Catatan Kuliah

MA3081 STATISTIKA MATEMATIKA

“We love Statistics”

disusun oleh
Khreshna I.A. Syuhada, MSc. PhD.

Kelompok Keilmuan STATISTIKA - FMIPA

Institut Teknologi Bandung
2013
Daftar Isi

1 Peubah Acak dan Fungsi Distribusi 1

1.1 Fungsi Distribusi . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Unsur Peluang . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Ekspektasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Distribusi Bivariat . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Distribusi Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Fungsi Pembangkit Momen . . . . . . . . . . . . . . . . . . . . 10

2 Distribusi Sampel 1
2.1 Pengantar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2 Sampel Acak . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.3 Likelihood . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.4 Distribusi Sampel . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.5 Statistik Terurut . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.6 Statistic Cukup . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.7 Teorema Limit Pusat . . . . . . . . . . . . . . . . . . . . . . . . 8

i
BAB 1

Peubah Acak dan Fungsi

Distribusi

1.1 Fungsi Distribusi

Definisi:
Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah

FX (x) = P (X ≤ x)

Contoh:
1. Misalkan X ∼ Bin(3, 0.5), maka fungsi distribusi F (x) adalah...
2. Misalkan X peubah acak dengan ‘support’ S = [a, b], b > 0. Misalkan
peluang X akan berada di selang S proporsional terhadap panjang se-
lang. Dengan kata lain,

P (x1 ≤ X ≤ x2 ) = λ (x2 − x1 ),

untuk a ≤ x1 ≤ x2 ≤ b. Untuk menentukan λ, misalkan x1 = a dan

x2 = b. Maka,

P (a ≤ X ≤ b) = 1 = λ (b − a) ⇒ λ = 1/(b − a)

Fungsi distribusinya adalah...

Peubah acak X dikatakan berdistribusi Uniform, X ∼ U (a, b).

Sifat-sifat fungsi distribusi:

• F (−∞) = 0 dan F (∞) = 1

1
 • F merupakan fungsi tidak turun; F (a) ≤ F (b) untuk a ≤ b

• F adalah fungsi kontinu kanan; limϵ→0+ F (x + ϵ) = F (x)

Misalkan X peubah acak dengan fungsi distribusi F (x).

• Jika b ≥ a, maka P (a < X ≤ b) = F (b) − F (a)

• Untuk setiap x, P (X = x) = limϵ→0+ P (x − ϵ < X ≤) = F (x) − F (x−)

(Perhatikan notasi F (x−) dan kasus apabila fungsi distribusi kontinu
kiri)

Definisi:
Distribusi dari peubah acak X dikatakan KONTINU jika fungsi distribusi dis-
etiap x kontinu dan fungsi distribusi tersebut dapat diturunkan.

Misalkan X peubah acak kontinu dengan fungsi distribusi FX (x).

• Misalkan g(X) fungsi naik satu-satu kontinu. Untuk y yang berada di
daerah hasil dari g, fungsi invers x = g −1 (y) ada. Misalkan Y = g(X).
Fungsi distribusi dari Y adalah...

• Misalkan g(X) fungsi turun satu-satu kontinu. Untuk y yang berada di

daerah hasil dari g, fungsi invers x = g −1 (y) ada. Misalkan Y = g(X).
Fungsi distribusi dari Y adalah...

• Misalkan X ∼ U (0, 1) dan Y = g(X) = hX + k, h < 0. Maka

X = g −1 (Y ) = · · ·

FX (x) = · · ·
FY (y) = · · ·
Y ∼ ···

Latihan:
1. Misalkan X peubah acak kontinu yang memiliki fungsi distribusi FX (x)
yang naik murni. Misalkan Y = FX (X). Tentukan distribusi dari Y .

2. Misalkan U peubah acak berdistribusi U (0, 1). Misalkan FX (x) fungsi

distribusi yang naik murni dari X. Tentukan fungsi distribusi dari peubah
acak FX−1 (U ).

3. Misalkan U1 , U2 , . . . , Un sampel acak dari U (0, 1). Bangkitkan sampel

acak dari FX (x) (ambil contoh misalnya untuk FX (x) = 1 − e−λ x , x > 0)

MA3081 Stat.Mat. 2 K. Syuhada, PhD.

Misalkan X peubah acak kontinu dengan fungsi distribusi FX (x). Misalkan
Y = g(X) fungsi kontinu tidak monoton. Kita ketahui bahwa pada fungsi
yang monoton,

FY (y) = P (Y ≤ y) = P (g(X) ≤ y)

dimana dalam hal ini setiap solusi inverse x = g −1 (y) digunakan untuk menen-
tukan FY (y) dengan menggunakan FX (g −1 (y)). Untuk X ∼ U (−1, 2) dan
g(X) = Y = X 2 , kita dapatkan fungsi distribusi dari Y :

FY (y) = · · ·

1.2 Unsur Peluang

Misalkan X peubah acak kontinu, △x bilangan positif kecil. Definisikan

h(a, b) =def P (a ≤ X ≤ a + b) = FX (a + b) − FX (a)

Untuk h(x, △x) = P (x ≤ X ≤ x + △x), maka deret Taylor-nya disekitar

△x = 0 adalah

h(x, △x) = F (x + △x) − F (x)

d 
= h(x, 0) + h(x, △x) △x=0 △x + o(△x)
d△x
=
=

dimana
o(△x)
lim =0
△x→0 △x

Fungsi
[ ]
d
dF (x) = F (x) △x
dx

disebut DIFERENSIAL. Dalam statistika, diferensial dari fungsi distribusi

adalah UNSUR PELUANG (yang merupakan pendekatan terhadap h(x, △x)).
d
Unsur peluang adalah fungsi linier dari dx F (x).

MA3081 Stat.Mat. 3 K. Syuhada, PhD.

Contoh:
Misalkan F (x) = 1 − e−3x untuk x ≥ 0. Apakah F (x) suatu fungsi distribusi?
Hitung unsur peluang di x = 2. Cari pendekatan untuk P (2 ≤ X ≤ 2.01).

Densitas rata-rata pada selang (x, x + △x) didefinisikan:

P (x ≤ X ≤ x + △x)
Density rata-rata =def
△x

Sedangkan fungsi densitas peluang atau fungsi peluang (f.p) di x adalah limit
densitas rata-rata saat △x → 0:

P (x ≤ X ≤ x + △x)
f.p = f (x) =def lim
△x→0 △x
=
=
d
= F (x)
dx
Catatan: Unsur peluang dituliskan sebagai dF (x) = f (x)△x.

Sifat-sifat fungsi peluang:

• f (x) ≥ 0 untuk semua x
∫∞
• −∞ f (x) = 1

Hubungan antara fungsi peluang dan fungsi distribusi:

d
f (x) = F (x)
dx
∫ x
F (x) = f (u)du
−∞
∫ b
P (a < X < b) = ... = ... = ... = F (b) − F (a) = f (x)dx
a

Latihan:
1. Misalkan λ bilangan riil positif. Jika F (x) = 1 − e−λx , maka f (x) = · · ·
2. Jika X ∼ U (a, b) maka F (x) = · · · dan f (x) = · · ·
3. *Misalkan f (x) = c/(1 + x2∫) untuk −∞ < x < ∞ dan c konstanta.
∞
Fungsi f (x) tak negatif dan −∞ (1 + x2 )−1 dx = π. Berapa nilai c agar
f (x) menjadi fungsi peluang? Tentukan fungsi distribusinya.

MA3081 Stat.Mat. 4 K. Syuhada, PhD.

Misalkan X peubah acak kontinu dengan fungsi peluang f (x) dan Y = g(X)
fungsi yang terdiferensial bernilai tunggal. Maka fungsi peluang dari Y :
 
 d −1 
fY (y) = fX (g (y))  g (y)
−1
dy

untuk ‘support’ Y = g(X). Komponen

d −1
J(y) = g (y)
dy
adalah transformasi Jacobian.

Misalkan g(x) memiliki lebih dari satu fungsi invers maka unsur peluang yang
terpisah harus dihitung untuk setiap fungsi invers. Contoh, misalkan X ∼
U (−1, 2) dan Y = g(X) = X 2 . Maka untuk y ∈ [0, 1], terdapat 2 fungsi invers
yaitu · · · , dan satu fungsi invers untuk y ∈ (1, 4] yaitu · · · . Fungsi peluang
dari Y adalah

f (y) = · · ·

1.3 Ekspektasi

Misalkan X peubah acak dengan fungsi peluang f (x). Nilai harapan atau
ekspektasi dari X, jika ada, adalah
∫ ∞
E(X) = µX = f (x)dx
−∞

Catatan: nilai ekspektasi dikatakan ada jika nilai integral adalah hingga.

Misalkan X p.a. dengan f.p. f (x). Maka nilai harapan/ekspektasi dari g(X),
jika ada, adalah
∫ ∞
E[g(X)] = g(x)f (x)dx
−∞
.

Operator integral bersifat linier. Jika g1 (X) dan g2 (X) fungsi-fungsi yang
memiliki ekspektasi dan a, b, c konstanta, maka

E[ag1 (X) + bg2 (X) + c] = aE[g1 (X)] + bE[g2 (X)] + c

MA3081 Stat.Mat. 5 K. Syuhada, PhD.

Contoh/Latihan:

1. Jika distribusi X simetrik di sekitar c dan nilai harapannya ada maka

E(X) = c.

2. Misalkan X ∼ U (a, b). Tunjukkan bahwa distribusi tersebut simetrik

disekitar (a + b)/2.

3. Misalkan X berdistribusi Cauchy dengan fungsi peluang

1
f (x) = [ ],
(x−µ)2
σπ 1 + σ2

dengan µ, σ konstanta yang memenuhi |µ| < ∞ dan σ ∈ (0, σ). Tun-
jukkan bahwa fungsi peluang simetrik di sekitar µ namun ekspektasinya
bukanlah µ.

4. Misalkan X ∼ Exp(λ). Nilai harapan/ekspektasi dari X adalah...

1.4 Distribusi Bivariat

Suatu fungsi fX,Y (x, y) dikatakan fungsi peluang bivariat jika

• fX,Y (x, y) ≥ 0, untuk semua x, y

∫∞ ∫∞
• −∞ −∞ fX,Y (x, y) dx dy = 1

Jika fX,Y (x, y) fungsi peluang bivariat maka

∫ x ∫ y
FX,Y (x, y) = P (X ≤ x, Y ≤ y) = fX,Y (u, v) dvdu
−∞ −∞

Sifat-sifat fungsi distribusi bivariat:

1. FX,Y (x, ∞) = FX (x)

2. FX,Y (∞, y) = FY (y)

3. FX,Y (∞, ∞) = 1

4. FX,Y (−∞, y) = FX,Y (x, −∞) = FX,Y (−∞, −∞) = 0

∂2
5. fX,Y (x, y) = ∂x∂y
FX,Y (x, y)

MA3081 Stat.Mat. 6 K. Syuhada, PhD.

fX,Y (x, y)△x△y adalah unsur peluang bersama,

P (x ≤ X ≤ x + △x, y ≤ Y ≤ y + △y) = fX,Y (x, y)△x△y + o(△x△y)

Contoh/Latihan:

1. Jika (X, Y ) ∼ U (a, b, c, d) maka fX,Y (x, y) = · · ·

2. Untuk soal no 1 di atas, misalkan a = c = 0, b = 4, d = 6 maka

P (2.5 ≤ X ≤ 3.5, 1 ≤ Y ≤ 4) = · · ·

P (X 2 + Y 2 > 16) = · · ·

3. Jika fX,Y (x, y) = 6/5(x + y 2 ) untuk x ∈ (0, 1) dan y ∈ (0, 1). Tentukan
P (X + Y < 1).

Untuk menentukan fungsi peluang marginal, integralkan “peubah yang tidak

diinginkan”:
∫ ∞
fX (x) = fX,Y (x, y) dy
−∞
∫ ∞
fY (y) = fX,Y (x, y) dx
−∞
∫ ∞ ∫ ∞
fX,Y (x, y) = fW,X,Y,Z (w, x, y, z) dwdz
−∞ −∞

Pada fungsi peluang fX,Y (x, y) = 6/5(x + y 2 ) diperoleh

fX (x) = · · ·

fY (y) = · · ·
dan ekspektasi
∫ ∞ ∫ ∞
E(g(X, Y )) = E(X) = g(x, y) fX,Y (x, y) dx dy = · · ·
−∞ −∞

MA3081 Stat.Mat. 7 K. Syuhada, PhD.

1.5 Distribusi Bersyarat

Misalkan fX,Y (x, y) adalah fungsi peluang bersama, maka fungsi peluang Y ,
diberikan X = x, adalah

fX,Y (x, y)
fY |X (y|x) =def ,
fX (x)

asalkan fX (x) > 0.

Contoh: Misalkan X dan Y memiliki distribusi bersama

fX,Y (x, y) = 8xy, 0 < x < y < 1,

maka

fX (x) = · · ·

E(X r ) = · · ·
fY (y) = · · ·
E(Y r ) = · · ·
fX|Y (x|y) = · · ·
fY |X (y|x) = · · ·
E(X r |Y = y) = · · ·
E(Y r |X = x) = · · ·

Misalkan (X, Y ) adalah peubah acak berpasangan dengan fungsi peluang bersama
fX,Y (x, y). Pandang persoalan memprediksi Y setelah X = x terobservasi.
Prediktor dinotasikan sebagai ŷ(x). Prediktor terbaik didefinisikan sebagai
fungsi Ŷ (X) yang meminimumkan
[ ]2 ∫ ∞ ∫ ∞
E Y − Ŷ (X) = (y − ŷ(x))2 fX,Y (x, y) dydx
−∞ −∞

Prediktor terbaik adalah ŷ(x) = E(Y |X = x).

Contoh/Latihan:

1. Misalkan X dan Y memiliki distribusi bersama

fX,Y (x, y) = 8xy, 0 < x < y < 1,

MA3081 Stat.Mat. 8 K. Syuhada, PhD.

 maka

fY |X (y|x) = · · ·

ŷ(x) = · · ·

2. Misalkan (Y, X) berdistribusi normal bivariat dengan E(Y ) = µY , E(X) =

µX , V ar(Y ) = σY2 , V ar(X) = σX
2
, Cov(X, Y ) = ρX,Y σX σY . Distribusi
bersyarat Y , diberikan X, adalah

(Y |X = x) ∼ · · ·

3. Tunjukkan bahwa
[ ]
EX fY |X (y|X) = fY (y)

4. Buktikan
{ [ ]} [ ]
EX E h(Y )|X = E h(Y )

5. Buktikan
[ ] [ ]
V ar(Y ) = EX V ar(Y |X) + V ar E(Y |X)

6. Misalkan X dan Y memiliki distribusi bersama

3y 2
fX,Y (x, y) = , 0<y<x<1
x3
Maka

fY (y) = · · ·

E(Y r ) = · · · , E(Y ) = · · · , V ar(Y ) = · · ·

fX (x) = · · ·
fY |X (y|x) = · · ·
E(Y r |X = x) = · · · , E(Y |X = x) = · · · , V ar(Y |X = x) = · · ·
V ar(E(Y |X)) = · · ·
E(V ar(Y |X)) = · · ·

MA3081 Stat.Mat. 9 K. Syuhada, PhD.

1.6 Fungsi Pembangkit Momen

Misalkan X peubah acak kontinu, fungsi pembangkit momen dari X adalah

∫ ∞
tX
MX (t) = E(e ) = etx f (x)dx,
−∞

asalkan ekspektasi ada untuk t disekitar 0. Jika semua momen dari X tidak
ada, maka fungsi pembangkit momen juga tidak ada. Fungsi pembangkit
momen berkaitan dengan fungsi pembangkit peluang

MX (t) = GX (et )

asalkan GX (t) ada untuk t disekitar 1. Jika MX (t) adalah fungsi pembangkit
peluang maka MX (0) = 1.

Contoh/Latihan:

1. Jika fX (x) = λe−λx I0,∞ (x), maka

MX (t) = · · ·

2. Jika MX (t) ada maka

Ma+bX (t) = · · ·

3. Jika
∑ Xi , i = 1, . . . , n saling bebas, MXi (t) ada untuk setiap i, dan S =
Xi , maka

MS (t) = · · ·

4. Fungsi pembangkit momen bersifat unik. Setiap distribusi memiliki

fungsi pembangkit momen yang unik, dan setiap fungsi pembangkit
momen berkorespondensi dengan tepat satu distribusi. Akibatnya, jika
fungsi pembangkit momen ada maka fungsi pembangkit momen tersebut
secara unik menentukan distribusinya. Beri contoh.

5. Pandang turunan dari MX (t) yang kemudian dievaluasi di t = 0. Apa

yang dapat anda katakan? Dapatkah kita mendapatkan momen orde
tinggi?

6. Dapatkah hasil diatas digunakan untuk distribusi diskrit? Ambil contoh

distribusi Geometrik dengan parameter p.

MA3081 Stat.Mat. 10 K. Syuhada, PhD.

 7. Misalkan Y ∼ U (a, b). Gunakan fungsi pembangkit momen untuk men-
dapatkan momen pusat
(( )r )
a+b
E((Y − µY ) ) = E
2
Y −
2

MA3081 Stat.Mat. 11 K. Syuhada, PhD.

BAB 2

Distribusi Sampel

2.1 Pengantar
• Parameter adalah suatu karakteristik dari populasi
• Statistik adalah suatu karakteristik dari sampel
• Statistik adalah fungsi dari sampel;

T = g(X1 , X2 , . . . , Xn ).
2
Fungsi T adalah peubah acak; contoh T = X̄ atau T = SX .
• Distribusi sampel adalah distribusi dari statistik; distribusi sampel dari
X̄ adalah distribusi dari X̄.

2.2 Sampel Acak

Misalkan X1 , X2 , . . . , Xn sampel acak berukuran n (random sample of size n).

Fungsi peluang n-variat nya adalah
∏
n
fX1 ,X2 ,··· ,Xn (x1 , x2 , . . . , xn ) = fXi (xi )
i=1

Contoh/Latihan:
1. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi Eksponensial den-
gan parameter θ. Fungsi peluang n-variatnya adalah...
2. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi Uniform pada selang
(a, b). Fungsi peluang n-variatnya adalah...

1
2.3 Likelihood

Misalkan fungsi peluang n-variat bergantung pada parameter yang tidak dike-
tahui θ. Fungsi peluang tersebut ditulis sebagai

fX1 ,X2 ,...,Xn (x1 , . . . , xn |θ1 , . . . , θk )

atau

fX (x|θ)

Contoh/Latihan:

1. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi N (µ, σ 2 ). Fungsi

peluang n-variat yang bergantung pada parameternya ditulis sebagai...

Definisi
Fungsi likelihood adalah ukuran yang menyatakan sebarapa sering nilai θ,
diberikan bahwa x telah terobservasi. Fungsi likelihood BUKAN suatu pelu-
ang. Fungsi likelihood diperoleh dengan (i) menukar peran θ dan x dalam
fungsi peluang n-variat, dan (ii) membuang suku yang tidak bergantung pada
θ. Notasi:

L(θ) = L(θ|x) ∝ fX (x|θ)

Contoh/Latihan:

1. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi Eksponensial den-

gan parameter θ. Fungsi likelihoodnya adalah...

function likefunction;

% this function calculates the likelihood function of distribution

%
% created by K Syuhada, 25/2/2013

clear
clc

n = input(’n = ’); % size of random sample

MA3081 Stat.Mat. 2 K. Syuhada, PhD.

 % data
x = exprnd(0.5,n,1);
sumx = sum(x);

% parameter of exponential distribution

lambda = 0.5:0.05:5;

for i = 1:length(lambda)
L(i) = (lambda(i)^n)*exp(-lambda(i)*sumx);
end

plot(lambda,L)

2. Misalkan X1 , X2 , . . . , Xn sampel acak dari distribusi Uniform pada selang

(π, b). Fungsi likelihoodnya adalah...

Prinsip Likelihood
Jika dua percobaan, yang melibatkan model dengan parameter θ, memberikan
likelihood yang sama, maka inferensi terhadap θ haruslah sama.

Ilustrasi
Pandang percobaan 1 dimana sebuah koin dilantunkan sebanyak n kali secara
bebas. Misalkan p adalah peluang muncul MUKA dan X peubah acak yang
menyatakan banyaknya MUKA yang muncul. Fungsi peluang dari X adalah...
Untuk n = 20, X = 6, fungsi likelihoodnya adalah...

Pandang percobaan 2 dimana sebuah koin dilantunkan hingga diperoleh MUKA

sebanyak 6 kali secara bebas. Misalkan Y peubah acak yang menyatakan
banyaknya lantunan yang dibutuhkan agar diperoleh enam MUKA. Fungsi
peluang dari y adalah... Misalkan sukses ke-6 terjadi pada lantunan ke-20.
Fungsi likelihoodnya adalah...

Dari 2 percobaan diatas, misalkan kita ingin melakukan uji hipotesis:

H0 : p = 0.5 versus H0 : p < 0.5

Nilai signfikansinya atau p-value adalah...

2.4 Distribusi Sampel

Misalkan X1 , X2 sampel acak berukuran 2 dari distribusi Bernoulli dengan

parameter sukses p. Misalkan Y = X1 + X2 . Kita akan menentukan distribusi

MA3081 Stat.Mat. 3 K. Syuhada, PhD.

peluang Y (gunakan konsep peluang total),

P (Y = y) = P (X1 + X2 = y)
∑y
= P (X1 + X2 = y|X2 = y − x1 )P (X2 = y − x1 )
x1 =0
∑ y
= P (X1 = x1 |X2 = y − x1 )P (X2 = y − x1 )
x1 =0
∑ y
= P (X1 = x1 )P (X2 = y − x1 )
x1 =0
∑ y
= px1 (1 − p)1−x1 py−x1 (1 − p)1−(y−x1 ) , y = 0, 1, 2,
x1 =0

dengan pangkat dari p dan/atau (1 − p) bernilai positif.

Perhatikan bahwa jika kita mempunyai peubah acak, sebut Y , berdistribusi

Binomial dengan parameter (2, p) maka fungsi peluangnya adalah

P (Y = y) = Cy2 py (1 − p)2−y , y = 0, 1, 2

yang memberikan distribusi peluang sama dengan sebelumnya.

Misalkan X1 ∼ B(1, p). Fungsi pembangkit momen untuk X1 adalah

MX1 (t) = E(etX1 ) = pet + (1 − p).

Misalkan X2 berdistribusi identik dan saling bebas dengan X1 . Misalkan Y =

X1 + X2 ,

MY (t) = MX1 +X2 (t) = E(etX1 )E(etX2 )

( )2
= pet + (1 − p)

yang merupakan f.p.m untuk distribusi Binomial dengan parameter (2, p).

Diskusi:
Selidiki sifat distribusi jumlah n peubah acak saling bebas dan berdistribusi
Poisson dengan parameter λ.

Misalkan X1 , X2 , . . . , Xn sampel acak berukuran n dari distribusi Poisson den-

gan parameter λ. Peubah acak Xi , i = 1, . . . , n saling bebas dan berdistribusi

MA3081 Stat.Mat. 4 K. Syuhada, PhD.

identik dengan fungsi peluang n-variat:
∏n
e−λ λxi e−nλ λy
P (X = x) = = ∏n ,
i=1
xi ! i=1 xi !
∑ ∑
dengan y = xi . Dapat ditunjukkan juga Y = Xi cukup. Distribusi
sampel dari Y adalah

e−nλ (nλ)y
fY (y|θ) = .
y!

Diskusi:
Bagaimana distribusi peluang untuk Y = X1 + X2 jika Xi saling bebas dan
berdistribusi (identik) kontinu?

Misalkan Xi , i = 1, 2 p.a kontinu yang saling bebas dan berdistribusi identik

dengan fungsi distribusi F . Misalkan Y = X1 + X2 ,

FY (y) = P (Y ≤ y) = P (X1 + X2 ≤ y)
= P (X1 ≤ y − X2 )
∫ ∞ ∫ y−x2
= fX1 ,X2 (x1 , x2 ) dx1 dx2
−∞ −∞
∫ ∞ ∫ y−x2
= fX1 (x1 ) dx1 fX2 (x2 ) dx2
−∞ −∞
∫ ∞
= FX1 (y − x2 ) fX2 (x2 ) dx2
−∞

Fungsi peluangnya adalah

fY (y) = fX1 +X2 (y)

∫ ∞
d
= FX1 (y − x2 ) fX2 (x2 ) dx2
dy −∞
∫ ∞
d
= FX1 (y − x2 ) fX2 (x2 ) dx2
−∞ dy
∫ ∞
= fX1 (y − x2 ) fX2 (x2 ) dx2
−∞

Misalkan Xi ∼ U (0, θ). Peubah acak-peubah acak Xi tersebut saling bebas

dan berdistribusi identik, dengan fungsi peluang:

fX (x|θ) =

MA3081 Stat.Mat. 5 K. Syuhada, PhD.

Statistik T = X(n) cukup dan memiliki fungsi distribusi:

P (X(n) ≤ x) =

dan fungsi peluang:

f(x) =

2.5 Statistik Terurut

Misalkan X1 , . . . , Xn sampel acak berukuran n dari suatu populasi yang berdis-

tribusi tertentu, dengan fungsi peluang fX dan fungsi distribusi FX . Pandang
X(k) , statistik terurut ke-k. Untuk menentukan fX(k) (x), pertama partisikan

I1 = (−∞, x]; I2 = (x, x + dx]; I3 = (x + dx, ∞).

Fungsi peluang fX(k) (x) adalah peluang mengamati sejumlah k − 1 dari X di

I1 , tepat sebuah X di I2 , dan sejumlah n − k dari X di I3 :
( )
n ( )k−1 ( )1 ( )n−k
fX(k) (x) ≈ FX (x) fX (x)dx 1 − FX (x)
k − 1, 1, n − k

yang dengan metode diferensial maka kita peroleh

( )
n ( )k−1 ( )n−k
fX(k) (x) = FX (x) 1 − FX (x) fX (x)
k − 1, 1, n − k

Contoh/Latihan:

1. Fungsi peluang dari statistik terurut terkecil/terbesar adalah...

2. Statistik terurut ke-k pada distribusi U (0, 1) memiliki fungsi peluang...

2.6 Statistic Cukup

Diskusi:

• Ruang sampel adalah himpunan semua hasil yang mungkin dari per-
cobaan

• Ruang sampel adalah himpunan semua nilai yang mungkin dari X

MA3081 Stat.Mat. 6 K. Syuhada, PhD.

 • Sebuah statistik membagi atau membuat partisi untuk ruang sampel.
Setiap partisi berkorespondensi dengan sebuah nilai yang berbeda dari
statistik tersebut. Jika statistik CUKUP, maka karakteristik data yang
kita perhatikan hanyalah partisi tempat sampel berada

Definisi -1
Suatu statistik T = t(X) adalah CUKUP atau sufficient untuk suatu keluarga
distribusi fX (x|θ) JIKA dan HANYA JIKA fungsi likelihoodnya bergantung
terhadap X hanya melalui T:

L(θ) = h(t(X), θ)

Definisi -2
Suatu statistik T = t(X) adalah CUKUP untuk suatu keluarga distribusi
fX (x|θ) JIKA dan HANYA JIKA distribusi bersyarat dari X TIDAK BERGAN-
TUNG pada θ:

fX|T (x|t, θ) = h(x)

Definisi -3
Suatu statistik T = t(X) adalah CUKUP untuk suatu keluarga distribusi
fX (x|θ) JIKA dan HANYA JIKA fungsi peluangnya dapat difaktorkan sebagai:

fX (x|θ) = g(t(x)|θ) h(x)

Contoh/Latihan:

1. Misalkan Xi untuk i = 1, . . . , n saling

∑nbebas dan berdistribusi identik
Bernoulli(p). Tunjukkan bahwa Y = i=1 Xi adalah statistik cukup.

2. Misalkan X1 , . . . , Xn sampel acak

∑n berdistribusi Poisson dengan parame-
ter λ. Tunjukkan bahwa T = i=1 Xi adalah statistik cukup.

3. Misalkan Xi untuk i = 1, . . . , n saling bebas dan berdistribusi identik

N(µ, 1). Tunjukkan bahwa Y = X̄ adalah statistik cukup.

4. Misalkan X1 , . . . , Xn sampel acak berdistribusi

∑n Gamma dengan param-
eter (α, λ). Tunjukkan bahwa T = i=1 ln(Xi ) adalah statistik cukup.

5. Pandang sampel acak berukuran n dari U (a, b), dengan a diketahui. Tun-
jukkan bahwa T = X(n) adalah statistik cukup.

MA3081 Stat.Mat. 7 K. Syuhada, PhD.

 6. Pandang sampel acak berukuran n dari N (µ, σ 2 ), dengan µ, σ 2 tidak
diketahui. Tunjukkan bahwa statistik T berikut adalah cukup:
( 2 )
SX
T =
X̄

2.7 Teorema Limit Pusat

Teorema
Misalkan X1 , . . . , Xn sampel acak berukuran n dari populasi dengan mean µX
2
dan variansi σX . Distribusi dari

X̄ − µX
Zn = √
σX / n

konvergen ke N (0, 1) untuk n → ∞.

Catatan:
• Hal penting dari Teorema Limit Pusat (Central Limit Theorem) adalah
bahwa kekonvergenan dari Zn ke distribusi normal akan terjadi apapun
bentuk distribusi dari X.
• Kita dapat memanipulasi sedemikian hingga

X̄ ∼ N (µX , σX
2
/n),

asalkan n besar.
• Ekspresi lain dari TLP adalah
(√ )
n (X̄ − µX )
lim P ≤ c = Φ(c)
n→∞ σX

• Pandang: X1 + · · · + Xn ,
( n )
∑
E Xi = n µX ,
i=1
( n )
∑
2
V ar Xi = n σX ,
i=1
(∑n )
Xi − n µX
lim P i=1
√ ≤c = Φ(c)
n→∞ n σX

MA3081 Stat.Mat. 8 K. Syuhada, PhD.

 • Seberapa besar n harus kita pilih agar X̄ berdistribusi normal? n = 1?
Bergantung pada distribusi dari data (parent distribution)!
Misalkan X ∼ Exp(θ). Distribusi ini memiliki kemencengan (skewness)
dan kelancipan (kurtosis):

E(X − µX )3
κ3 = √ = 2,
3
σX

dan
E(X − µX )4
κ4 = 4
− 3 = 6,
σX
2
dengan µX = 1/θ dan σX = 1/θ2 . Mean sampel X̄ berdistribusi Ga(n, nθ).
Kemencengan (skewness) dan kelancipan (kurtosis) dari X̄ adalah

E(X̄ − µX̄ )3 2
κ3 = √ =√ ,
3
σX n

dan
E(X̄ − µX̄ )4
κ4 = 4
− 3 = 6/n,
σX

Misalkan X ∼ B(n, p) (ingat bahwa distribusi X tersebut sama dengan dis-

tribudi dari sejumlah n peubah acak Bernoulli(p)). Untuk n besar,
( )
p(1 − p)
p̂ ∼ N p,
n
(√ )
n(c − p)
P (p̂ ≤ c) ≈ Φ √
p(1 − p)
X ∼ N (np, np(1 − p))
( )
1 1
P (X = x) = P x − ≤ X ≤ x + , x = 0, 1, . . . , n
2 2
( ) ( )
x + 0.5 − np x − 0.5 − np
≈Φ √ −Φ √ ,
np(1 − p) np(1 − p)
dimana menambah dan mengurangi dengan 0.5 disebut “continuity correc-
tion”.

Koreksi kekontinuan untuk pendekatan normal terhadap fungsi distribusi dari

MA3081 Stat.Mat. 9 K. Syuhada, PhD.

X dan p̂ adalah
( )
1
P (X ≤ c) = P X ≤ x + , x = 0, 1, . . . , n
2
( )
x + 0.5 − np
≈Φ √
np(1 − p)
dan
( )
1
P (p̂ ≤ c) = P p̂ ≤ c + , c = 0/n, 1/n, . . . , n/n
2n
(√ )
n(c + 0.5/n − p)
≈Φ √
p(1 − p)

MA3081 Stat.Mat. 10 K. Syuhada, PhD.