoh tersebut terlihat bahwa uji kedua mempunyai probabilitas kesalahan tipe
Uji hipotesis H0 : p = 1/2vsH1 : p > 1/2; dengan p parameter distribusi II lebih kecil dalam kasus β2 (θ) lebih besar untuk θ > 12 . Tetapi probabilitas
binomial. Jika sampel berukuran 18 dan H0 ditolak untuk x ≥ 13. Diper- kesalahan tipe I lebih besar untuk uji kedua; β2 (θ) lebih besar untuk θ ≤ 21 .
timbangkan tingkat signifikansi uji atau kekuatan uji bila H0 benar sbb: Bila harus memilih diantara kedua tes tersebut, pertimbangannya adalah
mana struktur kesalahan yang digambarkan oleh β1 (θ) atau β2 (θ) yang
P (menolak H0 | H0 benar) = P (X ≥ 13|p = 1/2) (5.5) lebih diterima.
X18
18
= (1/2)x (1 − 1/2)18−x = 0, 05
x=13
x Contoh
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 .
Contoh Def inisi
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
( 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
atau ekivalen dengan 5.3.3.3 Teorema Neyman-Pearson
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:
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.
Bukti Def inisi

_
Dalam sampel asal X̄ uji berdasar T mempunyai daerah penolakan C ={x: Hipotesa yang menyatakan bahwa parameter univariat besar, sebagai con-
_
T (x) ∈ S} . Dengan teorema faktorisasi densitas dapat ditulis sebagai toh H : θ ≥ θ0 , atau kecil, sebagai contoh H : θ < θ0 disebut hipotesa satu
_ _ _ _
f (x |θi ) = g (T (x)|θi ) h(x), i = 0, 1, untuk suatu fungsi tak negatif h(x). sisi. Sedangkan Hipotesa yang menyatakan bahwa parameter bisa besar
Dengan mengalikan ketaksamaan pada nomer 1 di depan dengan fungsi atau kecil, sebagai contoh, H : θ 6= θ0 disebut hipotesa dua sisi. Banyak
tak negatif ini, didapat C memenuhi persoalan yang mempunyai uji UMP taraf α berhubungan dengan uji hi-
_ _ _ _ _ _ potesa satu sisi dan densitas yang mempunyai sifat monotone Likelihood
x ∈ Cbilaf (x |θi ) = g (T (x)|θi ) h(x) > kg (T (x)|θ0 ) h(x) = kf (x |θ0 ).
ratio.
dan
_ _ _ _ _ _
x ∈ C c bilaf (x |θi ) = g (T (x)|θi ) h(x) < kg (T (x)|θ0 ) h(x) = kf (x |θ0 ). 5.3.3.4 Teorema Karlin-Rubin
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.
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.
Teorema Neyman-Pearson Contoh
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 )
5.4 Soal-Soal dan Pembahasan P embahasan :
1. Misalkan hipotesis yang diuji adalah parameter bernoulli p, yakni

K(θ) = P {(x1 , x2 ) ∈ C}
H0 : p = 1/5 lawan H1 : p 6= 1/5 Jika H0 benar, θ = 2 maka fkp bersama dari X1 dan X2 adalah
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
X ∗ −12000 9,5 9,5−x

Z Z 2
1, 64 = √
9600 P [(x1 , x2 ) ∈ C] = 1− 1/16e−(x1 +x2 )/4 dx1 dx2 ∼
= 0, 31
0 0
Diperoleh X∗ = 12161. Karena dari data eksperimen kita peroleh x =
Jadi, kekuatan uji 0, 05 untuk θ = 2 dan 0, 31 untuk θ = 4. Karena
12489 > 12161, maka kita simpulkan H0 ditolak.
tingkat signifikansi adalah kekuatan uji bila H0 benar, maka tingkat
2. Diketahui variabel random X dengan f.k.p, signifikansi tes ini adalah 0, 05.
1 Cara lain, dengan menggunakan tabel χ2 (2). Misalkan x1 + x2 = Y

f (x; θ) = e−x/θ .
θ maka Y berdistribusi χ2 (4). Kekuatan uji kalau H0 benar diberikan
oleh
Uji hipotesis H0 : θ = 2 vs H1 : θ = 4. Dengan menggunakan sam-
P (Y ≥ 9, 5) = 1 − P (Y ≤ 9, 5) = 1 − 0, 95 = 0, 05
pel random X1 dan X2 berukuran 2, diputuskan menolak H0 bila
C = {(x1 , x2 ); 9, 5 ≤ x1 + x2 < ∞} . Tentukan fungsi kekuatan uji dan Kalau H1 benar, variabel random X/2 berdistribusi χ2 (2) sehingga
tingkat signifikani uji. variabel random Z = (x1 + x2 )/2 berdistribusi χ2 (4). Kekuatan uji
bila H1 benar adalah P embahasan :
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
hingga " # lam Ω adalah

n n
1 1 X n/2 P 2
L(b
ω) = √ exp − 2 (xi − µ0 )2 1 (xi − θ1 )
σ 2π 2σ i=1 L(θ1, θ2 ; x1 , x2 , ..., xn ) = exp − = L(Ω)
2πθ2 2θ2
dan n " #
n
b = 1 1 X Distribusi bersama dari X1, X2 , ..., Xn disetiap titik dalam ω adalah
L(Ω) √ exp − 2 (xi − x)2
σ 2π 2σ i=1
n/2 P
1 (xi ) 2
sehingga L(0, θ2 ; x1 , x2 , ..., xn ) = exp − = L(ω)
h n i 2πθ2 2θ2
λ = exp − 2 (x − µ0 )2
2σ
Sekarang akan ditentukan L(b b Perhatikan bahwa
ω ) dan L(Ω).
Daerah kritiknya adalah
h n i d ln L(ω)
exp − 2 (x − µ0 )2 ≤ k = 0
2σ dθ
P 2 2
n (xi )
atau − + = 0
2σ 2 2θ2 2θ2
(x − µ0 )2 ≥ − ln k
n Diperoleh
atau n
p 1X
θ2 = (xi )2
|x − µ0 | ≥ − (2σ 2 ln k) /n n i=1
dengan k akan ditentukan sehingga ukuran daerah kritik adalah α. Sehingga
n/2
Jadi daerah kritiknya adalah ne−1
L(b
ω) = P
n p o 2π (xi )2
x : |x − µ0 | ≥ − (2σ 2 ln k) /n Dengan cara analog (dengan metode likelihood maksimum) dipero-
leh n
X
θ1 = x dan θ2 = (xi − x)2 /n
6. Diketahui X variabel random dengan distribusi n(θ1 , θ2 ) dan misalk- i=1
an ruang parameter Ω = {(θ1 , θ2 ); −∞ < θ1 < ∞, 0 < θ2 < ∞} . Hipo- sehingga

n/2
tesis gabungan H0 : θ1 = 0, θ2 > 0 dan hipotesis gabungan alternatif
b = ne−1
L(Ω) P
H1 : θ1 6= 0. Himpunan ω = {(θ1 , θ2 ); θ1 = 0, 0 < θ2 < ∞} adalah 2π ((xi − x)2 /n)
subset dari Ω dan H0 : (θ1 , θ2 ) ∈ ω. Tentukan uji H0 lawan H1 . Karena itu,
P n/2
(xi − x)2
λ= P 2
(xi )
P embahasan :
Misalkan X1, X2 , ..., Xn sampel random yang berukuran n > 1 dari

distribusi ini. Distribusi bersama dari X1, X2 , ..., Xn disetiap titik da-
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
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
(e) Dengan C suatu konstantaa tertentu, jadi dapat ditulis:

(c) Densitas bersama dari xi pada Ωadalah:
300 300 −n2 − 1
Σn (x −1)2
2 1 30 2 f1 (x | µ = 1) = (2πσ 2 ) e 2σ 2 i=1 i
.e 6 Σi=1 xi > C atau

3 3 (d) Rasio Likehoodnya adalah:
Ambil logaritma kedua ruas, diperoleh:
f1 (x|µ=1)
R (Z, µ0, µ1 ) = f0 (x|µ=0)
2
1 30 − 1 2 Σn 2 1 n
i=1 xi − 2σ 2 Σi=1 (xi −1)
Σ x
6 i=1 i
> Log C − 300 Log 32 = e 2σ
(5.26)
= e− 2σ2 Σi=1 xi − 2σ2 Σi=1 (xi −2xi +1)
1 n 2 1 n 2
= Log C − 300 (Log 2 − Log 3)
1 n 2 n
= Log C − 300 (0, 3010 − 0, 4771) = e− 2σ2 Σi=1 xi − σ2 > C
= Log C + 52, 83
dengan C suatu konstanta tertentu. Bentuk di atas dapat ditulis:
Σ30
i=1 xi > 6 (Log C + 52, 83) = C0
1 n n
Jadi HP testnya berbentuk: e σ2 Σi=1 xi .e σ2 > C
1
Σn x n (5.27)
( e σ 2 i=1 i > e σ2
1;Jika Σ30
i=1 xi > C0
Ø (Z) = Ambil logaritma kedua ruas diperoleh:
0; Jika Σ30
i=1 xi ≤ C0 1 n
Σn x
σ2 i=1 i
> σ2
+ LogC
n
(f) Karena Σxi ∼ G (nβ, α), maka C0 dapat dihitung berdasarkan: Σni=1 xi > 2
+ σ 2 LogC
R∞ Σn
1 i=1 xi 1 σ2
C0 r(300)2300
Y 299 e−Y 2 dy = 0, 05 dengan Y = Σxi Atau n
> 2
+ n
LogC = C 0 ⇒ X > C0
(e) Jadi HP testnya berbentuk: Sehingga diperoleh:
( √
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}
• 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
 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:
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:
x ∼ Bin (θ, n), maka densitas dari x adalah:

! Eθ0 [Ø (x)] = Pθ0 (x > c) + γPθ0 (x = c) = 0, 05
n 1 − Pθ0 (x ≤ c) + γPθ0 (x = c) = 0, 05
f (x | θ) = θx (1 − θn−x )
!x Pθ0 (x ≤ c) − γPθ0 (x = c) = 0, 95
6 Dengan menggunakan tabel binomial untuk n = 6; θ0 =0,3
= 0, 25x (1 − 0, 25)6−x
x ! diperoleh: untuk c = 4 diperoleh P0,3 (x ≤ c) = 0, 9868
6 P0,3 (x = 4) = P0,3 (x ≤ 4) − P0,3 (x ≤ 3)
= 0, 25x 0, 75x Jadi:
x = 0, 9868 − 0, 9192 = 0, 0676
Densitas bersama dari x adalah: Sehingga diperoleh:
!
6 0, 9868 − γ (0, 0676) = 0, 95
n
f (x | θ) = πi=1 0, 25Σx 0, 7536−Σx γ (0, 0676) = 0, 0368
x !
6 Σ6 xi γ = 0, 5444
6 0,25
= πi=1 0, 7536 0,75
xi ! Jadi UMP tes diatas menjadi:
6 Σ6 x i 
= 6
πi=1 0, 7536 13
x! 
 1 jika x > 4
6 Ø (x) = 0, 54444 ; jika x = 4
0, 7536 eΣ xi log( 3 )
1
6
= πi=1
6


xi 0 bagi yang lain
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
β (θ) = PθǫΩ1 (x > 4) + 0, 544PθǫΩ

! ( 1 (x >!4) )
6 6−x 6 2
= Σ6x=4 x
θ (1 − θ) + 0, 544 4
θ (1 − θ)
x x
• Sekarang dilihat untuk H0 : θ < 0, 3vsH1 : θ > 0, 3untuk
α = 0, 05 • H0 : θ ≤ 0, 3 vs H1 : θ > 0, 3untuk α = 0, 1.
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
Eθ0 Ø (x) = P0,4 (x > c) + γP0,4 (x = c) = 0, 05

= 1 − P0,4 (x ≤ c) + γP0,4 (x = c) = 0, 05 (5.37)
P0,4 (x ≤ c) − γP0,4 (x = c) = 0, 95
• H0 : θ ≤ 0, 3vs H1 : θ > 0, 3untuk α = 0, 2
Dengan tabel distribusi binomial untuk n = 6; θ0 = 0, 4

diperoleh untuk c = 4, maka P0,4 (x ≤ 4) = 0, 9590. Jadi βØ (0, 6) = P0,6 (x > 4) + 0, 4269P0,6 (x = 4)
P0,4 (x = 4) = 0, 1382. = P0,4 (x ≤ 1) + 0, 4269P0,4 (x = 2)
Substitusikan nilai-nilai ini * diperoleh: = 0, 2333 + 0, 4269.0, 3110
0, 9590 − γ0, 1382 = 0, 95 ⇒ γ = 0.0651 = 0, 3660
Sehingga UMP tes untuk hipotesa ini adalah: Untuk α = 0, 2:


 1 ; jika x> c=4 Eθ0 Ø (x) = P0,4 (x > c) + γP0,4 (x = c) = 0, 2
Ø (x) = 0, 0651 ; jika x= 4 = 1 − P0,4 (x ≤ c) + γP0,4 (x = c) = 0, 2 (5.39)


0 ; bagi yang lain P0,4 (x ≤ c) − γP0,4 (x = c) = 0, 8
Power of the tes di 0,6 adalah: Dari tabel distribusi binomial pada n = 6; θ0 = 0, 4 diperoleh un-
tuk c = 3, maka P0,4 (x ≤ 3) = 0, 8208. Jadi P0,4 (x = 4) = 0, 2765.
βØ (0, 6) = P0,6 (x > 4) + 0, 0651P0,6 (x = 4) Substitusikan nilai-nilai ke *** diperoleh:
= P0,4 (x ≤ 1) + 0, 0651P0,4 (x = 2) 0, 8208 − γ.0, 2765 = 0, 8 ⇒ γ = 0, 0752.
= 0, 2333 + 0, 0651.0, 3110 Sehingga UMP tes untuk hipotesa ini adalah:
= 0, 2535

Untuk α = 0, 1 
 1 ; jika x> 3
Ø (x) = 0, 0752 ; jika x= 3


Eθ0 Ø (x) = P0,4 (x > c) + γP0,4 (x = c) = 0, 1 0 ; bagi yang lain
= 1 − P0,4 (x ≤ c) + γP0,4 (x = c) = 0, 1 (5.38) Power of the tes di 0,6 adalah:
P0,4 (x ≤ c) − γP0,4 (x = c) = 0, 9
Dengan tabel distribusi binomial untuk n = 6; θ0 = 0, 4 βØ (0, 6) = P0,6 (x > 3) + 0, 0752P0,6 (x = 3)
diperoleh untuk c = 4, maka P0,4 (x ≤ 4) = 0, 9590. Jadi = P0,4 (x ≤ 2) + 0, 0752P0,4 (x = 3)
P0,4 (x = 4) = 0, 1382. = 0, 5443 + 0, 0752.0, 2765
Substitusikan nilai-nilai ke ** diperoleh: = 0, 5651
0, 9590 − γ.0, 1382 = 0, 9 ⇒ γ = 0, 4269. 15. Misalkan x1 , x2 , ...., xn variabel random berdistribusi ekspo-
Sehingga UMP tes untuk hipotesa ini adalah: nensial dengan parameter lokasi θdan densitas f (x | θ) =
 exp {− (x − θ)} θ ≤ x < ∞. Tentukan UMP tes untuk

 1 ; jika x> 4
H0 : θ ≤ θ30 VS H1 : θ ≤ θ0
Ø (x) = 0, 4269 ; jika x= 4

 Penyelesaian:
0 ; bagi yang lain
Power of the tes di 0,6 adalah: f (xi | θ) = e−(xi −θ)
• ;θ ≤ x < ∞
f (x | θ) = e−(xi −θ) I(θ,∞) x(i)
dan densitas bersamanya adalah:
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) .
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
1−β = P (tidak menolak H0 | H0 salah)

1 − 0, 9 = P (Σx ≤ c)
17. Soal Buku Roussas no 4 halaman 313. Misalkan x1 , x2 , ...., xn random
0, 1 = P Σx−n√ ≤ c−n
√
variabel berdistribusi N (µ, σ 2 )dengan µtidak diketahui dan n n
√
c
σdiketahui. Ingin dilakukan uji hipotesa H0 : µ = 0 VS H1 : 0, 1 = P Z ≤ √n − n
√
µ = 1Untuk α = 0, 05, β = 0, 9, dan σ = 1. Tentukan ukuran dari 0, 1 = Ø √cn − n
sampel n. Dari tabel distribusi N (0, 1)didapat:
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:
busi dengan p.d.f segitiga pada [0, 1]sebut f1 , yaitu:

− 1 Σ100 (x −3,5)2
2(4) i=1 i
f (x|µ=3,5) (2π(4))−50 .e
f (x|µ=3)
= − 1 Σ100 (x −3)
2 
(2π(4))−50 .e 2(4) i=1 i 
 4x ; 0 ≤ x < 12
− 81 [(Σx2i −7Σx+(3,5)2 (100))−(Σx2i −6Σx+(9)(100))]
= e f1 = 4 − 4x ; 12 ≤ x ≤ 1
1 

= e− 8 [−Σx+325] 0 ; yang lain
325 Σx
= e− 8 + 8
Berdasarkan satu observasi x, konstruksikan MP tes untuk hipotesis
325
+ Σx
H0 akan ditolak jika:e− 8 8 > k yaitu: H0 : f = f0 VS H1 : f = f1 dengan tingkat signifikansi α = 0, 05.
Penyelesaian:
Σx 325
8
− 8
> Logk H0 : f = f0 VS H1 : f = f1
325

⇔ Σx > 8 Logk + 8
= c Lueman Neymaman-Pearson memberikan:
Σx c
(5.42) 
⇔ 100
> 100
= c∗  4x ; 0 ≤ x < 12

⇔ x > c∗ f (x|f1 )
= 4 − 4x ; 12 ≤ x ≤ 1
f (x|f1 ) 
∗ 
Dimana c dapat dihtung berdasarkan tingkat α = 0, 01dan dsitribusi 0 ; yang lain
N (µ = 3, σ 2 = 2)(dibawah H0 ), yang memenuhi hubungan: Terlihat bahwa ratio ini untuk 0 ≤ x ≤ 12 fungsi λmemotong naik
dan pada 21 ≤ x ≤ 1merupakan fungsi dari x yang memotong turun.
∗
α = P (x > c ) Dengan demikian H0 akan ditolak jika:
⇔ 0, 01 = P (x > c∗ )
∗
⇔ 0, 99 = P (x ≤ c ∗) 4x < C1 atau 4x − 4 > cC2
x−3 c −3
⇔ 0, 99 = P 210 ≤ 210
Yang ekivalen dengan:
c∗ −3
⇔ 0, 99 = P Z ≤ 210
∗
c −3
⇔ 0, 99 = Ø 210 x < C1∗ atau x > C2∗
Berdasarkan distribusi N (0, 1)didapat: Dengan C1∗ dan C2∗ dapat dihitung berdasarkan tingkat signifikansi
α = 0, 05dan distribusi uniform yang memenuhi:
c∗ −3 2
210
= 2, 33 ⇒ c∗ = 10
(2, 33) + 3
⇒ c∗ = 3, 466 α α
P (x < C1∗ ) = atau P (x < C2∗ ) =
2 2
Dari 1 telah didapat, H0 ditolak jika: R C1∗ 0,05
⇒ 1dx = ⇒ C1∗ = 0, 025 atau
R01 2
0,05
x > c∗ C ∗ 1dx = 2
⇒ 1 − C2∗ = 0, 025 ⇒ C2∗ 0, 975
2
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
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 .
• Keluarga distribusi {g (t, θ) , θǫΩ}adalah keluarga MLR, sebab

untuk θ > θ1 1 − F (t) = [P (x > t)]n
R ∞ −(x−θ) n
f (x|θ) eΣxi +nθ = e dx
f (x|θ1 )
= eΣxi +nθ1 t

−t θ n
= n(θ−θ1 )
e ∗
, θ = θ1 = e .e
= enθ I(θ∗ ,∞) (x(i) )
∗
F (t) = 1 − enθ e−nt
Ratio ini adalah fungsi monoton naik dalam x(i) = f (t) = F ′ (t)
enθ e−nt
Min (x1 , x2 , ...., xn ) = n
e−n(t−θ)
= n
;t ≥ e
Sehingga c0 dihitung berdasarkan hubungan :
Z ∞
1 −n(t−θ0 )
e dt = α
t n
• Selanjutnya T (x) = x(i) = Min (x1 , x2 , ...., xn )adalah statistik

cukup untuk θsebab: 22. Jika x ∼ B (n, θ), misalkan Ø (x) adalah uji UMP untuk H0 : θ ≤
θ0 VS H1 : θ > θ0 . Untuk n = 6 , θ0 = 0, 25, dan α = 0, 05 ; 0, 01 ; 0, 02.
f (x | θ) = eΣxi +nθ , θ < xi < ∞; θ < x(i) ≤ x(n) < ∞
Tentukan uji bersama-sama dengan β (θ) fungsi kuasa untuk θ0 =
= eΣx ene I(θ,∞) x(i)
0, 3 , θ0 = 0, 25 , dan θ0 = 0, 5.
Bersarkan teorema faktorisasi didapat:
Penyelesaian: !
T (x) = x(i) = Min (x1 , x2 , ...., xn ) n
x ∼ B (n, θ) ⇒ f (x | θ) = θx (1 − θ)n−x , x = 0, 1, 2...H0 : θ ≤
x
Adalah statistik cukup untuk θ θ0 VS H1 : θ 0
> θ0 1
Selanjutnya berdasarkan teorema Karlin-Rubin dapat dikon- B n C n−x
@ Aθ1x (1−θ1 )
struksi UMP test untuk hipotesis: f (x|θ) x
f (x|θ1 )
= 0 1 , untuk θ1 > θ0
B n C x n−x
@ Aθ0 (1−θ0 )
H0 : θ ≤ θ0 , H1 : θ ≤ θ0 x
x nx
θ1 1−θ1
Kaerna keluarga distribusi {g (t, θ) , θǫΩ}adalah MLR dari = θ0 1−θ0

f (x|θ)
T (x) = x(i) dan T (x)adalah statistik cukup untuk θ, maka Log xLog θθ10 + (n − x) Log 1−θ
f (x|θ1 )
= 1−θ1
0

berdasarkan teorema Karlin-Rubin terdapat c0 yang menolak (1−θ1 )
= x Log θθ01 − Log (1−θ 1−θ1
+ Log 1−θ
0) 0
H0 bhb T > c0 merupakan UMP taraf αdengan : α = Pθ0 (T > c0 )
Sehingga untuk: Log ff(x|θ
(x|θ)
1)
> Log k
Dengan kata lain, untuk H0 : θ ≤ θ0 , H1 : θ ≤ θ0 terdapat uji
Ekivalen dengan: “ ”
UMP taraf α, yang menolak H0 jika x(i) > c0 dengan c0 dapat Logk−nLog
1−θ1
ditentukan berdasarkan tingkat signifikansi αyang diberikan x > c∗0 = (θ )

“1−θ0 ”
1−θ1
Log (θ1 ) −Log 1−θ0
0
dan distribusi dari x(i) yang memenuhi Pθ0 (T > c0 ) = αkarena: UMP tes memberikan:
 • 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
• 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.
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
9. Misalkan X1, X2 , ..., X10 sampel random berukuran 10 dari distribusi

14. Dua sampel random yang independen masing-masing berukuran n
normal n(0, σ 2 ). Tentukan daerah kritik terbaik ukuran α = 0, 05 un-
dari dua disribusi. Kita tolak H0 : θ = 0 dan terima H0 : θ > 0 jika
tuk uji H0 : σ 2 = 1 lawan H1 : σ 2 = 2. Apakah ini merupakan daerah
dan hanya jika x − y ≥ c. jika K(θ) adalah kekuatan fungsi dari uji
kritik terbaik ukuran 0,05 untuk uji H0 : σ 2 = 1 lawan H1 : σ 2 = 4?
ini tentukan n dan c sehingga K(0) ∼
= 0, 05 dan K(10) ∼
= 0, 09.
lawan H1 : σ 2 = 1?
′
15. Dalam contoh 5 diatas, H0 : θ = θ dengan θ′ bilangan tertentu dan
10. Jika X1, X2 , ..., Xn adalah sampel random dari distribusi yang mem- H1 : θ < θ′ , perlihatkan bahwa himpunan
punyai f.k.p dari bentuk f (x; θ) = θxθ−1 ; 0 < x < 1 dan 0 untuk yang
( n
)
X
lain. Perlihatkan bahwa daerah kritik terbaik untuk ujiH1 : θ = 1 (x1 , x2 , ..., xn ) : x2i ≥ c (5.49)
n
lawan H1 : θ = 2 adalah C = (x1 , x2 , ..., xn ) ; c ≤Πi=1 xi i=1
adalah daerah kritik paling kuat seragam uji H0 lawan H1 .

11. Misalkan X1, X2 , ..., X10 sampel random dari distribusi n(θ1 , θ2 ). Ten-
′
′
tukan uji terbaik dari hipotesis sederhana H0 : θ1 = θ1 = 0, θ2 = θ2 =
′
16. Dalam contoh 6 , H0 : θ = θ dengan θ′ bilangan tertentu dan H1 :
′
′′ ′′
1 lawan hipotesis alternatif H1 : θ1 = θ1 = 1, θ2 = θ2 = 4 θ 6= θ , perlihatkan bahwa tidak ada uji paling kuat seragam untuk
uji H0 lawan H1 .
12. Misalkan X1, X2 , ..., Xn sampel random dari distribusi normal
17. Misalkan X1, X2 , ..., X25 sampel random berukuran 25 dari distribusi
n(θ, 100). Perlihatkan bahwa C = {(x1 , x2 , ..., xn ); c ≤ x}adalah da-
normal n(θ, 100). Tentukan daerah kritik paling kuat seragam dari
erah kritik terbaik untuk uji H0 : θ = 75 lawan H1 : θ = 78 Tentukan
ukuran α = 0, 01 untuk uji H0 : θ = 75 lawan H1 : θ > 75
n dan c sehingga
18. Misalkan X1, X2 , ..., Xn sampel random darid istribusi normal
P [(X1, X2 , ..., Xn ) ∈ C; H0 ] = P (x ≥ c; H0 ) = 0, 05 (5.46) n(θ, 16). Tentukan sampel berukuran n dan uji paling kuat seragam
dari H0 : θ = 25 lawan H1 : θ < 25 dengan kekuatan fungsi K(θ)
dan
sehingga K(25) ∼= 0, 10 dan K(23) ∼
= 0, 90.
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
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
20. Dalam n percobaan binomial dengan parameter p akan diuji
H0 : p = 1/2, lawan H1 : p 6= 1/2 (5.50)
Tunjukkan bahwa daerah kritik uji rasio likelihood adalah
x ln x + (n − x) ≥ k (5.51)
dengan x menyatakan banyak sukses.
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.
22. Suatu sampel random yang berukuran n digunakan untuk menguji

hipotesis nol dari populasi eksponensial dengan parameter θ sama
dengan θ0 lawan hipotesis alternatif tidak sama θ0 . Tunjukkan daerah
kritik uji rasio likelihood adalah
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
Daftar Pustaka
1. Billingsley, P. (1979) Probability and Measure, John Wiley &

Sons,USA
2. Dudewicz E.J. & Mishra, S.N.(1988) Modern Mathematical Statisti-

cs,John Wiley & Sons, Inc. Singapore
3. Lehmann, E.L. (1983) Theory of Point Estimation, John Wiley & Sons,
Inc. USA
4. Nar Herrhyanto (2003) Statistika Matematis Lanjutan, CVPustaka

Karya, Bandung
5. Papoulis,A & Pillai S. Unnikrishna, (2002) Probability, Random Vari-

ables, And Stochastic Processes, Mc Graw Hill, Inc, Singapore
6. Rohatgi,V.K. (1976) An Introduction to Probability Theory and Ma-

thematical Statistics, John Wiley & Sons, USA
7. Roussas G.G. (1973) A First Course in Mathematical Statistics,

Addison-Wesley Publishing Company, Inc. USA
8. Subanar (1994) Suplemen Teori Peluang, Fakultas MIPA UGM, Yo-

gyakarta
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)
Bab 5. Daftar Pustaka 196 ISBN 978-602-8310-02-4

Ebook-Statmat2 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ebook-Statmat2 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Kata Pengantar

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa

akhir bab juga disajikan rangkuman, soal-soal dengan pembahasannya,

2 Konvergensi Variabel Random 25

ii ISBN 978-602-8310-02-4 iii

2.3.3 Jenis-Jenis Konvergensi Variabel Random . . . . . . . 28 4 Estimasi Interval 113

3 Estimasi Titik 51 4.3.2.1 Inversi Uji Statistik . . . . . . . . . . . . . . 117

3.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 51 4.3.2.2 Besaran Pivot . . . . . . . . . . . . . . . . . 118

3.3.3.1 Galat Kwadrat Rata-Rata . . . . . . . . . . . 67 5.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 135

3.3.3.2 Estimator Terbaik . . . . . . . . . . . . . . . 70 5.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 135

3.3.3.3 Teorema Batas Bawah Cramer-Rao . . . . . 71 5.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

iv ISBN 978-602-8310-02-4 v ISBN 978-602-8310-02-4

5.3.3.2 Uji Paling Kuat (Most Powerfull Test) . . . . . 144

Daftar Pustaka 195 Distribusi Pendekatan

1.1 Standar Kompetensi

Memahami konsep dasar distribusi pendekatatan suatu barisan variabel

1.2 Indikator Hasil Belajar

1. Menjelaskan konsep dasar distribusi pendekatatan suatu variabel

2. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-

3. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-

4. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-

5. Memecahkan masalah yang berkaitan dengan distribusi pendekatan

1.3 Uraian Materi P embahasan

Jadi Misalkan X mempunyai fungsi distribusi berbentuk:

Fungsi distribusi dari Yn adalah: misalkan:

R nθ Rz Misalkan variabel random Yn mempunyai fungsi distribusi Fn (y) dan

K(z) = 0 ; z<0 Jawab :

bagaimana fungsi pembangkit momen dapat digunakan dalam menen-

bebasan = n. Jika variabel random Yn = (Z√n2n

Jawab : r " r #2 " r #3

= 0 ; lainnya M(t; n) = 1 + t n2 + 12 t n2 + 16 t n2 + ...−

Misalkan: u = zn ((1/2) − t) ; du = ((1/2) − t)dzn h q i−n/2

Dalam hal ini, kita menyelesaikannya dengan menggunakan distr- = pet + q

T eorema : Jika X1 + X2 + ... + Xn adalah n buah variabel random dengan :

(ii)Var (X) = p(1 − p)

(ii)Var (Y ) = np(1 − p) = 100.1/2(1 − 1/2) = 25 Jawab :

5. Misalkan Xn menunjukkan rerata dari sampel acak berukuran n

f (x) = e−x ; x>0

(a) Perlihatkan bahwa fungsi pembangkit momen dari:

f (x) = 3x2 ; 0 < x < 1

3. Menurunkan teorema-teorema dan sifat-sifat konvergensi barisan

4. Menggunakan teorema dan sifat-sifat konvergensi barisan variabel

Bab 1. Distribusi Pendekatan 24 ISBN 978-602-8310-02-4 25

2.3 Uraian Materi 2.3.2 Barisan Variabel Random

Masalah fundamental dalam teori kemungkinan adalah bagaimana me-

Untuk meningkatkan keakuratan hasil pengukuran terhadap m tersebut

m. random Xn , kita katakan Xn konvergen ke X dalam distribusi dan ditulis

T eorema Kekontinuan Levy :

Dari hasil ini didapat, misalnya untuk n = 10,maka probabilitas x terletak

Misalnya X1 , X2 , ..., Xn adalah barisan variabel random yang didefinisikan

Fungsi kepadatan peluang dari X adalah: Jadi Yn −

1 Contoh Diketahui barisan fungsi distribusi

Limn→∞ P [|Zn − Z| ≥ ε] = 0 (2.16)

1. Tentukan disribusi penndekatan dari Un .

q disribusi normal standar. Jadi distribusi pendekatan dari Un adalah

1 Misalkan dibentuk variabel random Yn = max(X1 , X2 , ...,Xn ), Tun-

Karena ada t sehingga M(t) = ∞, maka M(t) bukan fpm. Misal

6. Diketahui X = mean sampel random berukuran 75 dari distribusi dan  1/2

9. Buktikan teorema limit pusat berikut: Jika X1 , ..., Xn ∼ (µ, σ 2 ), σ > 0

17. Diketahui Zn berdistribusi χ2 (n) dan Wn = Zn /n2 . Tentukan limit

18. Misalkan Z berdistribusi χ2 (50). Tentukan P (40 < x < 60)

19. Misalkan P = 0, 95 probabilitas bahwa seorang laki-laki dalam suatu

20. Diketahui variabel random Zn mempunyai distribusi poisson de-

6. Diketahui X = mean sampel random berukuran 75 dari distribusi dan 1/2

Z z n (a) Tentukan momen estimator untuk θ