Statmat11 PDF

Diktat Kuliah
STATISTIKA MATEMATIKA
Adi Setiawan
Universitas Kristen Satya Wacana

Salatiga
2006
i
Contents
1 Pendahuluan 1
1.1 Sifat Kecukupan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Sifat Kelengkapan . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Sifat Ketakbiasan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Keluarga Eksponensial . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Estimasi Titik 19
2.1 Metode yang digunakan bila tersedia statistik cukup yang lengkap 21
2.2 Metode yang digunakan bila tidak tersedia statistik cukup lengkap 22
2.3 Kriteria Pemilihan Estimator : Prinsip MLE . . . . . . . . . . . . 28
2.4 Estimator Momen . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Kriteria Pemilihan Estimator : Pendekatan Teori Keputusan . . . 33
2.6 Sifat-sifat Optimal secara Asimptotik dari Estimator . . . . . . . . 40
3 Pengujian Hipotesis 46
3.1 Konsep Umum dari Pengujian Hipotesis Neyman-Pearson . . . . . 46
3.2 Pengujian Hipotesis Sederhana Melawan Alternatif Sederhana . . . 49
3.3 Uji UMP untuk Pengujian Hipotesis Komposit . . . . . . . . . . . 58
3.4 Uji UMPU untuk Pengujian Hipotesis Komposit . . . . . . . . . . 70
3.5 Pengujian Parameter dari Distribusi Normal . . . . . . . . . . . . . 73
3.5.1 Uji Tentang Variansi . . . . . . . . . . . . . . . . . . . . . . 73
3.5.2 Uji Tentang mean . . . . . . . . . . . . . . . . . . . . . . . 75
3.6 Perbandingan Parameter Dua Distribusi Normal . . . . . . . . . . 77
3.6.1 Perbandingan Variansi Dua Densitas Normal . . . . . . . . 77
3.6.2 Perbandingan Mean Dua Densitas Normal . . . . . . . . . . 79
3.7 Uji Likelihood Ratio . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4 Daerah Kepercayaan 91
4.1 Interval Kepercayaan . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2 Interval Kepercayaan Bila Muncul Parameter Nuisans . . . . . . . 98
4.3 Interval Kepercayaan dan Interval Kepercayaan Pendekatan . . . . 101
4.4 Hubungan antara Uji Hipotesis dan Interval Kepercayaan . . . . . 102
ii
Chapter 1
Pendahuluan
Dalam bab ini terlebih dahulu akan dibahas tentang ruang parameter (pa-
rameter space), statistik cukup (sufficient statistics), sifat kelengkapan (com-
pleteness), sifat ketakbiasan (unbiasedness) dan keluarga eksponensial (ex-
ponential family).
1.1 Sifat Kecukupan

Misalkan X suatu variable random dengan fungsi kepadatan probabilitas
f (x, θ) diketahui tetapi tergantung pada suatu vektor konstan berdimensi
r yaitu θ = (θ1 , θ2 , . . . , θr )t yang dinamakan parameter. Ruang parame-
ter Ω adalah himpunan semua nilai yang mungkin dari θ. Dalam hal ini
Ω ⊂ Rr dengan r ≤ 1. Misalkan X1 , X2 , . . . , Xn sampel random ukuran n
dari f (x; θ) yaitu n variabel random yang saling bebas dan masing-masing
mempunyai fungsi kepadatan probabilitas f (x; θ). Masalah mendasar dalam
statistika adalah membuat inferensi tentang parameter θ seperti melakukan
estimasi θ, menguji hipotesis tentang θ dan lain lain. Dalam melakukan hal
di atas , konsep tentang kecukupan memainkan peranan penting dalam mem-
bimbing kita untuk meringkas data tetapi tanpa kehilangan informasi yang
dibawa dalam data tentang parameter θ. Di samping sifat kecukupan juga
akan dibahas tentang konsep kelengkapan (completeness), sifat ketakbiasan
(unbiasedness) dan sifat ketakbiasan variansi minimum (minimum variance
unbiasedness).
Misalkan Tj : Rn 7→ R untuk j = 1, 2, . . . , m dan Tj tidak tergantung
pada θ atau sebarang kuantitas yang tidak diketahui. Vektor
T = (T1 , . . . , Tm )
1
dinamakan statistik dimensi m, dengan T1 = T1 (X1 , X2 , . . . , Xn ),
T2 = T2 (X1 , X2 , . . . , Xn ),
dan Tm = Tm (X1 , X2 , . . . , Xn ). Sebelum didefinisikan sifat kecukupan, ter-
lebih dahulu diberikan contoh-contoh berikut ini.
Contoh 1.1
Misalkan variabel random X berdistribusi seragam pada (α, β). Bila diambil
θ1 = α, θ2 = β maka diperoleh θ = (θ1 , θ2 )t sehingga ruang parameternya
adalah Ω = {(θ1 , θ2 )t |θ1 , θ2 ∈ R2 , θ1 ≤ θ2 } dan fungsi kepadatan probabilitas
dari variabel random X adalah
1
f (x; θ) = (1.1.1)
θ2 − θ 1
untuk θ1 < x < θ2 . Jika α diketahui dan β = θ maka ruang parameternya
adalah Ω = (α, ∞) dan fungsi kepadatan probabilitas daria variable random
X adalah
1
f (x; θ) = (1.1.2)
θ−α
untuk θ1 < x < θ2 atau
1
f (x; θ) = IA (x) (1.1.3)
θ−α
dengan A = (α, θ) dan IA (x) = 1 untuk x ∈ A and IA (x) = 0 untuk x ∈ A
merupakan fungsi indikator.
Jika β diketahui dan α = θ maka ruang parameternya Ω = (−∞, β) dan
fungsi kepadatan probabilitas dari variable random X adalah
1
f (x; θ) = (1.1.4)
β−θ
untuk θ < x < β atau
1
f (x; θ) = IA (x) (1.1.5)
β−θ
dengan A = (θ, β).
Contoh 1.2
Misalkan variabel random X berdistribusi N (µ, σ 2 ).

Bila dipilih θ1 = µ, θ2 = σ 2 maka θ = (θ1 , θ2 )t sehingga
Ω = {θ1 , θ2 )t ∈ R2 |θ1 ∈ R, θ2 > 0}
2
dan fungsi kepadatan probabilitas dari variabel random X adalah
1 h (x − θ )2 i
1
f (x; θ) = √ exp − (1.1.6)
2πθ2 2θ 2
Jika diketahui dan dipilih µ = θ maka Ω = R dan fungsi kepadatan proba-

bilitas dari variabel random X adalah
1 h (x − θ)2 i
f (x; θ) = √ exp − (1.1.7)
2πσ 2 2σ 2
sedangkan jika µ diketahui dan dipilih σ 2 = θ maka Ω = {θ ∈ R|θ > 0} dan

fungsi kepadatan probabilitas dari variabel random X adalah
1 (x − µ)2 i
h
f (x; θ) = √ exp − . (1.1.8)
2πθ 2θ
Contoh 1.3
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi identik

(independent and identically distribution) yaitu Binom(1, θ). Hal itu berarti
fungsi probabilitas dari Xi adalah
f (xi ; θ) = θ xi (1 − θ)1−xi IA (xi ) (1.1.9)

P
untuk i = 1, 2, . . . , n, A = {0, 1} dan θ ∈ Ω = (0, 1). Misalkan T = ni=1 Xi .
Karena Xi berdistribusi Binom(1, θ) maka T berdistribusi Binom(n, θ) se-
hingga fungsi probabilitas dari T adalah

n
fT (t; θ) = θ t (1 − θ)1−t IB (t) (1.1.10)
t
dengan B = {0, 1, . . . , n}.

Misalkan dianggap bahwa percobaan Binomial telah dilakukan dan nilai
pengamatan dari Xi adalah xi untuk i = 1, 2, . . . , n. Masalah yang dihadapi
adalah bagaimana membuat inferensi tentang θ berdasarkan pada xi untuk
i = 1, 2, . . . , n. Apabila kita memberi tanda 1 untuk ’sukses’ maka akan
muncul pertanyaan tentang : dapatkah dilakukan inferensi tentang θ bila
diketahui banyaknya sukses yang terjadi. Bila banyaknya sukses yang terjadi
adalah t atau T = t untuk t = 0, 1, 2, . . . ,
n maka
akan ditentukan berapa
n
probabilitas setiap satu kemungkinan dari cara yang berbeda untuk
t
3
terjadinya t ’sukses’.
P (X1 = x1 , . . . , Xn = xn )
P (X1 = x1 , . . . , Xn = xn |T = t) =
P (T = t)
(
P (X1 =x1 ,...,Xn =xn )
P (T =t)
jika x1 + x2 + . . . + xn = t
=
0 jika yang lain.
Hal ini berarti

θ x1 (1 − θ)1−x1 . . . θ xn (1 − θ)1−xn
P (X1 = x1 , . . . , Xn = xn |T = t) =
n
θ t (1 − θ)1−t
t
Pn Pn
xi
θ (1 − θ)n− i=1 xi
i=1
=
n
θ t (1 − θ)1−t
t
1
=
n
t
jika x1 + x2 + . . . + xn = t dan bernilai 0 untuk yang lain, sehingga untuk

semua
Pn x1 , x2 , . . . , xn dengan xi = 0 atau 1 untuk i = 1, 2, . . . , n dan untuk
i=1 xi = t berlaku sifat
1
P (X1 = x1 , . . . , Xn = xn |T = t) =
n
t
tidak bergantung pada θ. Oleh karena itu total banyaknya sukses t menye-
diakan semua informasi tentang θ.
Contoh 1.3 memotivasi definisi statistik cukup berikut ini.
Definisi 1.1
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

tik dengan fungsi kepadatan probabilitas f (x, θ) dan
θ = (θ1 , θ2 , . . . , θr )t ∈ Ω ⊆ Rr .
Misalkan T = (T1 , T2 , . . . , Tm )t dengan
Tj = Tj (X1 , X2 , . . . , Xn )
4
untuk j = 1, 2, . . . , m statistik. Statistik T dinamakan statistik cukup
dimensi-m untuk keluarga F = {f (x; θ)|θ ∈ Ω} atau untuk parameter θ
jika distribusi bersyarat (X1 , X2 , . . . , Xn )t diberikan T = t tidak bergantung
pada θ untuk semua nilai t.
Dengan menggunakan teorema berikut ini, identifikasi statistik cukup
dengan mudah dapat dilakukan.
Teorema 1.1 (Teorema Faktorisasi Fisher-Neyman)
Misalkan variabel random saling bebas dan berdistribusi identik dengan

fungsi kepadatan probabilitas f (x; θ) dan θ = (θ1 , θ2 , . . . , θr )t ∈ Ω ⊆ Rr .
Statistik dimensi-m
T = (T1 (X1 , X2 , . . . , Xn ), T2 (X1 , X2 , . . . , Xn ), . . . , Tm (X1 , X2 , . . . , Xn ))t
merupakan statistik cukup untuk θ jika dan hanya jika fungsi kepadatan
probabilitas bersama dari dapat difaktorkan sebagai
f (x1 , x2 , . . . , xn ) = g[x1 , x2 , . . . , xn ; θ]h(x1 , x2 , . . . , xn )
dengan g tergantung pada θ hanya melalui T dan h tidak tergantung pada θ.
Akibat 1.1
Misalkan φ : Rm 7→ Rm fungsi terukur dan tidak tergantung pada θ serta

fungsi korespondensi satu-satu sehingga φ−1 ada. Jika statistik cukup untuk
θ maka φ(T) juga merupakan statistik cukup untuk θ dan juga merupakan
statistik cukup untuk ψ(θ) dengan φ : Rr 7→ Rr merupakan fungsi terukur
dan korespondensi satu-satu.
Contoh 1.4

tik dari U (θ1 , θ2 ). Fungsi kepadatan probabilitas dari Xi adalah
1
f (xi ; θ) =
θ2 − θ 1
untuk θ1 < x < θ2 . Bila x = (x1 , x2 , . . . , xn )t dan θ = (θ1 , θ2 )t maka fungsi
5
kepadatan probabilitas bersamanya adalah
n
Y 1
f (x1 , x2 , . . . , xn ; θ) = I(θ ,θ ) (xi ),
i=1
θ2 − θ 1 1 2
1
f (x1 , x2 , . . . , xn ; θ) = θ1 < X(1) < X(n) < θ2 ,
(θ2 − θ1 )n
1
f (x1 , x2 , . . . , xn ; θ) = I[θ ,∞) (X(1) )I(−∞,θ2 ) (X(n) ),
(θ2 − θ1 )n 1
1
f (x1 , x2 , . . . , xn ; θ) = g1 (X(1) , θ)g2 (X(n) , θ),
(θ2 − θ1 )n
dengan g1 (X(1) , θ) = I[θ1 ,∞) (X(1) ) dan g2 (X(n) , θ) = I[θ1 ,∞) (X(1) )I(−∞,θ2 ) (X(n) ).
Akibatnya dengan menggunakan Teorema Faktorisasi Fisher-Neyman diper-
oleh (X(1) , X(n) ) merupakan statistik cukup untuk θ. Khususnya jika θ1 = α
diketahui dan θ2 = θ maka X(1) merupakan statistik cukup untuk θ. Dengan
cara yang sama jika θ2 = β diketahui dan maka X(n) merupakan statistik
cukup untuk θ.
Contoh 1.5

tik dari N (µ, σ 2 ). Bila x = (x1 , x2 , . . . , xn )t , µ = θ1 , σ 2 = θ2 dan θ = (θ1 , θ2 )t
maka fungsi kepadatan probabilitas dari Xi adalah
1 h (x − θ )2 i
i 1
f (xi ; θ) = √ exp −
2πθ2 2θ 2
sehingga fungsi kepadatan probabilitas bersamanya adalah
1 h 1 X
n i
2
f (xi ; θ) = √ exp − (x i − θ 1 ) .
( 2πθ2 )n 2θ2 i=1
Tetapi, karena
n
X n h
X n
X
2 2
(xi − θ1 ) = (xi − x̄) + (x̄ − θ1 )] = (xi − x̄)2 + n(x̄ − θ1 )2
i=1 i=1 i=1
maka fungsi kepadatan probabilitasnya menjadi
1 h 1 X
n
n i
2 2
f (xi ; θ) = √ exp − (xi − x̄) − (x̄ − θ1 )
( 2πθ2 )n 2θ2 i=1 2θ2
6
P
sehingga (X̄, ni=1 (Xi − X̄)2 )t merupakan statistik cukup untuk θ. Pada sisi
lain fungsi kepadatan probabilitasnya dapat dinyatakan sebagai
1 nθ 2 θ X n
1 X 2
n
1 1
f (xi ; θ) = √ exp − exp xi − x .
( 2πθ2 )n 2θ2 θ2 i=1 2θ2 i=1 i
P
Hal itu berarti, jika θ2 = σ 2 diketahui dan θ1 = θ maka ni=1 Xi merupakan
statistik
P cukup untuk θ. Di samping itu, jika θ1 = µ diketahui dan θ2 = θ
maka ni=1 Xi2 merupakan statistik cukup untuk θ. Demikian juga, dengan
2 t
menggunakan Akibat Teorema Faktorisasi Fisher-Neyman (X̄, PnS ) meru-2
1
pakan statistik cukup untuk θ. Jika θ1 = µ diketahui maka n i=1 (xi − µ)
merupakan statistik cukup untuk θ2 = θ.
Pada contoh-contoh di atas, dimensi dari statistik cukup sama dengan
dimensi parameternya. Jika X1 , X2 , . . . , Xn variabel random saling bebas
dan berdistribusi identik dari distribusi Cauchy dengan parameter θ = (µ, σ 2 )
dan fungsi kepadatan probabilitas
1 σ
f (x; µ, σ 2 ) =
π σ + (x − µ)2
2
untuk −∞ < x < ∞ maka tidak ada statistik cukup yang dimensinya lebih
kecil dari statistik cukup (X1 , X2 , . . . , Xn )t .
Jika m adalah bilangan bulat terkecil sehingga T = (T1 , T2 , . . . , Tm )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m merupakan statis-
tik cukup untuk θ = θ1 , . . . , θr )t maka T dinamakan statistik cukup minimal
untuk θ.
1.2 Sifat Kelengkapan

Misalkan X vektor random berdimensi k dengan fungsi kepadatan probabil-
itas f (x; θ) dan θ ∈ Ω ⊆ Rr . Misalkan g : Rk 7→ R fungsi terukur sehingga
g(X) merupakan variabel random. Dianggap bahwa Eθ [g(X)] ada untuk se-
mua θ ∈ Ω dan F = {f (x; θ)|θ ∈ Ω}.
Definisi 1.2
Keluarga F dikatakan lengkap (complete) jika untuk setiap g,
Eθ [g(X)] = 0
untuk semua θ ∈ Ω menyebabkan bahwa g(X) = 0 kecuali mungkin pada N

sehingga Pθ [X ∈ N ] = 0 untuk semua θ ∈ Ω.
7
Contoh 1.6

n
Misalkan F = {f (x; θ)|f (x; θ) = θ x (1 − θ)n−x IA (x), θ ∈ (0, 1)} dengan
x
A = {0, 1, 2, . . . , n}. Karena
n
X n
X
x n−x n n
E[g(X)] = g(x)θ (1 − θ) = (1 − θ) g(x) ρx
x
i=1 x=0
θ
dengan ρ = 1−θ
maka E[g(X)] = 0 untuk semua θ ∈ (0, 1) akan ekuivalen
dengan
n
X
n
g(x) ρx = 0
x
x=0
untuk setiap ρ ∈ (0, ∞). Akibatnya untuk lebih dari n nilai-nilai dari ρ
berlaku untuk x = 0, 1, 2, . . . , n yang ekuivalen dengan

n
g(x) =0
x
untuk x = 0, 1, 2, . . . , n. Hal itu berarti bahwa keluarga distribusi binomial
F merupakan keluarga yang lengkap.
Contoh 1.7
Misalkan
e−θ xθ
F = {f (x; θ)|f (x; θ) = IA (x), θ ∈ (0, ∞)}
x!
dengan A = {0, 1, 2, 3, . . .}. Karena
∞
X X g(x) ∞
e−θ
E[g(X)] = g(x) = e−θ θx = 0
x=0
x! x=0
x!
dengan θ ∈ (0, θ) maka g(x) = 0 untuk . hal ini ekuivalen dengan g(x) = 0
untuk x = 0, 1, 2, . . . , n. Akibatnya keluarga distribusi Poisson F merupakan
keluarga yang lengkap.
Contoh 1.8
Misalkan
1
F = {f (x; θ)|f (x; θ) = I[α,θ] (x), θ ∈ (0, ∞)}.
θ−α
8
Rθ
Karena E[g(X)] = 0 untuk semua θ = (α, ∞) maka a g(x)dx = 0 untuk
semua θ > α sehingga g(x) = 0 kecuali mungkin untuk himpunan N se-
hingga P [X ∈ N ] untuk semua θ ∈ Ω dengan X adalah variabel random
yang mempunyai fungsi kepadatan probabilitas f (x; θ. Hal yang sama juga
benar jika f (x; θ) adalah U (θ, β).
Contoh 1.9
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (µ, σ 2 ).

Jika σ diketahui dan µ = θ maka keluarga distribusi normal
1 h (x − θ)2 i
F = {f (x; θ)|f (x; θ) = √ exp − , θ ∈ R}
2πσ 2 2σ 2
merupakan keluarga yang lengkap. Sedangkan jika µ diketahui dan σ 2 = θ

maka keluarga distribusi normal
1 h (x − µ)2 i
F = {f (x; θ)|f (x; θ) = √ exp − , θ ∈ (0, ∞)}
2πθ 2θ
tidak lengkap. Karena g(x) = x − µ maka
E[g(X)] = E[X − µ] = 0
untuk semua θ ∈ (0, ∞) sedangkan g(x) = 0 berlaku hanya untuk x = µ.

Akhirnya, jika µ dan σ 2 tidak diketahui maka dapat ditunjukkan bahwa
keluarga distribusi normal
1 h (x − µ)2 i
F = {f (x; µ, σ 2 )|f (x; µ, σ 2 ) = √ exp − , µ ∈ R, σ ∈ (0, ∞)}
2πσ 2 2σ 2
lengkap atau statistik cukup juga merupakan statistik cukup untuk (µ, σ 2 )
yang lengkap.
Teorema 1.2

tik dengan fungsi kepadatan probabilitas f (x; θ) dengan θ ∈ Ω ⊆ R r dan
T = (T1 , T2 , . . . , Tm )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m adalah statistik cukup

untuk θ. Misalkan V = (V1 , V2 , . . . , Vm )t dengan Vj = Vj (X1 , X2 , . . . , Xn )
9
untuk j = 1, 2, . . . , m sebarang statistik lain yang tidak tergantung pada T.
Misalkan g(x; θ) fungsi kepadatan probabilitas dari T dan dianggap bahwa
himpunan S sehingga g(x; θ) positif adalah sama untuk semua θ ∈ Ω. Dis-
tribusi dari V tidak tergantung pada θ.
Teorema 1.3 (Teorema Basu)

tik dengan fungsi kepadatan probabilitas f (x; θ) dengan θ ∈ Ω ⊆ R r dan
T = (T1 , T2 , . . . , Tm )t dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m
adalah statistik cukup untuk θ. Misalkan g(x; θ) fungsi kepadatan probabili-
tas dari T dan G = {g(x; θ)|θ ∈ Ω} lengkap. Misalkan V = (V1 , V2 , . . . , Vm )t
dengan Vj = Vj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m adalah statistik lain.
Jika distribusi dari tidak tergantung pada θ maka V dan T saling bebas.
Contoh 1.10
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (µ, σ 2 )

2
dengan
Pnσ diketahui. Statistik X̄ merupakan statistik cukup untuk µ dan
2
2 i=1 (Xi −X̄)
S = n
suatu statistik. Perhatikan bahwa
n
X n
X
(Xi − X̄)2 = [(Xi − µ) + (µ − X̄))2
i=1 i=1
n
X n
X
(Xi − X̄)2 = [(Xi − µ)2 + (µ − X̄)2 + 2(µ − X̄)(Xi − µ)]
i=1 i=1
n
X n
X n
X
2 2 2
(Xi − X̄) = (Xi − µ) + n(µ − X̄) + 2(µ − X̄) (Xi − µ)
i=1 i=1 i=1
Xn Xn
(Xi − X̄)2 = (Xi − µ)2 + n(µ − X̄)2 + 2(µ − X̄)n(X̄ − µ)
i=1 i=1
n
X n
X
(Xi − X̄)2 = (Xi − µ)2 + n(µ − X̄)2 − 2n(µ − X̄)n(µ − X̄)
i=1 i=1
Xn Xn
(Xi − X̄)2 = (Xi − µ)2 − n(µ − X̄)2
i=1 i=1
n
X n
X
(Xi − X̄)2 = (Xi − µ)2 − n(X̄ − µ)2 .
i=1 i=1
10
2
Karena Xi − µ ∼ N (0, σ 2 ) untuk j = 1, 2, . . . , n dan X̄ ∼ N (µ, σn ) sehingga
berakibat maka distribusi dari S 2 tidak bergantung pada µ. Dengan meng-
gunakan Teorema Basu diperoleh bahwa X̄ dan S 2 saling bebas.
1.3 Sifat Ketakbiasan

Definisi 1.3

tik dengan fungsi kepadatan probabilitas f (x; θ) dengan θ ∈ Ω ⊆ R dan
T = (T1 , . . . , Tm )t dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m
adalah statistik cukup untuk θ. Statistik U adalah statistik tak bias untuk
θ jika Eθ [U ] = θ untuk setiap θ ∈ Ω.
Teorema 1.4 (Teorema Rao-Blackwell)

tik dengan fungsi kepadatan probabilitas f (x; θ) dengan θ ∈ Ω ⊆ R dan
T = (T1 , . . . , Tm )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m adalah statistik cukup

untuk θ. Misalkan U (X1 , X2 , . . . , Xn ) statistik tak bias untuk θ yang bukan
fungsi dari T saja. Jika φ(t) = Eθ [U |T = t] maka
1. variabel random φ(T) merupakan fungsi statistik cukup T.
2. φ(T) merupakan statistik tak bias untuk θ.
3. Varθ (φ(T)) < Varθ (U ) dengan θ ∈ Ω asalkan Eθ [U 2 ] < ∞.
Teorema berikut ini menyatakan sifat ketunggalan dari statistik cukup.
Teorema 1.5 (Teorema Ketunggalan Lehman-Scheffe)
Misalkan X1 , X2 , . . . , Xn variabel random dengan fungsi kepadatan proba-

bilitas f (x; θ) dengan θ ∈ Ω ⊆ R dan F = {f (x; θ)|θ ∈ Ω}. Misalkan
T = (T1 , . . . , Tm )t dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m
adalah statistik cukup untuk θ dan g(x; θ) adalah fungsi kepadatan proba-
bilitasnya. Misalkan G = {g(x; θ)|θ ∈ Ω} lengkap. Jika U = U (T ) statistik
11
cukup tak bias untuk θ dan Eθ [U 2 ] < ∞ untuk semua θ ∈ Ω maka U adalah
statistik tak bias untuk θ dengan variansi terkecil dalam kelas yang mengan-
dung semua statistik tak bias untuk θ.
Definisi 1.4
Statistik tak bias untuk θ yang mempunyai variansi minimum dalam ke-
las semua statistik tak bias dari θ dinamakan UMVU (uniformly minimum
variance unbiased ).
Terminologi ”uniformly” diperoleh dari fakta bahwa variansi minimum
untuk semua θ ∈ Ω.
Contoh 1.11
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi

P iden-
tik dengan distribusi Binom(1, θ) dengan θ ∈ (0, 1). Statistik T = ni=1 Xi
merupakan statistik cukup untuk θ dan juga lengkap. Karena X̄ = Tn meru-
pakan statistik tak bias untuk θ maka statistik X̄ merupakan statistik tak
bias dengan variansi minimum untuk θ.
Contoh 1.12

tik dengan distribusi N (µ, σ 2 ). Jika σ diketahui dan µ = θ maka
n
X
T = Xi
i=1
statistik cukup untuk θ demikian juga T merupakan statistik yang lengkap.

Akibatnya X̄ = T /n merupakan statistik tak bias untuk θ dengan variansi
minimum untuk θ karena X̄ merupakan
P statistik tak bias untuk θ. Jika
µ = 0 dan σ 2 = θ maka T = ni=1 Xi2 statistik cukup untuk θ. Karena T
juga merupakan statistik yang lengkap dan S 2 = T /n merupakan statistik
tak bias untuk θ dan S 2 merupakan statistik tak bias dengan variansi mini-
mum untuk θ.
Contoh 1.13
Misalkan X1 , X2 , X3 variabel random saling bebas dan berdistribusi identik

dengan fungsi kepadatan probabilitas
h i
f (x; λ) = λ exp − λx
12
untuk x > 0. Misalkan θ = 1/λ sehingga fungsi kepadatan probabilitas dari
X menjadi h 1 i
1
f (x; λ) = exp − x .
θ θ
2
Diperoleh E[Xi ] = θ dan Var(Xi ) = θ untuk i = 1, 2, 3. Hal itu berarti
bahwa X1 merupakan statistik tak bias untuk θ dengan variansi θ 2 . Demikian
juga T = X1 + X2 + X3 merupakan statistik cukup untuk θ dan juga meru-
pakan statistik yang lengkap. Karena X1 bukan merupakan fungsi dari T
maka X1 bukan statistik tak bias dengan variansi minimum untuk θ. Oleh
karen itu dipilih statistik yang merupakan fungsi dari T dan juga merupakan
statistik tak bias untuk θ yaitu T /3 dengan sifat E[T /3] = θ. Dalam hal ini
Var(T /3) = θ 2 /3 lebih kecil dari θ 2 dengan θ ∈ (0, ∞).
1.4 Keluarga Eksponensial

Keluarga fungsi kepadatan probabilitas yang tergantung pada paremeter θ
dan berbentuk
f (x; θ) = C(θ) exp[Q(θ)T (x)]h(x)
dengan x ∈ R, θ ∈ Ω(⊆ R) dan C(θ) > 0 serta h(x) > 0 untuk x ∈ S
dinamakan keluarga eksponensial. Jika variabel random saling bebas dan
berdistribusi identik dengan f (x; θ) dengan θ ∈ Ω ⊆ R maka fungsi kepa-
datan probabilitas dari X sebagai
f (x; θ) = C(θ) exp[Q(θ)T (x)]h(x).
Contoh 1.14

n
Misalkan f (x; θ) = θ x (1 − θ)n−x IA (x) dengan A = {0, 1, 2, . . . , n}.
x
Fungsi probabilitas tersebut dapat dinyatakan sebagai

n θ n
f (x; θ) = (1 − θ) exp[log( )] IA (x)
1−θ x
sehingga distribusi Binomial merupakan anggota keluarga eksponensial

den-
θ n
gan c(θ) = (1 − θ)n , Q(θ) = log( 1−θ ), T (x) = x, h(x) = IA (x).
x
13
Contoh 1.15
Misalkan variabel random X berdistribusi N (µ, σ 2 ). Jika σ diketahui dan

µ = θ maka fungsi kepadatan probabilitas dari X adalah
1 h θ2 i hθ i h 1 i
f (x; θ) = √ exp − exp 2 x exp − 2 x2
2πσ σ σ 2σ
dengan θ ∈ R sehingga distribusi tersebut merupakan anggota keluarga ek-
sponesial dengan
1 h θ2 i θ h x2 i
c(θ) = √ exp − 2 x , Q(θ) = , T (x) = x, h(x) = exp − 2 .
2πσ σ σ2 2σ
Jika µ diketahui dan σ 2 = θ maka fungsi kepadatan probabilitas dari X

adalah h i
1 1
f (x; θ) = √ exp − (x − µ)2
2πθ 2θ
dengan θ ∈ (0, ∞) sehingga distribusi tersebut merupakan anggota keluarga
eksponensial dengan
1 1
c(θ) = , Q(θ) = , T (x) = (x − µ)2 , h(x) = 1.
2πθ 2θ
Jika ruang parameter dari keluarga fungsi kepadatan eksponensial 1 pa-
rameter mengandung interval non degenerate maka keluarga tersebut lengkap.
Teorema 1.6
Misalkan X variabel random dengan fungsi kepadatan probabilitas f (x; θ)

dengan θ ∈ Ω ⊆ R seperti tersebut di atas. Keluarga
G = {g(x; θ)|θ ∈ Ω}
dengan adalah fungsi kepadatan probabilitas dari T (X) maka G lengkap

asalkan Ω mengandung interval non degenerate.
Teorema 1.7

tik dengan fungsi kepadatan probabilitas merupakan anggota keluarga ekspo-
nensial 1 parameter.
P
1. Statistik T ∗ = ni=1 T (Xi ) merupakan statistik cukup untuk θ.
14
2. Fungsi kepadatan probabilitas dari T ∗ selalu berbentuk
h i
g(t; θ) = [c(θ)] exp Q(θ)t h∗ (t)
n
dengan h(t) tidak bergantung terhadap θ asalkan T ∗ variabel random

diskrit.
3. Jika variabel random kontinu maka fungsi kepadatan probabilitasnya
dapat dinyatakan sebagai
h i
g(t; θ) = [c(θ)]n exp Q(θ)t h∗ (t).
Teorema berikut ini menyatakan sifat kelengkapan dari suatu keluarga

distribusi.
Teorema 1.8
Keluarga G = {g(x; θ)|θ ∈ Ω} lengkap asalkan Ω mengandung interval non

degenerate.
Dalam hal ini G = {g(x; θ)|θ ∈ Ω} dengan g(x; θ) adalah keluarga fungsi
kepadatan probabilitas dari statistik cukup T ∗ .
Teorema 1.9

tik dengan fungsi kepadatan probabilitas merupakan anggota keluarga ek-
sponensial dan T ∗ seperti didefinisikan pada Teorema 1.7.1. Jika V sebarang
statistik yang lain, V saling bebas jika dan hanya jika distribusi dari V dan
T ∗ tidak tergantung pada θ.
Contoh 1.16
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dengan fungsi kepa-

datan N (µ, σ 2 ) yang merupakan anggota keluarga eksponensial dalam θ = µ.
Statistik n
1X
X̄ = Xi
n i=1
merupakan statistik cukup untuk θ sedangkan
Pn
2 (Xi − X̄)2
S = i=1
n
15
merupakan statistik lain yang tidak tergantung pada θ maka dengan meng-
gunakan Teorema 1.9 diperoleh bahwa x̄ dan S 2 saling bebas.
Generalisasi dari Keluarga Eksponensial
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan X = (X1 , . . . , Xn )t .

Fungsi kepadatan probabilitas bersama dari merupakan anggota keluarga ek-
sponensial r parameter jika mempunyai bentuk
hX
n i
f (x; θ) = c(θ) exp Qi (θ)Ti (x) h(x)
i=1
dengan x = (x1 , x2 , . . . , xn )t untuk j = 1, 2, . . . , k dan k ≥ 1,
θ = (θ1 , θ2 , . . . , θr )t ∈ Ω ⊆ Rr ,
C(θ) > 0, θ ∈ Ω dan h(x) > 0 untuk x ∈ S himpunan nilai positif dari
f (x; θ) yang saling bebas terhadap θ.
Contoh 1.17
Misalkan variabel random X berdistribusi N (θ1 , θ2 ). Fungsi kepadatan prob-

abilitas dari X dapat dinyatakan sebagai
1 h θ2 i h θ 1 2i
1
f (x; θ1 , θ2 ) = √ exp − 1 x exp − x − x .
2πθ2 2θ2 θ2 2θ2
Hal ini berarti keluarga distribusi normal merupakan anggota keluarga dis-
tribusi eksponensial dengan
1 h θ2 i θ1 1
c(θ) = √ exp − 1 , Q1 (θ) = , Q2 (θ) = ,
2πθ2 2θ2 θ2 2θ2
dan
T1 (x) = x, T2 (x) = −x, h(x) = 1.
Dalam hal ini θ = (θ1 , θ2 ).
16
Brief History of Fisher
R. A. Fisher (1890-1962). Statistician and geneticist. MacTutor Refer-

ences. SC, LP.
Fisher was the most influential statistician of the C20. Like Pearson,
Fisher, studied mathematics at Cambridge University. He first made an
impact when he derived the exact distribution of the correlation coefficient
(see Fishers z-transformation). Although the correlation coefficient was a
cornerstone of Pearsonian biometry, Fisher worked to synthesise biometry
and Mendelian genetics; for Fishers many disagreements with Pearson, see
Pearson in A Guide to R. A. Fisher. In 1919 Fisher joined Rothamsted
Experimental Station and made it the world centre for statistical research.
His subsequent more prestigious appointments in genetics at UCL and Cam-
bridge proved less satisfying. The estimation theory Fisher developed from
1920 emphasised maximum likelihood and was founded on likelihood and
information. He rejected Bayesian methods as based on the unacceptable
principle of indifference. I n the 1930s Fisher developed a conditional infer-
ence approach to estimation based on the concept of ancillarity. His most
widely read work Statistical Methods for Research Workers (1925 + later
editions) was largely concerned with tests of significance: see Student’s t
distribution, chi square, z and z-distribution and p-value. The book also
publicised the analysis of variance and redefined regression. The Design of
Experiments (1935 + later editions) put that subject at the heart of statis-
tics (see randomization, replication blocking). The fiducial argument, which
Fisher produced in 1930, generated much controversy and did not survive the
death of its creator. Fisher created many terms in everyday use, e.g. statistic
and sampling distribution and so there are many references to his work on
the Words pages. See Symbols in Statistics for his contributions to notation.
Fisher influenced statisticians mainly through his writingsee the experience
of Bose and Youden. Among those who worked with him at Rothamsted were
Irwin Wishart, Yates (colleagues) and Hotelling (voluntary worker) MGP. In
London and Cambridge Fisher was not in a Statistics department and Rao
was his only PhD student in Statistics. For more information see A Guide to
R. A. Fisher. See Hald (1998, ch. 28 Fishers Theory of Estimation 1912-1935
and his Immediate Precursors).
17
Brief History of Kolmogorov
Andrei Nikolaevich Kolmogorov (1903-87) Mathematician. MacTutor

References. MGP. LP.
Kolmogorov was one of the most important of C20 mathematicians and
although he wrote a lot of probability it was only a small part of his total
output. Like Khinchin, he was a student of Luzin at Moscow State Univer-
sity. In 1924 Kolmogorov started working with Khinchin and they produced
results on the law of the iterated logarithm and the strong law of large num-
bers. Kolmogorovs most famous contribution to probability was the Grund-
begriffe der Wahrscheinlichkeitsrechnung (1933), (English translation) which
presented an axiomatic foundation. This made possible a rigorous treatment
of stochastic processes. His 1931 paper Analytical methods in probability
theory laid the foundations for the theory of markov processes; this paper
contains the Chapman-Kolmogorov equations. In 1941 Kolmogorov devel-
oped a theory of prediction for random processes, parallel to that developed
by Wiener. In the 60s Kolmogorov returned to von Misess theory of proba-
bility and developed it in the direction of a theory of algorithmic complex-
ity; this work was continued by the Swedish mathematician P. Martin-Lf.
In statistics he contributed the Kolmogorov-Smirnov test. From 1938 Kol-
mogorov was associated with the Steklov Mathematical Institute. He had
many students, among them Gnedenko and Dynkin. See also Symbols in
Probability Life & Work. See von Plato (ch. 7) Kolmogorovs measure the-
oretic probabilities. See also Vovk & Shafer Kolmogorovs Contributions to
the Foundations of Probability and The Origins and Legacy of Kolmogorovs
Grundbegriffethe published version of the latter (Statistical Science (2006)
Number 1, 70-98) is different again.
18
Chapter 2
Estimasi Titik
Misalkan X variabel random dengan fungsi kepadatan probabilitas f (x; θ)

dengan θ ∈ Ω ⊆ Rr . Jika θ diketahui maka semua probabilitas yang di-
inginkan dapat dihitung. Akan tetapi biasanya θ tidak diketahui sehingga
memunculkan masalah bagaimana mengestimasi parameter θ atau suatu
fungsi dari θ yaitu g(θ) dengan g fungsi real dan terukur.
Definisi 2.1

tik dengan fungsi kepadatan probabilitas f (x; θ). Sebarang statistik
U = U (X1 , X2 , . . . , Xn )
yang digunakan untuk menaksir kuantitas yang tidak diketahui dinamakan

estimator dari g(θ). Nilai dari U (x1 , x2 , . . . , xn ) untuk nilai-nilai pengamatan
x1 , x2 , . . . , xn dinamakan estimasi dari g(θ).
Definisi 2.2
Misalkan g fungsi real dan terukur. Estimator U = U (X1 , X2 , . . . , Xn ) dina-

makan estimator tak bias (unbiased estimator ) dari g(θ) jika
E[U = U (X1 , X2 , . . . , Xn )] = g(θ)
untuk semua θ ∈ Ω. Fungsi g dikatakan tertaksir (estimable) jika g(θ) mem-

punyai estimator tak bias.
Definisi tentang ketakbiasan mengelompokkan statistik-statistik ke dalam
suatu kelas estimator tak bias. Jika U = U (X1 , X2 , . . . , Xn ) estimator tak
bias untuk g(θ) maka harga harapan dari U sama dengan g(θ). Meskipun
19
kriteria ketakbiasan sudah mengkhususkan diri pada kelas estimator yang
memenuhi sifat tertentu tetapi kelas ini masih terlalu besar. Untuk itu perlu
dipilih dari dua estimator tak bias yaitu yang mempunyai variansi yang lebih
kecil.
Dasar pemikiran yang digunakan adalah bahwa variansi atau simpangan
baku memberikan ukuran konsentrasi di sekitar mean. Jika
U = U (X1 , . . . , Xn )
estimator tak bias untuk g(θ) maka dengan menggunakan pertidaksamaan

Chebisev diperoleh
Var(U )
Pθ [|U − g(θ)| ≤ ε] ≥ 1 − .
ε
Oleh karena itu, Var(U ) yang kecil akan memperbesar batas bawah proba-
bilitas konsentrasi U di sekitar g(θ).
Definisi 2.3
Misalkan g tertaksir. Suatu estimator
U = U (X1 , X2 , . . . , Xn )
dikatakan estimator U M V U untuk g(θ) jika U tak bias dan mempunyai

variansi minimum diantara kelas semua estimator tak bias dari g(θ) dengan
θ ∈ Ω. Jika U = U (X1 , X2 , . . . , Xn ) adalah sebarang estimator tak bias dari
g(θ) maka
Varθ (U1 ) ≥ Varθ (U )
untuk semua θ ∈ Ω.
Dalam banyak kasus, estimator UMVU ada. Untuk memperolehnya ter-
dapat 2 metode yaitu metode pertama yang digunakan bila tersedia statistik
cukup yang lengkap dan metode kedua yang digunakan bila tidak tersedia
statistik cukup yang lengkap. Pada metode kedua, terlebih dahulu diten-
tukan batas bawah semua estimator dan kemudian memilih suatu estimator
yang mempunyai variansi sama dengan batas bawah tersebut.
20
2.1 Metode yang digunakan bila tersedia statis-
tik cukup yang lengkap
Misalkan
T = (T1 , T2 , . . . , Tr )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , r adalah statistik cukup
untuk θ dan U = U (X1 , X2 , . . . , Xn ) estimator tak bias dari g(θ) dengan g
fungsi real. Misalkan φ(T) = E[U |T]. Estimator merupakan estimator tak
bias dari g(θ) dan Var(φ) ≤ Var(U ) untuk semua θ ∈ Ω dengan kesamaan
dipenuhi bila U merupakan fungsi dari T.
Jika tersedia statistik cukup maka Teorema Rao-Blackwell mengatakan
bahwa pencarian estimator UMVU untuk g(θ) cukup dibatasi pada kelas esti-
mator tak bias yang hanya tergantung pada T. Jika T lengkap maka dengan
menggunakan Teorema Lehman-Scheffe, estimator tak bias φ(T) adalah esti-
mator unik yang mempunyai variansi minimum seragam dalam kelas semua
estimator tak bias. Metode ini tidak hanya menjamin keberadaan estimator
tetapi juga menghasilkannya.
Teorema 2.1
Misalkan g fungsi terukur dan real. Misalkan terdapat estimator tak bias
U = U (X1 , X2 , . . . , Xn ) dari g(θ) dengan variansi berhingga. Jika
T = (T1 , T2 , . . . , Tr )t
dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , r adalah statistik cukup
untuk θ, lengkap dan φ(T) = E[U |T] maka estimator UMVU untuk g(θ)
dan tunggal.
Contoh 2.1
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi Bi-

nom(1, θ) dan akan ditentukan estimator UMVU dari variansi X. Karena X
berdistribusi maka variansi dari X adalah Var(X) = g(θ) = θ(1 − θ). Jika
Pn
(Xi − X̄)2
U = i=1
n−1
maka Eθ [U ] = g(θ). Hal itu berarti U merupakan estimator tak bias untuk
g(θ). Lebih jauh,
X Xn
(Xi − X̄)2 = Xi2 − nX̄.
i=1 i=1
21
Karena Xi = 0 atau 1 maka Xi2 = Xi sehingga
n
X n
X 1 X
n 2
Xi2 − nX̄ = Xi − n Xi .
i=1 i=1
n i=1
Pn
Jika T = i=1 Xi maka diperoleh
n
X n
X 1 X
n 2 T2
Xi2 − nX̄ = Xi − n Xi =T− ,
i=1 i=1
n i=1
n
2

1
sehingga U = n−1 T − Tn . Karena T merupakan statistik lengkap dan juga
merupakan statistik cukup untuk θ maka dengan mengingat Teorema 2.1, U
merupakan estimator UMVU untuk g(θ) = θ(1 − θ).
Contoh 2.2

dengan µ dan σ 2 tidak diketahui. Akan ditentukan estimator UMVU P untuk µ
σ . Misalkan θ = (µ, σ ) , g1 (θ) = µ dan g1 (θ) = σ . Jika X̄ = ni=1 Xi
dan P2 2 t 2
dan ni=1 Xi2 merupakan statistik yang lengkap. Jika U1 = X̄ dan

n
2 1X
S = (Xi − X̄)2
n i=1
maka (X̄, S 2 ) merupakan statistik yang lengkap. Jika U1 = X̄ dan U2 = nS 2

maka E[U1 ] = µ dan E[nS 2 /σ 2 ] = n − 1 sehingga E[nS 2 /(n − 1)]σ 2 . Hal itu
berarti U1 estimator tak bias untuk µ dan U2 merupakan estimator tak bias
untuk σ 2 . Karena U1 dan U2 hanya tergantung pada statistik cukup yang
lengkap maka (X̄, S 2 )t merupakan estimator UMVU untuk (µ, σ 2 ).
2.2 Metode yang digunakan bila tidak terse-

dia statistik cukup lengkap
Misalkan Ω ⊆ R, g fungsi real dan terdeferensialkan untuk semua θ ∈ ω.
Untuk menggunakan metode ini diperlukan syarat-syarat berikut ini :
1. f (x; θ) positif pada himpunan S yang tidak bergantung pada θ ∈ Ω.
2. Ω interval terbuka dalam R.

3. ∂f (x; θ)/∂θ ada untuk semua θ ∈ Ω dan semua x ∈ S.
22
R R
4. S
... S
f (x1 ; θ) . . . f (xn ; θ)dx1 . . . dxn atau
X X
... f (x1 ; θ) . . . f (xn ; θ)
S S
dapat dideferensialkan di bawah tanda integral atau tanda sigma.
5. I(θ) = E[∂f (x; θ)/∂θ]2 positif untuk semua θ ∈ Ω.

R R
6. S . . . S u(x1 , . . . , xn )f (x1 ; θ) . . . f (xn ; θ)dx1 . . . dxn atau
X X
... u(x1 , . . . , xn )f (x1 ; θ) . . . f (xn ; θ)
S S
dapat dideferensialkan di bawah tanda integral atau tanda sigma den-

gan sebarang statistik tak bias untuk θ.
Teorema berikut ini memberikan sifat tentang batas bawah dari variansi
suatu statistik.
Teorema 2.2 (Cramer-Rao Inequality)
Misalkan X1 , . . . , Xn variabel random saling-bebas dan berdistribusi iden-

tik dengan fungsi kepadatan serta dianggap syarat-syarat tersebut dipenuhi.
Untuk sebarang estimator tak bias U = U (X1 , . . . , Xn ) dari g(θ) berlaku
[g 0 (θ)]2
Var(U ) ≥
nI(θ)
dengan θ ∈ Ω dan g 0 (θ) = dg(θ)/dθ.
Definisi 2.4
I(θ) = E[∂f (x; θ)/∂θ]2 dinamakan informasi Fisher sedangkan nI(θ) adalah
informasi yang terkandung dalam sampel X1 , . . . , Xn .
Contoh 2.3
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi Binom(1, θ)

dengan θ ∈ (0, 1). Fungsi probabilitas dari variabel random X yang berdis-
tribusi Binom(1, θ) adalah
f (x; θ) = θ x (1 − θ)1−x
23
atau ln f (x; θ) = x ln θ + (1 − x) ln θ sehingga
∂ ln f (x; θ) 1 1−x
= − .
∂θ θ 1−θ
Akibatnya
∂ ln f (x; θ) 2 1 2 1 2
= 2
x + 2
(1 − x)2 − x(1 − x).
∂θ θ (1 − θ) θ(1 − θ)
Karena E[X 2 ] = θ dan E[(1 − X)2 ] = 1 − θ serta E[X(1 − X)] = 0 maka

informasi Fisher I(θ) adalah
∂ ln f (x; θ) 2 1 1 2
2 2
E = E[X ] + E[(1 − X) ] − E[X(1 − X)]
∂θ θ2 (1 − θ)2 θ(1 − θ)
1 1
= 2θ + (1 − θ)
θ (1 − θ)2
1 1
= +
θ 1−θ
1
= .
θ(1 − θ)
Hal itu berarti batas bawah Cramer-Rao untuk g(θ) adalah
[g 0 (θ)]2
CRLB =
nI(θ)
1
= 1
n θ(1−θ)
θ(1 − θ)
= .
n
Karena X̄ merupakan estimator tak bias θ dan variasinya adalah
θ(1 − θ)
V (X̄) =
n
yaitu sama dengan batas bawah Cramer Rao maka X̄ merupakan estimator
UMVU untuk θ.
Contoh 2.4
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi Poisson(θ)
24
dengan θ > 0. Fungsi probabilitas dari variabel random X yang berdistribusi
adalah
e−θ θ x
f (x; θ) =
x!
atau ln f (x; θ) = −θ + x ln θ − ln(x!) sehingga
∂ ln f (x; θ) x
= −1 +
∂θ θ
dan ∂ ln f (x; θ) 2 1 2 2
= 1+ x − x.
∂θ θ2 θ
Karena E[X] = θ dan E[X 2 ] = θ(1 + θ) maka
h ∂ ln f (x; θ) 2 i 1 2
E = E[1] + 2 E[X 2 ] − E[X]
∂θ θ θ
1 2
= 1 + 2 θ(1 + θ) − θ
θ θ
1
= 1 + (1 + θ) − 2
θ
1
= −1 + + 1
θ
1
= .
θ
Hal itu berarti batas bawah Cramer-Rao untuk θ sama dengan
[g 0 (θ)]2 1 θ
CRLB = = 1 = .
nI(θ) nθ n
Karena X̄ merupakan estimator tak bias untuk θ dan variansinya adalah
Var(X̄) = nθ yaitu sama dengan batas bawah CRLB maka X̄ merupakan
estimator UMVU untuk θ.
Contoh 2.5

dengan µ ∈ R dan σ 2 > 0.
Kasus 1
Misalkan bahwa σ 2 diketahui dan µ = θ. Fungsi kepadatan probabilitas

X yang berdistribusi N (θ, σ 2 ) adalah
1 h (x − θ)2 i
f (x; θ) = √ exp −
2πσ 2 2σ 2
25
atau 1 (x − θ)2
ln f (x; θ) = ln √ − .
2πσ 2 2σ 2
Akibatnya
∂ ln f (x; θ) 1 (x − θ)
=
∂θ σ σ
atau ∂ ln f (x; θ) 2 1 (x − θ)2
= .
∂θ σ2 σ2
Karena X berdistribusi N (θ, σ 2 ) maka (X−θ)
σ
berdistribusi N (0, 1) sehingga
2
berdistribusi chi-kuadrat dengan derajat bebas 1. Akibatnya E[ (X−θ) σ2
] = 1.
Hal itu berarti
∂ ln f (x; θ) 2 1 (X − θ)2 1
E = 2E =
∂θ σ σ2 σ2
sehingga batas bawah Cramer-Rao untuk g(θ) adalah
g 0 (θ) 1 σ2
CRLB = = 1 = .
nI(θ) n σ2 n
Karena X̄ merupakan estimator tak bias untuk g(θ) = θ dan variansinya

2
adalah Var(X̄) = σn yaitu sama dengan batas bawah Cramer-Rao maka X̄
merupakan estimator UMVU untuk θ.
Kasus 2
Misalkan bahwa µ diketahui dan σ 2 = θ. Fungsi kepadatan probabilitas

X yang berdistribusi N (µ, θ) adalah
1 h (x − µ)2 i
f (x; θ) = √ exp −
2πθ 2θ
1 (x−µ)2
sehingga ln f (x; θ) = 2
ln(2π) − 21 ln θ − 2θ
. Akibatnya
∂ ln f (x; θ) 1 (x − µ)2
=− +
∂θ 2θ 2θ 2
dan ∂ ln f (x; θ) 2 1 1 (x − µ)2 1 x − µ 4
=− 2 + 2 + 2 √ .
∂θ 4θ 2θ θ 4θ θ
26
Karena variabel random X berdistribusi N (µ, σ 2 ) maka X−µ√
θ
berdistribusi
N (0, 1) sehingga berdistribusi chi-kuadrat dengan derajat bebas 1. Akibat-
2 2
nya E (X−µ)θ
= 1 dan Var (X−µ)
θ
= 2 sehingga
h x − µ 4 i h (X − µ)2 2 i
E √ = E
θ θ
h (X − µ)2 i h (X − µ)2 i2
= Var + E
θ θ
= 2 + 1 = 3.
Oleh karena itu
h ∂ ln f (x; θ) 2 i 1 1 h (x − µ)2 i 1 h x − µ 4 i
E = − 2 E[1] + 2 E + 2E √
∂θ 4θ 2θ θ 4θ θ
sehingga
h ∂ ln f (x; θ) 2 i
1 1 3
E − =+
∂θ 4θ 2 2θ 2 4θ 2
1
= .
2θ 2
Karena batas bawah Cramer-Rao untuk g(θ) adalah
[g 0 (θ)]2 1 2θ 2
CRLB = = 1 = .
nI(θ) n 2θ2 n
Karena variabel random Xi berdistribusi N (µ, θ) untuk i = 1, 2, . . . , n maka
Xi −µ
θ
berdistribusi N (0, 1) sehingga berdistribusi chi-kuadrat dengan derajat
bebas 1. Dengan mengingat Xiθ−µ saling bebas untuk i = 1, 2, . . . , n maka
Pn (Xi −µ)2
i=1 θ
berdistribusi chi-kuadrat dengan derajat bebas n. Akibatnya
hXn
(Xi − µ)2 i hXn
(Xi − µ)2 i
E = n, Var = 2n
i=1
θ i=1
θ
P 2 2
sehingga ni=1 (Xi −µ)
θ
estimator tak bias untuk θ dan variansinya 2θn sama
dengan CRLB. Hal itu berarti merupakan estimator UMVU untuk θ.
Kasus 3
Bila µ dan σ 2 tidak diketahui maka µ = θ1 dan σ 2 = θ2 sehingga estimator

UMVU untuk θ1 adalah X̄ dan estimator UMVU untuk θ2 adalah
n
1 X
θˆ2 = (Xi − X̄)2 .
n − 1 i=1
27
Pn
i −X̄
X√
Karena i=1 θ2
berdistribusi chi-kuadrat dengan derajat bebas n − 1
maka variansi dari θˆ2 adalah 2θ2 /(n − 1). Hal itu berarti estimator UMVU
untuk θ2 mempunyai variansi lebih besar dari batas bawah Cramer-Rao.
Estimator UMVU untuk g(θ) dinamakan estimator efisien untuk g(θ).
Jika u estimator UMVU untuk θ dan U ∗ sebarang estimator tak bias untuk
g(θ) maka kuantitas mengukur efisiensi relatif U ∗ terhadap u. Jelas bahwa
efisiensi relatif mempunyai nilai dalam interval (0, 1].
2.3 Kriteria Pemilihan Estimator : Prinsip

MLE
tik dengan fungsi kepadatan probabilitas f (x; θ), θ ∈ Ω ⊆ Rr dan anggap
bahwa fungsi kepadatan probabilitas bersamanya dinyatakan dengan
f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ).
Bila fungsi kepadatan probabilitas bersama ini, variabel x dipandang sebagai
konstanta dan merupakan fungsi dari θ maka dinamakan fungsi likelihood
(likelihood function) dan dinotasikan dengan
L(θ|x1 , x2 , . . . , xn ).
Definisi 2.5
Estimasi θ = θ(x1 , x2 , . . . , xn ) dinamakan MLE (maximum likelihood esti-

mator ) dari θ jika
L(θ|x1 , x2 , . . . , xn ) = max{L(θ|x1 , x2 , . . . , xn )}
dan θ = θ(x1 , x2 , . . . , xn ) dinamakan MLE untuk θ.
Karena fungsi y = ln x, x > 0 merupakan fungsi naik tajam maka un-
tuk memaksimumkan L(θ|x1 , x2 , . . . , xn ) terhadap θ cukup dengan memak-
simumkan
ln L(θ|x1 , x2 , . . . , xn ).
Contoh 2.6
Misalkan X1 , . . . , Xn variabel random saling-bebas dan berdistribusi Poisson(θ).

Fungsi probabilitas dari Xi adalah
e−θ θ xi
f (xi ; θ) =
xi !
28
sehingga fungsi likelihoodnya adalah
P 1
xi
L(θ|x1 , x2 , . . . , xn ) = exp[−nθ]θ Qn .
i=1 xi !
Logaritma naturalis dari fungsi likelihoodnya adalah
Y
n X
n
l(θ) = ln L(θ|x1 , x2 , . . . , xn ) = − ln xi ! − nθ + xi ln θ.
i=1 i=1
∂l
Oleh karena itu ∂θ = −n + nX̄ 1θ = 0 dan diperoleh θ̂ = X̄. Sedangkan
2
∂ l
∂θ
= −nx̄ θ12 < 0 untuk semua θ > 0 sehingga berlaku juga untuk θ = θ̂.
Contoh 2.7

dengan parameter θ = (µ, σ 2 )t . Fungsi likelihoodnya adalah
1 1 X
n
L(θ|x1 , x2 , . . . , xn ) = √ exp − 2 (xi − µ)2
2πσ 2 2σ i=1
sehingga
n
√ 1 X
L(θ|x1 , x2 , . . . , xn ) = −n ln(2π) − n ln( σ2) − 2 (xi − µ)2 .
2σ i=1
Akibatnya
n
∂ ln L 2 X n
= 2 (Xi − µ) = 2 (X̄ − µ)
∂µ 2σ i=1 σ
dan n
∂ ln L n 1 X
2
=− 2 + 4 (Xi − µ)2 = 0
∂σ 2σ 2σ i=1
P
sehingga diperoleh µ̂ = X̄ dan σ 2 = n1 ni=1 (Xi − X̄)2 . Jika σ 2 diketahui
dan µ = θ maka µ̂ =Px̄ adalah MLE untuk µ sedangkan jika µ diketahui dan
σ 2 = θ maka σ̂ = n1 ni=1 (Xi − X̄)2 adalah MLE untuk σ 2 .
Contoh 2.8
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi U (α, β).

Fungsi kepadatan probabilitas dari U (α, β) adalah
1
f (x; θ) =
β−α
29
untuk α < x < β dengan θ = (α, β)t ∈ Ω. Fungsi likelihoodnya adalah
n
Y
L(θ|x1 , x2 , . . . , xn ) = f (xi ; θ)
i=1
Yn
1
= untukα < xi < β
i=1
β−α
1
= I[α,∞) (X(1) )I(−∞,β] (X(1) ).
(β − α)n
Fungsi likelihoodnya akan mencapai maksimum jika β − α minimum yaitu
jika α̂ = X(1) dan β̂ = X(n) . Jadi MLE untuk α dan β masing-masing adalah
α̂ = X(1) dan β̂ = X(n) . Khususnya, jika α = θ − c dan β = θ + c dengan c
positif dan c diketahui maka fungsi likelihoodnya adalah
1
L(θ|x1 , x2 , . . . , xn ) = I[θ−c,∞) (X(1) )I(−∞,θ+c] (X(1) ).
(2c)n
1
Fungsi likelihood dimaksimumkan dan nilai maksimumnya adalah (2c) n untuk
sebarang θ sehingga θ − c ≤ X(1) dan θ + c ≥ X(n) yaitu ekuivalen dengan
X(n) − c ≤ θ ≤ X(1) + c.
Hal itu berarti bahwa sebarang statistik yang terletak antara X(n) − c dan
X(1) + c merupakan MLE untuk θ. Sebagai contoh 21 [X(1) + X(n) ] merupakan
MLE untuk θ. Jika β diketahui dan α = θ maka θ̂ = X(1) merupakan MLE
untuk θ sedangkan jika α diketahui dan β = θ maka θ̂ = X(n) merupakan
MLE untuk θ.
Teorema 2.3
Misalkan X1 , . . . , Xn variabel random saling bebas dengan fungsi kepadatan

probabilitas f (x; θ) dan T = (T1 , . . . , Tr )t dengan Tj = Tj (X1 , . . . , Xn ) un-
tuk j = 1, 2, . . . , r merupakan statistik cukup untuk θ = (θ1 , . . . , θr )t . Jika
θ̂ = (θˆ1 , . . . , θˆr ) adalah MLE yang tunggal untuk θ dan θ̂ merupakan fungsi
dari T .
Teorema 2.4

probabilitas f (x; θ) dan θ ∈ Ω ⊆ Rr . Jika φ didefinisikan pada Ω ke Ω∗ ⊆ Rm
yang merupakan fungsi korespondensi satu-satu dan θ̂ adalah MLE untuk θ
30
maka φ(θ) merupakan MLE untuk φ(θ). Hal itu berarti MLE invariant di
bawah transformasi satu-satu.
Contoh 2.9

dengan parameter θ = (µ, σ 2 )t . Berdasarkan Contoh 2.7, merupakan √ MLE
untuk σ 2 . Misalkan didefinisikan φ : Ω 7→ Ω∗ dengan φ(θ) = θ dan
Ω = Ω∗ = {R ∈ R|σ ≥ 0} yang merupakan fungsi korespondensi satu-satu.
Dengan menggunakan Teorema 2. 4, diperoleh bahwa
v
u n
u1 X
t (Xi − X̄)2
n i=1
merupakan MLE untuk σ.
2.4 Estimator Momen

Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi identik
dengan f (x; θ) dan untuk bilangan positif r dianggap bahwa E[X r ] = mr
berhingga. Dengan menggunakan
Pn metode ini mr akan diestimasi dengan
r
i=1 xi
momen sampel yaitu n
. Bila sistem persamaan
n
1X k
x = mk (θ1 , θ2 , . . . , θr )
n i=1 i
dengan k = 1, 2, . . . , r dapat diselesaikan maka akan menghasilkan estimator

untuk θj dengan j = 1, 2, . . . , r.
Contoh 2.10

dengan µ dan σ 2 tidak diketahui. Dengan menggunakan metode momen
diperoleh sistem persamaan
Pn
i=1 Xi
= E[X] = µ,
Pn n 2
i=1 Xi
= E[X 2 ] = Var(X) + (E[X])2 = σ 2 + µ2 ,
n
P
sehingga menghasilkan estimator momen µ̂ = X̄ dan σ 2 = n1 ni=1 (Xi − X̄)2 .
31
Contoh 2.11
Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi U (α, β)

dengan α dan β tidak diketahui. Dengan metode momen diperoleh sistem
persamaan
Pn
i=1 Xi α+β
= X̄ = E[X] = ,
Pn n 2 2
i=1 Xi (α − β)2 (α + β)2
= X̄ 2 = E[X 2 ] = Var(X) + (E[X])2 = + ,
n 12 4
sehingga diperoleh
α + β = 2X̄
2 (α − β)2 β − α 2
X̄ 2 − X̄ = = √
12 12
atau
α + β = 2X̄
√
−α + β = S 12.
Akibatnya estimator momen untuk α dan β berturut-turut adalah

√ √
12 12
α̂ = X̄ − S, β̂ = X̄ + S.
2 2
Terlihat bahwa estimator momen dari α dan β bukan merupakan fungsi dari
statistik cukup dari α dan β. Hal ini merupakan salah satu kekurangan
dari metode momen. Kekurangan lain dari metode ini adalah bahwa metode
ini tidak dapat digunakan bila momennya tidak ada seperti pada distribusi
Cauchy.
32
2.5 Kriteria Pemilihan Estimator : Pendekatan
Teori Keputusan
tik dengan fungsi kepadatan probabilitas f (x; θ), θ ∈ Ω ⊆ R dan diinginkan
untuk mengestimasi θ.
Definisi 2.6
Fungsi keputusan δ adalah fungsi terukur yang didefinisikan dari Rn ke R.

Nilai δ(x1 , x2 , . . . , xn ) dari δ pada dinamakan keputusan (decision).
Definisi 2.7
Untuk mengestimasi θ berdasarkan X1 , X2 , . . . , xn dan menggunakan kepu-

tusan δ. Fungsi kerugian (loss function) adalah fungsi non negatif dari θ dan
δ(x1 , x2 , . . . , xn ) yang menyatakan kerugian yang diakibatkan bila mengesti-
masi θ dengan δ(x1 , x2 , . . . , xn ).
Fungsi kerugian yang biasa digunakan adalah
L[θ; δ(x1 , x2 , . . . , xn )] = |θ − δ(x1 , x2 , . . . , xn )|
atau secara umum
L[θ; δ(x1 , x2 , . . . , xn )] = |θ − δ(x1 , x2 , . . . , xn )|k
untuk k > 0 atau L[θ; δ(x1 , x2 , . . . , xn )] fungsi konveks dari θ. Bentuk fungsi
kerugian yang biasa digunakan adalah
L[θ; δ(x1 , x2 , . . . , xn )] = (θ − δ(x1 , x2 , . . . , xn ))2 .
Definisi 2.8
Fungsi resiko (risk function) yang bersesuaian dengan L[θ; δ] dan dinotasikan
dengan R[θ; δ] didefinisikan sebagai
R[θ; δ] = E[L(θ; δ(x1 , x2 , . . . , xn ))].
Hal itu berarti bahwa resiko dari fungsi keputusan yang diberikan adalah
rata-rata atau harapan jika fungsi keputusan tersebut digunakan.
Dua keputusan δ dan δ ∗ dikatakan ekuivalen bila
R[θ; δ] = E[L(θ; δ(x1 , x2 , . . . , xn ))] = E[L(θ; δ ∗ (x1 , x2 , . . . , xn ))] = R[θ; δ ∗ ].
33
Dalam konteks estimasi titik, keputusan δ(x1 , x2 , . . . , xn ) dinamakan estimasi
dari θ dan kebaikannya ditentukan berdasarkan resiko R[θ, δ].
Definisi 2.9
Estimator δ dari θ dikatakan admisible jika tidak ada estimator lain δ ∗ dari
δ sehingga untuk semua R[θ; δ ∗ ] ≤ R[θ; δ] untuk semua θ ∈ Ω.
Definisi 2.10
Kelas dari estimator D dikatakan essentially complete jika untuk sebarang

estimator δ ∗ dari θ tidak dalam D sehingga R[θ; δ] ≤ R[θ; δ ∗ ] untuk semua
θ ∈ Ω.
Hal itu berarti bahwa pencarian estimator dengan sifat-sifat optimal
membatasi perhatian kita pada kelas yang essentially complete dari estimator-
estimator admisible. Apabila hal ini dikerjakan, maka muncul pertanyaan
: yang manakah dari kelas ini yang dapat dipilih sebagai suatu estimator
dari θ. Untuk itu dipilih estimator δ sehingga untuk sebarang estimator
lain δ ∗ dalam kelas dari semua θ ∈ Ω. Sayangnya estimator yang demikian
tidak ada kecuali untuk kasus-kasus yang sederhana. Akan tetapi, jika kita
membatasi hanya pada kelas estimator tak bias dengan variansi berhingga
dan mengambil fungsi kerugian kuadrat maka R[θ; δ] menjadi variansi dari
δ ∗ (x1 , x2 , . . . , xn ). Kriteria pemilihan di atas bersesuaian dengan pencarian
estimator UMVU.
Estimator yang meminimumkan hal-hal buruk yang terjadi pada kita
yaitu meminimumkan resiko maksimum atas θ. Jika estimator yang mem-
punyai sifat tersebut ada maka dinamakan estimator minimaks (minimax
estimator ). Untuk mencari estimator minimaks ini masih dibatasi pada ke-
las estimator yang essentially complete.
Definisi 2.11
Dalam kelas D yaitu semua estimator yang mempunyai sifat R[θ; δ] berhingga
untuk semua θ ∈ Ω, estimator δ dikatakan minimaks (minimax ) jika untuk
sebarang estimator δ ∗ yang lain berlaku sifat
sup{R[θ; δ]; θ ∈ Ω} ≤ sup{R[θ; δ ∗ ]; θ ∈ Ω}.
Misalkan Ω ⊆ R dan θ adalah variabel random dengan fungsi kepadatan
34
probabilitas yaitu fungsi kepadatan probabilitas prior
Z X
R(δ) = E[R(θ; δ)] = R[θ; δ]λ(θ)dθ atau R[θ; δ]λ(θ).
Ω Ω
Hal itu berarti bahwa R(δ) adalah resiko rata-rata dari seluruh ruang pa-
rameter Ω bila digunakan estimator δ.
Misalkan D2 adalah kelas semua estimator sehingga R(δ) berhingga un-
tuk suatu prior λ pada Ω yang diketahui.
Definisi 2.12
Dalam kelas D2 , estimator δ dikatakan estimator Bayes (dalam teori kepu-

tusan dan berkaitan dengan fungsi kepadatan probabilitas prior λ pada Ω)
jika R(δ) ≤ R(δ ∗ ) untuk semua estimator δ ∗ yang lain.
Penentuan Estimator Bayes

datan probabilitas f (x, θ), θ ∈ Ω ⊆ R. Dalam hal ini digunakan fungsi keru-
gian kuadrat. Misalkan θ variabel random dengan fungsi kepadatan prior λ.
Akan ditentukan δ sehingga menjadi estimator Bayes dari θ dalam arti teori
keputusan.
Teorema 2.5
Estimasi Bayes dari θ yang bersesuaian dengan fungsi kepadatan probabilitas

λ pada Ω sehingga
Z
θf (x1 ; θ)f (x2 ; θ)λ(θ)f (xn ; θ) . . . dθ
Ω
dan Z
f (x1 ; θ)f (x2 ; θ)λ(θ)f (xn ; θ) . . . dθ
Ω
berhingga untuk setiap (x1 x2 , . . . , xn )t diberikan oleh
R
δ(x1 x2 , . . . , xn ) = RΩ
Ω
f (x1 ; θ)f (x2 ; θ)λ(θ)f (xn ; θ) . . . dθ
asalkan λ kontinu.
Jika nilai pengamatan dari Xi adalah xi untuk i = 1, 2, . . . , n maka
akan ditentukan fungsi kepadatan probabilitas bersyarat dari θ bila diberikan
35
X1 = x1 , X2 = x2 , . . . , Xn = xn merupakan fungsi kepadatan posterior dari
θ. Fungsi kepadatan posterior dari θ adalah
f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ) f (x; θ)λ(θ)

h(θ|x) = =
h(x) h(x)
f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)λ(θ)
=
h(x)
dengan
Z Z
h(x) = f (x; θ)λ(θ)dθ = f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)λ(θ)dθ
Ω Ω
untuk λ kontinu.
Estimator Bayes untuk θ yaitu δ(x1 x2 , . . . , xn ) adalah harapan dari θ
berkaitan dengan fungsi kepadatan probabilitas posteriornya. estimator Bayes
yang lain dari θ adalah median dari h(θ|x) atau modus dari h(θ|x) jika ada.
Contoh 2.12
Misalkan variabel random saling bebas dari distribusi Binom(1, θ) dengan

θ ∈ Ω = (0, 1). Fungsi kepadatan probabilitas priornya dipilih berdistribusi
Beta(α, β) dengan parameter α dan β yaitu
Γ(α + β) α−1
λ(θ) = θ (1 − θ)β−1
Γ(α)Γ(β)
untuk θ ∈ (0, 1). Akibatnya

Z
I1 = f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)λdθ
Ω
Z
Γ(α + β) 1 P xi P
= θ (1 − θ)n− xi θ α−1 (1 − θ)β−1 dθ
Γ(α)Γ(β) 0
Z
Γ(α + β) 1 P xi +α−1 P
= θ (1 − θ)β+n− xi −1 dθ
Γ(α)Γ(β) 0
P P
Γ(α + β) Γ(α + ni=1 xi )Γ(β + n − ni=1 xi )
=
Γ(α)Γ(β) Γ(α + β + n)
36
dan
Z
I1 = θf (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)λdθ
Ω
Z
Γ(α + β) 1 P xi P
= θθ (1 − θ)n− xi θ α−1 (1 − θ)β−1 dθ
Γ(α)Γ(β) 0
Z
Γ(α + β) 1 P xi +α+1−1 P
= θ (1 − θ)β+n− xi −1 dθ
Γ(α)Γ(β) 0
P P
Γ(α + β) Γ(α + ni=1 xi + 1)Γ(β + n − ni=1 xi )
= .
Γ(α)Γ(β) Γ(α + β + n + 1)
Diperoleh estimator Bayes adalah
R
δ(x1 x2 , . . . , xn ) = RΩ
Ω
f (x1 ; θ)f (x2 ; θ)λ(θ)f (xn ; θ) . . . dθ
P
Γ(α + β + n)Γ(α + ni=1 xi + 1)
= P
Γ(α + β + n)Γ(α + ni=1 xi )
P P
Γ(α + β + n) α + ni=1 xi Γ(α + ni=1 xi )
= P
(α + β + n)Γ(α + β + n)Γ(α + ni=1 xi )
P
α + ni=1 xi
= .
α+β+n
Bila α = β = 1 maka distribusi priornya merupakan distribusi seragam pada
(0,1) sehingga diperoleh estimator Bayes
P
1 + ni=1 xi
δ(x1 x2 , . . . , xn ) = .
2+n
Penentuan estimator Minimaks

datan probabilitas f (x; θ), θ ∈ Ω ⊆ R dan λ fungsi kepadatan probabili-
tas prior pada Ω. Fungsi kepadatan probabilitas posterior dari θ diberikan
X = (X1 , X2 , . . . , Xn )t = (x1 , x2 , . . . , xn )t dinyatakan dengan
f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)
h(θ|x) = .
h(x)
Telah diperoleh bahwa estimator Bayes dari θ dalam arti teori keputusan
diberikan dengan Z
δ(x1 , x2 , . . . , xn ) = θh(θ|x)dθ
Ω
37
asalkan λ kontinu.
Teorema 2.6
Misalkan terdapat fungsi kepadatan probabilitas λ pada Ω sehingga untuk

estimasi Bayes δ yang didefinisikan dengan
R
δ(x1 x2 , . . . , xn ) = RΩ
Ω
f (x1 ; θ)f (x2 ; θ)λ(θ)f (xn ; θ) . . . dθ
dan resiko R[θ; δ] tidak tergantung pada θ. Estimator δ(x1 x2 , . . . , xn ) meru-

pakan estimator minimaks.
Contoh 2.12
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi Binom(1, θ)

dengan θ ∈ Ω = (0, 1). Fungsi kepadatan
Pn probabilitas priornya dipilih berdis-
tribusi Beta(α, β). Jika X = i=1 Xi maka X berdistribusi Binom(n, θ)
sehingga E[X] = nθ dan Var(X) = nθ(1 − θ) serta
E[X 2 ] = Var(X) + (E[X])2 = nθ(1 − θ) + (nθ)2 = nθ(1 − θ + nθ).
Bila P
α + ni=1 Xi α+X
δ(x1 x2 , . . . , xn ) = =
α+β+n α+β+n
digunakan untuk mengestimasi θ maka akan mempunyai resiko
h X +α i
R[θ, δ] = E θ −
n+α+β
h (n + α + β)θ − (X + α) i2
=E
n+α+β
(n + α + β)2 θ2 − 2(n + α + β)θE[X + α] + E[X + α]2
=
(n + α + β)2
(n + 2nα + 2nβ + (α + β)2 )θ2 − 2(n + α + β)θ(nθ + α) + E[X 2 ] + 2αE[X] + α2
2
=
(n + α + β)2
(α + β) θ − nθ − 2θα − 2θαβ + nθ − nθ 2 + n2 θ2 + α2
2 2 2 2
=
(n + α + β)2
(α + β) θ − nθ − 2θα2 − 2θαβ + nθ + α2
2 2 2
=
(n + α + β)2
[(α + β) − n]θ − [2α2 + 2αβ − n]θ + α2
2 2
= .
(n + α + β)2
1√
Bila α = β = 2
n dan misalkan δ ∗ hasil estimasi dari θ maka (α+β)2 −n = 0
38
dan 2α2 + 2αβ − n = 0 sehingga
∗ α2 (1/4)n 1
R(θ, δ ) = 2
= √ 2 = √ .
(n + α + β) (n + n) 4(1 + n)2
Karena R(θ, δ ∗ ) tidak tergantung pada θ maka
1√
Pn √
∗ 2
n + i=1 xi 2 nX̄ + 1
δ (x1 x2 , . . . , xn ) = √ = √
n+n 2( n + 1)
merupakan estimator minimaks.
Contoh 2.13
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari distribusi N (µ, σ 2 )

dengan σ 2 diketahui dan µ = θ. Estimator x̄ merupakan estimator UMVU
untuk θ tetapi juga merupakan estimator minimaks dan estimator yang ad-
misible.
Contoh 2.14
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari distribusi N (0, σ 2 )

dengan σ 2 tidak diketahui. Misalkan σ 2 = θ. Estimator UMVU untuk θ
adalah n
1X 2
U= X
n i=1 i
2 2
dan variansinya adalah 2θn yaitu R(θ; U ) = 2θn .
Misalkan estimatornya adalah δ = αU . Resiko yang terjadi jika digu-
nakan δ untuk mengestimasi θ adalah
R(θ; δ) = E[αU − θ]2
= E[α(U − θ) + (α − 1)θ]2
= α2 E[U − θ]2 + 2α(α − 1)θE(u − θ) + E[(α − 1)2 θ 2 ].
Karena U estimator tak bias untuk θ maka E[U ] = θ sehingga E(U − θ) = 0
2
dan akibatnya E[U − θ]2 = E[U − E(U )]2 = Var(U ) = 2θn . Hal itu berarti
θ
R(θ, δ) = 2α2 + 0 + (α − 1)2 θ 2
n
θ2
= (2α2 + nα2 − 2αn + n)
n
θ2
= [(n + 2)α2 − 2nα + n].
n
39
n 2θ 2
Nilai α = n+2 akan meminimumkan resiko dan resikonya sama dengan n+2
2
yang lebih kecil dari 2θn untuk semua θ. Akibatnya U tidak admisible yaitu
resikonya bukan yang terkecil.
2.6 Sifat-sifat Optimal secara Asimptotik dari

Estimator
tik dengan fungsi kepadatan probabilitas f (x; θ), θ ∈ Ω ⊆ R.
Definisi 2.12
Barisan estimator dari θ, {Vn } = {Vn (X1 , X2 , . . . , Xm )} dikatakan konsis-

ten dalam probabilitas (konsisten lemah) jika
Vn → θ
untuk n → ∞ dan untuk semua θ ∈ Ω. Demikian juga barisan estimator

dari θ, dikatakan konsiten hampir pasti (konsisten kuat) jika
Vn → θ
untuk n → ∞ dan untuk semua θ ∈ Ω.
Teorema 2.7
Jika E[Vn ] dan Var(Vn ) untuk n → ∞ maka Vn → θ.
Definisi 2.13
Barisan estimator dari θ, yang sudah dinormalkan dikatakan normal secara

asimptotik ke N (0, σ 2 (θ)) jika
√
n(Vn − θ) →d X
untuk n → ∞ dan untuk semua θ ∈ Ω dengan X berdistribusi normal

N (0, σ 2 (θ)) (di bawah Pθ ).
Sifat
√
Jika n(Vn − θ) → N (0, σ 2 (θ) untuk n → ∞ maka Vn → θ untuk n → ∞.
40
Definisi 2.14
Barisan estimator θ, dikatakan BAN (best asimptotically normal ) jika
1. estimator tersebut normal secara asimptotik.
2. variansi σ 2 (θ) dari distribusi normal limitnya terkecil untuk semua θ ∈

Ω dalam kelas semua barisan estimator yang memenuhi (1).
Barisan estimator BAN juga dinamakan efisien secara asimptotik.
Teorema 2.8

datan probabilitas f (x; θ) dengan θ ∈ Ω ⊆ R. Jika syarat-syarat 1 sampai 6
pada pasal 2.2 dipenuhi, maka persamaan likelihood
∂
ln L(θ|x1 , x2 , . . . , xn ) = 0
∂θ
mempunyai akar θn∗ = θ ∗ (X1 , X2 , . . . , Xn ) untuk setiap n, sehingga barisan
{θn∗ } dari estimator adalah BAN dan variansi dari distribusi normal limitnya
sama dengan invers informasi Fishernya yaitu
h ∂ ln f (x; θ) i2
I(θ) = Eθ
∂θ
dengan X mempunyai distribusi di atas.
Contoh 2.15
Misalkan X1 , . . . , Xn variabelP
random saling bebas berdistribusi Binom(1, θ).
MLE dari θ adalah X̄ = n ni=1 Xi dan dinotasikan dengan X̄n . Dengan
1
menggunakan Hukum Bilangan Besar Kuat (Strong Law of Large Number -

SLLN ) dan Hukum Bilangan Besar Lemah (Weak Law of Large Number -
WLLN ) diperoleh √
n(X̄n − θ) → N (0, I −1 (θ))
1
dengan I(θ) = θ(1−θ) . Akibatnya dengan menggunakan Teorema Limit Pusat
(Central Limit Theorema) diperoleh bahwa
√
n(X̄ − θ)
p n
θ(1 − θ)
41
berdistribusi N (0, 1) secara asimptotik.
Contoh 2.16
Misalkan X1 , . . . , Xn variabel P
random saling bebas berdistribusi Poisson(θ).
MLE dari θ adalah X̄ = n1 ni=1 Xi dan dinotasikan dengan X̄n . Den-
gan menggunakan Hukum Bilangan Besar Kuat dan Hukum Bilangan Besar
Lemah, X̄ mempunyai sifat √ konsisten kuat dan konsisten lemah serta den-
gan Teorema Limit Pusat, n(X̄n −θ) berdistribusi normal secara asimptotik
dengan variansi sama dengan I −1 (θ) = θ.
Contoh 2.17
Misalkan X1 , . . . , Xn variabel random saling bebas dengan distribusi N (µ, σ 2 )

dengan µ tidak diketahui sedangkan σ 2 diketahui. MLE untuk µ adalah
2
X̄Pn . Jika σ tidak diketahui dan √ µ diketahui maka MLE untuk σ 2 adalah
1 n 2
n i=1 (Xi −µ) . Variansi dari n(X̄n −µ) yang berdistribusi normal adalah
−1 2
I (µ) = σ . Limit variansi dari
√ h1 X n i
n (Xi − µ)2 − σ 2
n i=1
yang berdistribusi normal adalah I −1 (σ 2 ) = 2σ 2 .
Definisi 2.15

probabilitas f (x; θ) dengan θ ∈ Ω ⊆ R. Dua barisan estimator
{Un } = {U (X1 , . . . , Xn }
dan {Un } = {U (X1 , . . . , Xn } dikatakan ekuivalen secara asimptotik jika un-
tuk setiap θ ∈ Ω berlaku sifat
√
n(Un − Vn ) → 0.
Contoh 2.18
Misalkan X1 , . . . , Xn variabel random saling bebas berdistribusi Binom(1, θ).

Estimator UMVU untuk θ adalah
n
1X
Un = X̄n = X̄ = Xi .
n =1
42
Estimator ini juga merupakan MLE. Akan tetapi estimator Bayes untuk θ
dengan fungsi kepadatan probabilitas prior Beta(α, β) adalah
P
α + ni=1 Xi
n+α+β
dan estimator minimaksnya adalah
√ P
2
n
+ ni=1 Xi
Wn = √ .
n+ n
Dengan menggunakan Teorema Limit Pusat

√
n(Un − θ) → Z
dengan Z ∼ N (0, θ(1 − θ)). Dapat juga ditunjukkan bahwa

√
n(Un − Vn ) → 0.
43
Brief History of Rao
C. R. Rao (b. 1920) Statistician. ASA MGP.

Rao is the most distinguished member of the Indian statistical school
founded by P. C. Mahalanobis and centred on the Indian Statistical Insti-
tute and the journal Sankhya. Raos first statistics teacher at the University
of Calcutta was R. C. Bose. In 1941 Rao went to the ISI on a one-year
training programme, beginning an association that would last for over 30
years. (Other ISI notables were S. N. Roy in the generation before Rao and
D. Basu one of Raos students.) Mahalanobis was a friend of Fisher and much
of the early research at ISI was closely related to Fishers work. Rao was sent
to Cambridge to work as PhD student with Fisher, although his main task
seems to have been to look after Fishers laboratory animals! In a remarkable
paper written before he went to Cambridge, Information and the accuracy
attainable in the estimation of statistical parameters, Bull. Calcutta Math.
Soc. (1945) 37, 81-91 Rao published the results now known as the Cramr-Rao
inequality and the Rao-Blackwell theorem. A very influential contribution
from his Cambridge period was the score test (or Lagrange multiplier test),
which he proposed in 1948. Rao was influenced by Fisher but he was perhaps
as influenced as much by others, including Neyman. Rao has been a pro-
lific contributor to many branches of statistics as well as to the branches of
mathematics associated with statistics. He has written 14 books and around
350 papers. Rao has been a very international statistician. He worked with
the Soviet mathematicians A. M. Kagan and Yu. V. Linnik (LP) and since
1979 he has worked in the United States, first at the University of Pittsburgh
and then at Pennsylvania State University. He was elected to the UK Royal
Society in 1967 and he received the US National Medal of Science in 2002.
See ET Interview: C. R. Rao and ISI interview. For a general account of
Statistics in India, see B. L. S. Prakasha Raos About Statistics as a Discipline
in India.
44
Brief History of Neyman
Jerzy Neyman (1894-1981) Statistician. MacTutor References. NAS ASA

MGP. SC, LP.
Neyman was educated in the tradition of Russian probability theory
and had a strong interest in pure mathematics. His probability teacher at
Kharkov University was S. N. Bernstein. Like many, Neyman went into
statistics to get a job, finding one at the National Institute for Agriculture
in Warsaw. He appeared on the British statistical scene in 1925 when he
went on a fellowship to Pearsons laboratory. He began to collaborate with
Pearsons son Egon Pearson and they developed an approach to hypothesis
testing, which became the standard classical approach. Their first work was
on the likelihood ratio test (1928) but from 1933 they presented a general
theory of testing, featuring such characteristic concepts as size, power, Type
I error, critical region and, of course, the Neyman-Pearson lemma. More
of a solo project was estimation, in particular, the theory of confidence in-
tervals. In Poland Neyman worked on agricultural experiments and he also
contributed to sample survey theory (see stratified sampling and Neyman al-
location). At first Neyman had good relations with Fisher but their relations
began to deteriorate in 1935; see Neyman in A Guide to R. A. Fisher. From
the late 1930s Neyman emphasised his commitment to the classical approach
to statistical inference. Neyman had moved from Poland to Egon Pearsons
department at UCL in 1934 but in 1938 he moved to the University of Cal-
ifornia, Berkeley. There he built a very strong group which included such
notable figures as David Blackwell, J. L. Hodges, Erich Lehmann, Lucien Le
Cam (memorial) and Henry Scheff.
45
Chapter 3
Pengujian Hipotesis
Dalam seluruh bab ini X1 , X2 , . . . , Xn adalah variabel random saling bebas

dan berdistribusi identik yang didefinisikan pada ruang probabilitas (S, F, P ),
θ ∈ Ω ⊆ Rr dan mempunyai fungsi kepadatan probabilitas f (x; θ).
3.1 Konsep Umum dari Pengujian Hipotesis

Neyman-Pearson
Berikut ini diberikan definisi tentang hipotesis yang mendasari bab ini.
Definisi 3.1
Suatu pernyataan berkenaan dengan parameter θ seperti θ ∈ ω ⊆ Ω di-

namakan hipotesis (statistik) tentang θ dan biasanya dinotasikan dengan H
atau H0 . Demikian juga pernyataan bahwa θ ∈ ω c dengan ω c = Ω−ω adalah
hipotesis (statistik) tentang θ yang dinamakan alternatif dari H atau ditulis
dengan A atau Ha . Hal itu berarti H(H0 ) : θ ∈ ω c .
Seringkali hipotesis berasal dari klaim bahwa produk baru, teknik baru
dan sebagainya lebih effisien dari yang telah ada. dalam konteks ini H
atau H0 adalah suatu pernyataan yang meniadakan klaim ini dan dinamakan
hipotesis nul (null hypothesis).
Jika ω mengandung hanya satu titik yaitu ω = {θ0 } maka H dinamakan
hipotesis sederhana (simple hypothesis) dan jika mengandung lebih dari satu
titik maka dinamakan hipotesis komposit (composite hypothesis). Hal yang
sama juga berlaku untuk alternatif. Bila hipotesis dibuat maka akan muncul
masalah bagaimana menguji hipotesis berdasarkan pada nilai-nilai penga-
matan.
46
Definisi 3.2
Uji random atau statistik (fungsi uji atau test function) untuk pengujian
hipotesis H melawan alternatif A adalah fungsi terukur φ yang didefinisikan
pada Rn ke [0, 1] dan mempunyai interpretasi berikut ini. Jika (x1 , x2 , . . . , xn )t
adalah nilai pengamatan dari (X1 , X2 , . . . , Xn )t dan
φ(x1 , x2 , . . . , xn ) = y
maka hal ini dapat digambarkan sebagai suatu koin, yang mempunyai prob-
abilitas untuk mendapatkan ’muka’ sebesar y, dilempar satu kali dan bila
memperoleh ’muka’ maka H akan ditolak dan bila memperoleh ’belakang’
maka H akan diterima. Dalam kasus khusus, y dapat bernilai 0 atau 1 un-
tuk semua (x1 , x2 , . . . , xn )t sehingga uji dinamakan uji yang tidak random
(non randomized test). Hal itu berarti uji non random berbentuk

1 jika (x1 , x2 , . . . , xn )t ∈ B
φ(x1 , x2 , . . . , xn ) =
0 jika (x1 , x2 , . . . , xn )t ∈ B c
Dalam hal ini, himpunan Borel B ⊆ Rn dinamakan daerah kritik (daerah

penolakan - rejection region) dan B c dinamakan daerah penerimaan (accep-
tance region). Dalam pengujian hipotesis, kita dapat menghilangkan salah
satu dari 2 jenis kesalahan berikut yaitu kesalahan yang terjadi karena H
ditolak padahal H benar yaitu parameter yang tidak diketahui θ terletak
dalam ω atau kesalahan yang terjadi karena menerima H padahal H salah.
Definisi 3.3
Misalkan β(θ) = Pθ [MenolakH] sehingga
1 − β(θ) = Pθ [MenerimaH]
dengan θ ∈ Ω. Hal itu berarti bahwa β(θ) dengan θ ∈ ω adalah probabilitas

untuk menolak H di bawah anggapan H benar.
Untuk θ ∈ ω, β(θ) adalah probabilitas kesalahan tipe I. Besaran
1 − β(θ)
dengan θ ∈ ω c adalah probabilitas menerima H yang dihitung di bawah

anggapan H salah. Jadi untuk θ ∈ ω c , 1 − β(θ) menyatakan probabilitas
kesalahan tipe II.
Jelas bahwa, α merupakan batas atas terkecil dari probabilitas kesalahan
tipe I. Diinginkan untuk membuat α sekecil mungkin (lebih disukai 0) dan
47
pada saat yang sama membuat kuasanya sebesar mungkin (lebih disukai
1). Tentu saja, memaksimumkan kuasa ekuivalen dengan memaksimumkan
probabilitas kesalahan tipe II. sayangnya, dengan ukuran sampel yang tetap,
hal ini tidak dapat dilakukan. hal yang dapat dilakukan adalah memilih
ukuran tertentu untuk tingkat keberartian yang diperlukan (biasanya diambil
0,005; 0,001; 0,05 atau 0,1) dan mencari uji yang memaksimumkan kuasa.
Dengan anggapan bahwa kerugian potensial berkenaan dengan keputusan
yang salah, pembuat keputusan merupaka seorang yang konservatif yang
menyokong hipotesis nol sebagai kebenaran dan jika tidak demikian maka
haruslah ada fakta-fakta dari data bahwa hal tersebut salah. Dalam hal ini,
dia percaya bahwa akibat kesalahan penolakan hipotesis nol akan jauh lebih
buruk dari pada kesalahan yang diakibatkan oleh menerimanya.
Sebagai contoh, perusahaan obat menganggap bahwa pasar obat pro-
duk baru untuk menyembuhkan penyakit dibandingkan obat yang telah ada
mempunyai tingkat penyembuhan sebesar 60%. Berdasarkan pada percobaan
terbatas, divisi penelitian mengklaim bahwa obat baru lebih efektif. Jika
obat tersebut gagal lebih efektif atau mempunyai efek samping yang mem-
bahayakan, maka akan kehilangan pelanggan yang disebabkan oleh kekunoan
produk akan lebih kecil pengaruhnya dibandingkan dengan kegagalan yang
diakibatkan oleh ketidak-efektifan obat yang baru. Untuk itu, jika keputusan
dibuat berdasarkan pada sejumlah percobaan klinis maka hipotesis nol se-
harusnya adalah bahwa tingkat penyembuhan tidak lebih dari 60% melawan
alternatif bahwa tingkat penyembuhannya lebih dari 60%.
Perlu dicatat bahwa dalam uji non random dengan daerah kritik B diper-
oleh
β(θ) = Pθ [(x1 , x2 , . . . , xn )t ∈ B]
= 1.Pθ [(x1 , x2 , . . . , xn )t ∈ B] + 0.Pθ [(x1 , x2 , . . . , xn )t ∈ B c ]
= Eθ [φ(x1 , x2 , . . . , xn )].
Hal yang sama juga dapat dikerjakan untuk uji non random. Jadi
βφ (θ) = β(θ) = Eθ [φ(x1 , x2 , . . . , xn )], θ ∈ Ω.
Definisi 3.4
Uji tingkat α yang memaksimumkan kuasa uji diantara semua uji tingkat
α dikatakan uji paling kuasa seragam (uniformly most powerful - UMP ).
Jadi φ adalah uji UMP tingkat α jika
48
1. sup[βφ (θ)|θ ∈ ω] = α.
2. βφ (θ) ≥ βφ∗ (θ), θ ∈ ω c untuk sebarang uji yang memenuhi (1).

Jika ω c hanya terdiri dari satu titik maka UMP hanya dinamakan uji paling
kuasa (most powerful - MP ).
3.2 Pengujian Hipotesis Sederhana Melawan

Alternatif Sederhana
Dalam kasus ini, ruang parameter hanya terdiri dari 2 titik yang dapat dit-
uliskan sebagai θ0 dan θ1 yaitu
Ω = {θ0 , θ1 }.
Misalkan fθ0 dan fθ1 fungsi kepadatan probabilitas yang diketahui. Misalkan
dituliskan f0 = f (x; θ0 ), dan X1 , X2 , . . . , Xn variabel random saling bebas
dengan fungsi kepadatan probabilitas f (x; θ), θ ∈ Ω.
Akan dilakukan pengujian hipotesis H : θ ∈ ω = {θ0 } melawan alternatif
A : θ ∈ ω = {θ1 } pada level α. Dengan kata lain akan diuji hipotesis bahwa
populasi berdistribusi f0 melawan f1 .
Teorema 3.1

datan probabilitas f (x; θ), θ ∈ Ω = {θ0 , θ1 }. Akan diuji hipotesis H : θ ∈ θ0
melawan alternatif A : θ = θ1 pada level α(0 < α < 1). Misalkan
f (x1 ; θ1 )f (x2 ; θ1 ) . . . f (x2 ; θ1 )
R(z; θ0 , θ1 ) =
f (x1 ; θ0 )f (x2 ; θ0 ) . . . f (x2 ; θ0 )
dan φ uji yang didefinisikan sehingga

 1 jika R(z; θ0 , θ1 ) > c
φ(x1 , x2 , . . . , xn ) = γ jika R(z; θ0 , θ1 ) = c (3.2.1)

0 jika R(z; θ0 , θ1 ) < c
dengan γ konstan (0 ≤ γ ≤ 1) dan c ditentukan sehingga
Eθ0 [φ(x1 , x2 , . . . , xn ]α. (3.2.2)
Untuk menguji hipotesis H melawan A pada tingkat α digunakan uji seperti

(3.2.1) dan (3.2.2) merupakan uji UMP.
49
Akibat 3.1
Jika φ didefinisikan seperti (3.2.1) dan (3.2.2) maka βφ (θ) ≥ α. Dalam

contoh-contoh berikut, Ω = {θ0 , θ1 } dan akan diuji hipotesis sederhana
melawan alternatif sederhana dengan tingkat keberartian α.
Contoh 3.1
Misalkan X1 , X2 , . . . , Xn sampel random dari populasi yang berdistribusi

Binom(1, θ). Berdasarkan sampel tersebut akan diuji hipotesis H : θ = θ0
melawan alternatif A : θ = θ1 pada level α dengan anggapan θ0 < θ1 . Diper-
oleh
f (x1 ; θ1 )f (x2 ; θ1 ) . . . f (x2 ; θ1 )
R(z; θ0 , θ1 ) =
f (x1 ; θ0 )f (x2 ; θ0 ) . . . f (x2 ; θ0 )
θ x1 (1 − θ1 )1−x1 θ1x2 (1 − θ1 )1−x2 . . . θ1xn (1 − θ1 )1−xn
= 1x1
θ0 (1 − θ0 )1−x1 θ0x2 (1 − θ0 )1−x2 . . . θ0xn (1 − θ0 )1−xn
θ Pni=1 xi 1 − θ n−Pni=1 xi
1 1
=
θ0 1 − θ0
sehingga
n
X θ n
X 1 − θ
1 1
ln R(z; θ0 , θ1 ) = Xi ln + n− Xi ln .
i=1
θ0 i=1
1 − θ0
50
Karena θ0 < θ1 maka R(z; θ0 , θ1 ) > c ekuivalen dengan
ln R(z; θ0 , θ1 ) > ln c
n
X θ 1 − θ
n
X
1 1
Xi ln + n− Xi ln > ln c
i=1
θ0 i=1
1 − θ0
X h θ1 1 − θ1 i 1 − θ
1
Xi ln − ln > ln c − n ln
i=1
θ0 1 − θ0 1 − θ0
X n h θ (1 − θ ) i 1 − θ
1 0 1
Xi ln > ln c − n ln
i=1
θ 0 (1 − θ 1) 1 − θ0

1−θ1
n
X ln c − n ln 1−θ 0
Xi > h i
θ1 (1−θ0 )
i=1 ln θ0 (1−θ1 )
n
X
Xi > c 0
i=1
dengan
1−θ1
ln c − n ln 1−θ 0
c0 = .
θ1 (1−θ0 )
ln θ0 (1−θ1 )
Hal itu berarti uji MP dinyatakan sebagai
 Pn
 1 jika Pi=1 Xi > c0
φ(z) = γ jika Pni=1 Xi = c0
 n
0 jika i=1 Xi < c0
dengan c0 dan γ ditentukan sehingga

hX
n i hX
n i
Eθ0 [φ(z)] = Pθ0 Xi > c0 + γPθ0 Xi = c 0 = α
i=1 i=1
Pn
dan i=1 Xi ∼ Binom(n, θi ) untuk i = 0, 1.
Sebagai gambaran, misalkan akan diuji hipotesis H : θ = 0, 5 melawan
A : θ = 0, 75 dengan α = 0, 05 dan n = 25. Dalam hal ini, c0 dan γ
ditentukan sehingga
n
X n
X
Pθ 0 ( Xi > c0 ) + γPθ0 ( Xi = c0 ) = 0, 05
i=1 i=1
Xn Xn
1 − P θ0 ( Xi ≤ c0 ) + γPθ0 ( Xi = c0 ) = 0, 05
i=1 i=1
51
n
X n
X
1 − 0, 05 = Pθ0 ( Xi ≤ c0 ) + γPθ0 ( Xi = c 0 )
i=1 i=1
n
X n
X
0, 95 = Pθ0 ( Xi ≤ c0 ) + γPθ0 ( Xi = c0 ).
i=1 i=1
Pn Pn
Karena γ ≥ 0 dan Pθ0 ( i=1 Xi = c0 ) ≥ 0 maka γPθ0 ( i=1 Xi = c 0 ) ≥ 0
sehingga haruslah
n
X
Pθ 0 ( Xi ≤ c0 ) ≥ 0, 95.
i=1
P
Untuk itu dipilih c0 sehingga Pθ0 ( ni=1 Xi ≤ c0 ) ≥ 0, 95 tetapi paling dekat
dengan 0, 95. Berdasarkan Tabel P kumulatif distribusi Binom(25, 0, 5) diper-
oleh bahwa c0 = 17 sehingga Pθ0 ( ni=1 Xi ≤ c0 ) dan berlaku
n
X n
X n
X
Pθ 0 ( Xi = c 0 ) = P θ 0 ( Xi ≤ 17) − Pθ0 ( Xi ≤ 16)
i=1 i=1 i=1
= 0, 9784 − 0, 9461 = 0, 0323.
Akibatnya
n
X n
X
0, 95 = Pθ0 ( Xi ≤ 17) − γPθ0 ( Xi = 17)
i=1 i=1
= 0, 9784 − γ0, 0323
diperoleh γ = 0, 8792. Oleh karena itu uji UMP menjadi

 P
 1 jika Pni=1 Xi > 17
φ(z) = 0, 8792 jika Pni=1 Xi = 17
 n
0 jika i=1 Xi < 17.
Kuasa dari uji tersebut adalah

n
X n
X
Pθ=0,75 ( Xi ≤ 17) + γPθ=0,75 ( Xi ≤ 17)
i=1 i=1
Pn
dengan i=1 Xi ∼ Binom(25, 0, 75).
Contoh 3.2
Misalkan X1 , . . . , Xn sampel random dari populasi yang berdistribusi Poisson(θ).
52
Berdasarkan sampel tersebut akan diuji hipotesis H : θ = θ0 melawan alter-
natif A : θ = θ1 pada level α dengan anggapan θ0 < θ1 . Diperoleh
f (x1 ; θ1 )f (x2 ; θ1 ) . . . f (x2 ; θ1 )

R(z; θ0 , θ1 ) =
f (x1 ; θ0 )f (x2 ; θ0 ) . . . f (x2 ; θ0 )
x x
θ1 1 e−θ1 θ1 2 e−θ1 θ1xn e−θ1
x1 ! x2 !
... xn !
= x x
θ0 1 e−θ0 θ0 2 e−θ0 θ0xn e−θ0
x1 ! x2 !
... xn !
θ Pni=1 xi
0
= exp −n(θ1 − θ0 )
θ1
sehingga
n
X θ
0
ln R(z; θ1 , θ0 ) = ln − n(θ1 − θ0 ).
i=1
θ1
Karena R(z; θ1 , θ0 ) > c maka ln R(z; θ1 , θ0 ) > ln c sehingga
n
X θ
0
xi ln − n(θ1 − θ0 ) > ln c
i=1
θ1
n
X θ
0
xi ln − n(θ1 − θ0 ) > ln c + n(θ1 − θ0 )
i=1
θ1
n
X θ
0
xi ln > ln[c exp(n(θ1 − θ0 ))].
i=1
θ1
θ1
Karena θ0 < θ1 maka 1 < θ0
sehingga ln θθ01 > 0. Akibatnya
n
X ln[c exp(n(θ1 − θ0 ))]
xi >
i=1 ln θθ10
Pn
atau i=1 xi > c0 dengan c0 = 1−θ0 ))]
ln[c exp(n(θ
. Uji UMP didefinisikan seba-
θ0
ln θ1
gai  Pn
 1 jika Pi=1 Xi > c 0
n
φ(z) = γ jika Pni=1 Xi = c0

0 jika i=1 Xi < c0 .
dengan c0 dan γ ditentukan sehingga

n
X X
n
Eθ0 (φ(z)) = Pθ0 ( xi > c0 ) + γPθ0 xi = c 0 = α
i=1 i=1
53
P
dan ni=1 Xi ∼ Poisson(nθi ) untuk i = 0, 1.
Sebagai gambaran, misalkan akan diuji hipotesis H : θ = 0, 3 melawan
A : θ = 0, 4 dengan α = 0, 05 dan n = 20. Diperoleh
n
X n
X
Eθ0 (φ(z)) = Pθ0 ( xi > c0 ) + γPθ0 ( xi = c0 ) = 0, 05
i=1 i=1
sehingga
n
X n
X
1 − P θ0 ( xi ≤ c0 ) + γPθ0 ( xi = c0 ) = 0, 05
i=1 i=1
Xn Xn
1 − 0, 05 = Pθ0 ( xi ≤ c0 ) − γPθ0 ( xi = c 0 )
i=1 i=1
Xn Xn
0, 95 = Pθ0 ( xi ≤ c0 ) − γPθ0 ( xi = c0 ).
i=1 i=1
Pn Pn
Karena γ ≥ 0 dan Pθ0 ( i=1 xi = c0 ) ≥ 0 maka Pθ0 ( i=1 xi = c0 ) ≥ 0.
Untuk itu dipilih c0 sehingga
n
X
Pθ 0 ( xi = c0 ) ≥ 0, 95
i=1
tetapi paling dekat dengan 0, 95. Berdasarkan Tabel Kumulatif distribusi

Poisson dengan mean 20(0, 3) = 6 diperoleh c0 = 10 sehingga
n
X
P( xi ≤ 10)
i=1
dan
n
X n
X n
X
P( xi = 10) = P ( xi ≤ 10) − P ( xi ≤ 9)
i=1 i=1 i=1
= 0, 9574 − 0, 9161 = 0, 0413.
Oleh karena itu γ ditentukan sehingga 0, 9574 − 0, 0413 atau γ = 0, 1791. Uji
UMP menjadi
 P
 1 jika Pni=1 Xi > 10
φ(z) = 0, 1791 jika Pni=1 Xi = 10
 n
0 jika i=1 Xi < 10.
54
Kuasa ujinya adalah
n
X n
X
Pθ=0,4 ( xi > 10) + 0, 1791Pθ=0,4( xi = 10) = 0, 2013.
i=1 i=1
Contoh 3.3
Misalkan X1 , . . . , Xn sampel random dari populasi yang berdistribusi N (θ, 1).

f (x1 ; θ1 )f (x2 ; θ1 ) . . . f (x2 ; θ1 )

R(z; θ0 , θ1 ) =
f (x1 ; θ0 )f (x2 ; θ0 ) . . . f (x2 ; θ0 )

(x2 −θ1 )2 (x2 −θ1 )2 (xn −θ1 )2
√1 exp √1 exp . . . √1 exp
2π 2 2π 2 2π 2
= 2
2

(x2 −θ0 ) (x2 −θ0 ) (xn −θ0 )2
√1 exp √1 exp . . . √1 exp
2π 2 2π 2 2π 2
P
exp − 12 ni=1 (xi − θ1 )2
= Pn
1 2
exp − 2 i=1 (xi − θ0 )
1 X
n
2 2
= exp [(xi − θ0 ) − (xi − θ1 ) ]
2 i=1
1
Pn
sehingga ln R(z; θ1 , θ0 ) = 2 i=1 [(xi − θ0 )2 − (xi − θ1 )2 ] atau
n
1X 2
ln(R(z; θ1 , θ0 ) = [x − 2θ0 xi + θ02 − (x2i − 2θ1 xi + θ12 )]
2 i=1 i
n
1X
= [−2(θ0 − θ1 )xi + θ02 − θ12 ]
2 i=1
n
X 1
= (θ1 − θ0 ) xi + n(θ02 − θ12 ).
i=1
2
Hal itu berarti R(z; θ1 , θ0 ) > c akan ekuivalen dengan ln R(z; θ1 , θ0 ) > ln c
55
yaitu
n
X 1
(θ1 − θ0 ) xi + n(θ02 − θ12 ) > ln c
i=1
2
n
X 1
(θ1 − θ0 ) xi > ln c + n(θ02 − θ12 )
i=1
2
n
X 1
(θ1 − θ0 ) xi > ln c + n(θ1 − θ0 )(θ1 + θ0 )
i=1
2
Xn
ln c 1
xi > + n(θ1 − θ0 )(θ1 + θ0 )
i=1
θ1 − θ 0 2
1 ln c n(θ1 + θ0 )
x̄ > + .
n θ1 − θ 0 2

Berarti X̄ > c0 dengan c0 = n1 θ1ln−θc 0 + n(θ12+θ0 ) . Uji UMP adalah

1 jika X̄ > c0
φ(z) =
0 yang lain
dengan c0 ditentukan sehingga
Eθ0 [φ(z)] = Pθ0 (X̄ > c0 ) = α
dan X̄ ∼ N (θi , n1 ) untuk i = 0, 1.

Sebagai gambaran, akan diuji hipotesis θ = −1 melawan A : θ = 1 dengan
α = 0, 001 dan n = 9. Diperoleh
Pθ=−1 (X̄ > c0 ) = Pθ=−1 [3(X̄ − (−1)) > 3(c0 − (−1))]

= Pθ=−1 [3(X̄ − (−1)) > 3(c0 − (−1))]
= Pθ=−1 [3(X̄ + 1) > 3(c0 + 1)]
= Pθ=−1 [N (0, 1) > 3(c0 + 1)]
sehingga c0 = 0, 03. Oleh karena itu uji UMP adalah

1 jika X̄ > 0, 03
φ(z) =
0 yang lain
Kuasa ujinya adalah
Pθ=1 (X̄ > 0, 03) = Pθ=1 (3(X̄ − 1) > 3(0, 03 − 1))

= Pθ=1 (N (0, 1) > −2, 91) = 0, 9932.
56
Contoh 3.4
Misalkan X1 , . . . , Xn sampel random dari populasi yang berdistribusi N (0, θ).

f (x1 ; θ1 )f (x2 ; θ1 ) . . . f (x2 ; θ1 )

R(z; θ0 , θ1 ) =
f (x1 ; θ0 )f (x2 ; θ0 ) . . . f (x2 ; θ0 )
x2 x2 xn 2
√1 1
exp[− 2θ11 ] √2πθ 1
exp[− 2θ21 ] . . . √2πθ exp[− 2θ ]
2πθ1 1 1 1
= x2 x2 xn 2
√1 1
exp[− 2θ10 ] √2πθ 1
exp[− 2θ20 ] . . . √2πθ exp[− 2θ ]
2πθ0 0
0
Pn 2 0
θ n/2 exp − 2θ1 i=1 xi

0 1
= Pn 2
θ1 1
exp − 2θ0 i=1 xi
θ n/2 1 h 1 X 2i
n
0
= exp − − x
θ1 2θ1 2θ0 i=1 i
θ n/2 h θ − θ X n i
0 0 1
= exp x2i .
θ1 2θ1 θ0 i=1
Akibatnya
θ1 − θ 0 X 2 1 θ0
n
ln R(z; θ1 , θ0 ) = x + ln
2θ0 θ1 i=1 i 2 θ1
sehingga R(z; θ1 , θ0 ) > c dan mengakibatkan ln R(z; θ1 , θ0 ) > ln c yaitu
θ1 − θ 0 X 2 1 θ0
n
x + ln > ln c
2θ0 θ1 i=1 i 2 θ1
1 θ0
n
θ1 − θ 0 X 2
xi > ln c − ln
2θ0 θ1 i=1 2 θ1
1 θ1
n
θ1 − θ 0 X 2
xi > ln c + ln
2θ0 θ1 i=1 2 θ0
r
θ1
n
θ1 − θ 0 X 2
x > ln c
2θ0 θ1 i=1 i θ0
Xn
2θ0 θ1 rθ
2 1
xi > ln c .
i=1
θ 1 − θ 0 θ 0
57
Pn q
2θ0 θ1
Berarti 2
i=1 xi > c0 dengan c0 = θ1 −θ0
ln c θθ10 . Uji UMP menjadi
Pn 2
1 jika i=1 xi > c0
φ(z) =
0 yang lain
dengan c0 ditentukan sehingga

X
n
Eθ0 [φ(z)] = Pθ0 x2i > c0 = α
i=1
P
dan 1θ ni=1 Xi2 ∼ χ2n untuk i = 0, 1.
Sebagai gambaran, akan diuji hipotesis H : θ = 4 melawan A : θ = 16
dengan α = 0, 01 dan n = 20. Akan ditentukan c0 sehingga
X
n
Pθ 0 x2i > c0 = 0, 01
i=1
yaitu
X
n 1 Xn
1
Pθ 0 x2i > c0 = Pθ0 x2i > c0 = 0, 01.
i=1
4 i=1 4
Berdasarkan Tabel distribusi chi-kuadrat dengan derajat bebas 20 diperoleh
c0 /4 = 37, 566 atau c0 = 150, 264. Akibatnya, uji UMP menjadi
Pn 2
1 jika i=1 xi > 150, 264
φ(z) =
0 yang lain
dan kuasa ujinya adalah

hX
n i h1 X n
150, 264 i
Pθ=16 x2i > 150, 264 = Pθ=16 x2i >
i=1
16 i=1 16
= 0, 977.
3.3 Uji UMP untuk Pengujian Hipotesis Kom-

posit
Sebagian besar masalah praktis, paling sedikit salah satu merupakan hipote-
sis komposit. Misalkan variabel random saling bebas dengan fungsi kepa-
datan probabilitas f (x; θ), θ ∈ Ω ⊆ R,
g(z; θ) = f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)
58
dengan z = (x1 , x2 , . . . , xn )t dan Z = (X1 , X2 , . . . , Xn )t .
Definisi 3.5
Keluarga {g(x; θ)|θ ∈ Ω} dikatakan mempunyai sifat MLR (monoton like-

lihood ratio) dalam V jika himpunan z sehingga g(z; θ) > 0 tidak tergantung
pada θ dan terdapat fungsi terukur V yang didefinisikan dari Rn ke R, se-
hingga bila θ, θ 0 ∈ Ω dengan θ < θ 0 maka berlaku sifat :
1. g(x; θ) dan g(x; θ 0 ) berbeda.
2. g(x; θ 0 )/g(x; θ 0 ) fungsi naik dari V (z).
Keluarga terpenting dari fungsi kepadatan probabilitas yang mempunyai sifat

MLR adalah keluarga eksponensial 1 parameter.
Proposisi 3.1
Misalkan keluarga eksponensial
dengan C(θ) > 0 untuk semua θ ∈ Ω ⊆ R dan himpunan positif dari h

tidak tergantung pada θ. Jika Q fungsi naik maka keluarga
Pn {g(x; θ)|θ ∈ Ω}
mempunyai sifat MLR dalam V dengan V (z) = i=1 T (X i ) dan g(x; θ)
dinyatakan dengan
g(z; θ) = f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ).
Jika Q fungsi turun maka keluarga {g(x; θ)|θ ∈ Ω} mempunyai sifat MLR
dalam V 0 = −V .
Teorema 3.2

datan probabilitas f (x; θ), θ ∈ Ω mempunyai sifat MLR dalam V dengan
g(x; θ) didefinisikan sebagai
g(z; θ) = f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ).
Misalkan θ0 ∈ Ω dan ω = {θ ∈ Ω|θ ≤ θ0 }. Untuk pengujian hipotesis

komposit H : θ ∈ ω melawan alternatif pada tingkat keberartian α maka
59
terdapat uji yang merupakan uji UMP dalam kelas semua uji yang mempun-
yai tingkat keberartian lebih kecil atau sama dengan α. Dalam kasus LR
(likelihood ratio) dalam V (z), uji yang digunakan adalah

 1 jika V (z) > c
φ(z) = γ jika V (z) = c

0 jika V (z) < c
dengan c dan γ ditentukan sehingga
Eθ0 [φ(z)] = Pθ0 (V (z) > c) + γPθ0 (V (z) = c) = α.
Jika LR turun dalam V (z) maka ujinya digunakan


 1 jika V (z) < c

0 jika V (z) > c
Eθ0 [φ(z)] = Pθ0 (V (z) < c) + γPθ0 (V (z) = c) = α.
Akibat 3.2

datan probabilitas dapat dinyatakan sebagai
dengan Q fungsi naik/turun tajam. Untuk pengujian hipotesis
H : θ ∈ ω = {θ ∈ Ω|θ ≤ θ0 }
melawan alternatif A : θ ∈ ω c . Dengan tingkat keberartian α maka uji UMP

dalam kelas semua uji tingkat lebih kecil atau sama dengan α. Jika Q naik
maka digunakan uji

 1 jika V (z) > c

0 jika V (z) < c
60
Sebaliknya, jika Q turun maka digunakan uji

 1 jika V (z) < c

0 jika V (z) > c
Demikian juga, untuk menguji hipotesis H : θ ∈ ω = {θ ∈ Ω|θ ≥ θ0 }

melawan alternatif A : θ ∈ ω c pada tingkat keberartian α, terdapat uji yang
bersifat UMP di dalam kelas semua uji dari tingkat ≤ α. Jika Q turun maka
digunakan uji 
 1 jika V (z) > c

0 jika V (z) < c
Sebaliknya, jika Q naik digunakan uji


 1 jika V (z) < c

0 jika V (z) > c
Masalah penting lain adalah menguji
H : θ ∈ ω = {θ ∈ Ω|θ ≤ θ1 atau θ ≥ θ2 }
melawan A : θ ∈ ω c dengan θ1 , θ2 ∈ Ω dan θ1 < θ2 . Pendeknya, θ dapat

menyatakan dosis obat dan θ1 , θ2 adalah batas θ yang diperbolehkan. Jika
θ ≤ θ1 dosis yang diberikan tidak membahayakan namun tidak bermanfaat
sedangkan jika θ ≥ θ2 dosis yang membahayakan. Jadi hipotesis tersebut
menyatakan bahwa obat dapat membahayakan atau tidak bermanfaat dan
diinginkan untuk menguji hipotesis tersebut. Jika distribusi anggapan den-
gan ukuran yang sesuai dianggap berbentuk eksponensial maka uji UMP ada.
61
Teorema 3.3

datan probabilitas f (x; θ) dapat dinyatakan sebagai
dengan Q fungsi monoton tajam dan θ ∈ Ω ⊆ R. Misalkan
ω = {θ ∈ Ω|θ ≤ θ1 atau θ ≥ θ2 }
dengan θ1 , θ2 ∈ Ω dan θ1 < θ2 . Uji hipotesis H : θ ∈ ω melawan alternatif

A : θ ∈ ω c adalah uji UMP φ. Jika Q fungsi naik maka φ dinyatakan dengan

 1 jika c1 < V (z) < c2
φ(z) = γi jika V (z) = ci (i = 1, 2)danc1 < c2

0 yang lain
dengan c1 , c2 dan γ1 , γ2 ditentukan sehingga
Eθ1 [φ(z)] = Pθ1 (c1 < V (z) < c2 ) + γ1 Pθ1 (V (z) = c1 ) + γ2 Pθ1 (V (z) = c2 ) = α
dan
P
dengan V (z) = ni=1 T (Xi ).
Sebaliknya, jika Q fungsi naik maka φ dinyatakan dengan

 1 jika V (z) < c1 atauV (z) > c2
φ(z) = γi jika V (z) = ci (i = 1, 2)danc1 < c2

0 yang lain

Eθ1 [φ(z)] = Pθ1 (V (z) < c1 atauV (z) > c2 ) + γ1 Pθ1 (V (z) = c1 ) + γ2 Pθ1 (V (z) = c2 ) = α
dan
Eθ2 [φ(z)] = Pθ2 (V (z) < c1 atauV (z) > c2 ) + γ1 Pθ2 (V (z) = c1 ) + γ2 Pθ2 (V (z) = c2 ) = α
P
dengan V (z) = ni=1 T (Xi ). Dapat ditunjukkan bahwa fungsi β(θ) = E[φ(z)]
dengan θ ∈ Ω merupakan fungsi naik untuk θ ≤ θ0 dan turun untuk θ ≥ θ0
dengan θ1 < θ0 < θ2
62
Contoh 3.5
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi Binom(1, θ)

dengan θ ∈ Ω = (0, 1). Fungsi probabilitas dari X yang berdistribusi
Binom(n, θ) adalah
f (x; θ) = θ n (1 − θ)n−x IA (x)
dengan A = {0, 1, 2, . . . , n}. Fungsi probabilitas tersebut dapat dinyatakan
sebagai
h θ i
f (x; θ) = (1 − θ)n−x exp ln IA (x)
1−θ
sehingga distribusi Binomial merupakan anggota keluarga eksponensial den-
gan
θ
n
c(θ) = (1 − θ) , Q(θ) = ln , T (x) = x, h(x) = IA (x).
1−θ
P
Karena Q(θ) = ln 1−θ θ
merupakan fungsi naik dan V (z) = ni=1 Xi maka
uji UMP untuk hipotesis H : θ ≤ θ0 melawan A : θ > θ0 adalah
 Pn
 1 jika P i=1 Xi > c
φ(z) = γ jika P ni=1 Xi = c

0 jika ni=1 Xi < c

n
X n
X
Eθ0 [φ(z)] = Pθ0 ( Xi > c) + γPθ0 ( Xi = c) = α
i=1 i=1
P
dan ni=1 Xi ∼ Binom(n, θ).
Sebagai gambaran, akan diuji hipotesis H : θ ⊂ 0.5 melawan A : θ > 0.5
dengan α = 0, 01 dan n = 25. Dalam hal ini c dan γ ditentukan sehingga
X
n X
n
Pθ=0,5 Xi > c + γPθ=0,5 Xi = c = 0, 05.
i=1 i=1
Berdasarkan Tabel distribusi Binomial diperoleh c = 18 dan γ = 27/143.

Kuasa uji pada θ = 0, 75 adalah
X
n X
n
βφ (0, 75) = Pθ=0,75 Xi > c + γPθ=0,75 Xi = c = 0, 5923.
i=1 i=1
63
Untuk pengujian hipotesis H : θ ≤ θ1 atau θ ≥ θ2 melawan alternatif A :
θ1 < θ < θ2 digunakan uji UMP φ yang dinyatakan dengan
 Pn
 1 jika cP 1 < i=1 Xi < c2
n
φ(z) = γi jika i=1 X i = ci (i = 1, 2) dan c1 < c2

0 yang lain
dan
P
dengan V (z) = ni=1 T (Xi ).
Sebagai gambaran, akan diuji hipotesis H : 0, 25 ≤ θ atau θ ≥ 0, 75
melawan A : 0, 25 < θ < 0, 75 dengan α = 0, 05 dan n = 25. Untuk c1 = 10
dan c2 = 15 diperoleh
416γ1 + 2γ2 = 205, 2γ1 + 416γ2 = 205
atau γ1 = γ2 = 42435/86426 = 0, 4901. Uji UMP menjadi

 Pn
 1 jika 10Pn< i=1 Xi < 15 Pn
φ(z) = γi jika i=1 Xi = 10 atau i=1 Xi = 15

0 yang lain
Kuasa dari uji pada θ = 0, 5 adalah
n
X X
n
βφ (0, 5) = Pθ=0,5 10 < xi < 15 + 0, 4901Pθ=0,5 xi = 10
i=1 i=1
X
n
+ 0, 4901Pθ=0,5 xi = 15
i=1
= 0, 6711.
Contoh 3.6
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi Poisson(θ)

dengan θ ∈ Ω = (0, ∞). Fungsi probabilitas dari X yang berdistribusi
Poisson(θ) adalah
θ x e−θ
f (x; θ) =
x!
64
untuk x = 0, 1, 2, . . . . Fungsi probabilititas tersebut dapat dinyatakan seba-
gai
ex ln θ e−θ
f (x; θ) =
x!
1
= e−θ ex ln θ
x!
P
sehingga Q(θ) = ln θ dan V (z) = ni=1 Xi . Karena Q(θ) merupakan fungsi
naik maka uji UMP untuk hipotesis H ≤ θ0 melawan A : θ > θ0 adalah
 Pn
 1 jika Pi=1 Xi > c
φ(z) = γ jika Pni=1 Xi = c
 n
0 jika i=1 Xi < c

n
X n
X
Eθ0 [φ(z)] = Pθ0 ( Xi > c) + γPθ0 ( Xi = c) = α
i=1 i=1
P
dan ni=1 Xi ∼ Poisson(nθ).
Sebagai gambaran, akan diuji hipotesis H : θ ≤ 0, 5 melawan A : θ > 0, 5
dengan n = 10 dan α = 0, 05. Berdasarkan Tabel distribusi Poisson dengan
mean nθ0 = 10(0, 5) = 5 diperoleh c = 9 dan γ = 182/363 = 0, 5014. Kuasa
dari uji pada saat θ = 1 adalah
X
n X
n
β(1) = Pθ=1 Xi > 9 + 0, 5014Pθ=1 Xi > 9
i=1 i=1
X
n
= 1 − Pθ=1 Xi ≤ 9
i=1
h X
n X
n i
+ 0, 5014 Pθ=1 Xi ≤ 9 − Pθ=1 Xi ≤ 8
i=1 i=1
= 0, 6048.
Contoh 3.7
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi N (θ, σ 2 )

dengan θ ∈ Ω = R. Fungsi probabilitas dari X yang berdistribusi N (θ, σ 2 )
adalah h (x − θ)2 i
1
f (x; θ) = √ exp
2πσ 2 2σ 2
65
untuk x ∈ R. Fungsi probabilitas tersebut dapat dinyatakan sebagai
1 h x2 − 2θx + θ 2 )2 i
f (x; θ) = √ exp
2πσ 2 2σ 2
atau θ2 θ 1 x2
f (x; θ) = exp − 2 exp 2 x √ exp − 2
2σ σ 2πσ 2 2σ
P n
sehingga Q(θ) = θ/σ 2 dan V (z) = i=1 Xi . Karena Q(θ) = θ/σ 2 fungsi naik
maka untuk menguji hipotesis H : θ ≤ θ0 melawan A : θ > θ0 adalah

1 jika X̄ > c
φ(z) =
0 jika X̄ < c
dengan c ditentukan sehingga
Eθ0 [φ(z)] = Pθ0 (X̄ > c) = α
dan X̄ ∼ N (θ, σ 2 /n). Kuasa ujinya adalah
βφ (θ) = P (X̄ > c) = 1 − Pθ (X̄ ≤ c)

h X̄ − θ c−θ i
= 1−P √ − √
σ/ n σ/ n
h √n(c − θ) i
= 1−Φ .
σ
Sebagai gambaran, berdasarkan sampel X1 , X2 , . . . , X25 dari distribusi
N (θ, 4) akan diuji hipotesis H : θ ≤ 20 melawan A : θ > 20 adalah

1 jika X̄ > c
φ(z) =
0 jika X̄ < c
Eθ0 [φ(z)] = P (X̄ > c) = 1 − Pθ=20 (X̄ ≤ c)

h X̄ − 20 c − 20 i
= 1−P √ − √
σ/ n σ/ n
c − 20
= 1−Φ = 0, 05
2/5
dan X̄ ∼ N (20, 4/25) di bawah anggapan H benar. Kuasa uji untuk θ = 21
adalah
20, 66 − 21
βφ (21) = 1 − Φ = 1 − Φ(−0, 85) = 1 − 0, 1977 = 0, 8023.
2/5
66
Untuk menguji hipotesis H : θ ≤ θ1 atau θ ≤ θ2 melawan A : θ1 < θ < θ2
digunakan uji UMP φ yang dinyatakan dengan

1 jika c1 < X̄ < c2
φ(z) =
0 yang lain
dengan c1 dan c2 ditentukan sehingga
Eθ1 [φ(z)] = Pθ1 (c1 < X̄ < c2 ) = α
dan
Eθ2 [φ(z)] = Pθ2 (c1 < X̄ < c2 ) = α.
Kuasa ujinya adalah
√n(c − θ) √n(c − θ)
2 1
βφ (θ) = Φ −Φ .
σ σ
Sebagai gambaran, berdasarkan pada sampel X1 , X2 , . . . , X25 ∼ N (θ, 4)
akan diuji hipotesis H : θ ≤ −1 atau θ ≥ 1 melawan A : −1 < θ < 1 dengan
α = 0, 05. Uji UMP adalah

1 jika c1 < X̄ < c2
φ(z) =
0 yang lain
Eθ1 [φ(z)] = Pθ1 (c1 < X̄ < c2 ) = 0, 05
dan
Eθ2 [φ(z)] = Pθ2 (c1 < X̄ < c2 ) = 0, 05.
Berdasarkan Tabel distribusi normal baku diperoleh c1 = −0, 344 dan c2 =
0, 344. Kuasa uji pada θ = 0 adalah
√25(0, 344 − 0) √25(−0, 344 − 0)
βφ (0) = Φ √ −Φ √ = 0, 61.
4 4
Contoh 3.8
Misalkan X1 , . . . , Xn sampel random saling bebas dari distribusi N (µ, θ) den-

gan θ ∈ Ω = (0, ∞). Fungsi kepadatan probabilitas dari X yang berdistribusi
N(µ, θ) adalah
1 h (x − µ)2 i
f (x; θ) = √ exp −
2πθ 2θ
67
1 h 1 i
f (x; θ) = √ exp − (x − µ)2
2πθ 2θ
Pn
sehingga Q(θ) = 1/(2θ) dan V (z) = i=1 (xi − µ)2 . karena Q(θ) = −1/(2θ)
fungsi naik maka untuk menguji hipotesis H : θ ≤ θ0 melawan A : θ > θ0
adalah Pn 2
φ(z) =
1 jika i=1 (Xi − µ) > c
0 yang lain
X
n
Eθ0 [φ(z)] = Pθ0 (Xi − µ)2 = α
i=1
1
Pn
dan θ i=1 (Xi − µ)2 ∼ χ2n . Kuasa uji dari uji ini adalah
X
n X
n
2 2
βφ (θ) = P (Xi − µ) > c = 1−P (Xi − µ) ≤ c
i=1 i=1
1 Xn
c
= 1−P (Xi − µ)2 <
θ i=1
θ
c
= 1−P < . χ2n
θ
Sebagai gambaran, berdasarkan sampel X1 , X2 , . . . , X25 dari distribusi
N (µ, θ) dengan µ diketahui, dan akan diuji hipotesis H : θ ≤ 4 melawan
A : θ > 4 adalah
P
1 jika Pni=1 (Xi − µ)2 > c
φ(z) = n 2
0 jika i=1 (Xi − µ) ≤ c

Xn Pn (X − µ)2 c
2 i=1 i
Eθ=4 [φ(z)] = P (Xi − µ) > c = P > = 0, 05
i=1
4 4
dan n
X
(1/4) (Xi − µ)2 ∼ χ225
i=1
di bawah anggapan H benar. Berdasarkan Tabel distribusi chi-kuadrat den-
gan derajat bebas 25 diperoleh bahwa c/4 = 37, 652 atau c = 150, 608. Kuasa
ujinya untuk θ = 12 adalah
150, 608
β(θ) = 1 − P χ225 < = 1 − P (χ225 < 30, 1216) = 1 − 0, 02 = 0, 98.
12
68
Pada sisi lain, untuk menguji hipotesis H : θ ≤ θ1 atau θ ≥ θ2 melawan
A : θ1 < θ < θ2 digunakan uji UMP φ yang dinyatakan dengan
P
1 jika c1 < ni=1 (Xi − µ)2 < c2
φ(z) =
0 yang lain

n
X
Eθ1 [φ(z)] = Pθ1 c1 < (Xi − µ)2 < c2 = α
i=1
dan
n
X
Eθ2 [φ(z)] = Pθ2 c1 < (Xi − µ)2 < c2 = α.
i=1
Kuasa ujinya adalah

c2 c1
βφ (θ) = P χ2n < − P χ2n < .
θ θ
Sebagai gambaran, berdasarkan sampel X1 , X2 , . . . , X25 ∼ N (µ, θ) akan
diuji hipotesis H : θ ≤ 1 atau θ ≥ 3 melawan A : 1 < θ < 3 dengan α = 0, 01.
Uji UMP adalah
P
1 jika c1 < ni=1 (Xi − µ)2 < c2
φ(z) =
0 yang lain

c2 c1
P χ225 < − P χ225 < = 0, 01
1 1
dan c2 c1
P χ225 < − P χ225 < = 0, 01.
3 3
Dengan metode coba-coba (trial and error ) dapat ditentukan c1 dan c2 dari
tabel distribusi chi-kuadrat dengan derajat bebas 25.
69
3.4 Uji UMPU untuk Pengujian Hipotesis Kom-
posit
Dalam Teorema 3.3, untuk pengujian H : ω = {θ ∈ Ω atau θ ≥ θ2 }
melawan A : θ ∈ ω c uji UMP ada. Tidak mengherankan bahwa dengan
merubah H dan A mengakibatkan uji UMP tidak ada.
Di bawah anggapan Teorema 3.2, untuk menguji hipotesis H : θ = θ0
melawan A : θ > θ0 dan H : θ = θ0 melawan A : θ 6= θ0 uji UMP tidak
ada. Karena uji yang diberikan pada (3.2.1) dan (3.2.2) merupakan uji UMP
untuk θ > θ0 tetapi lebih buruk dari uji trivial φ(z) = α untuk θ < θ0 .
Dengan cara yang sama uji yang diberikan oleh (3.2.1) dan (3.2.2) dengan
tanda ketidak-samaan dibalik merupakan uji UMP untuk θ < θ0 tetapi lebih
buruk dari uji trivial φ(z) = α untuk θ > θ0 . Jadi, tidak ada uji tunggal
yang merupakan uji UMP untuk semua θ 6= θ0 . Untuk itu perlu diatasi pada
kelas uji yang lebih kecil.
Definisi 3.6

tik dengan fungsi kepadatan probabilitas f (x; θ), θ ∈ Ω dan ω ⊂ Ω ⊆ Rr .
Untuk pengujian H : θ ∈ ω melawan alternatif A : θ ∈ ω c pada tingkat α,
suatu uji yang didasarkan pada X1 , X − 2, . . . , Xn dikatakan tak bias jika
Eθ[φ(X1 , X2 , . . . , Xn )] ≥ α
untuk semua θ ∈ ω dan
Eθ[φ(X1 , X2 , . . . , Xn )] ≤ α
untuk semua θ ∈ ω c . Suatu uji tak bias bila probabilitas kesalahan tipe I
paling banyak α dan kuasa dari uji paling sedikit α.
Definisi 3.7
Suatu uji dikatakan uji UMPU (uniformly most powerfull unbiased ) jika uji
tersebut UMP dalam kelas semua uji yang tidak bias.
Catatan : Uji UMP selalu UMPU. Uji UMP tak bias karena UMP paling
sedikit mempunyai kuasa yang sama dengan α. Uji UMP merupakan uji
UMPU karena uji UMP merupakan UMP dalam kelas yang meliputi kelas
uji tak bias.
70
Teorema 3.4
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan fungsi kepadatan

probabilitasnya dinyatakan dengan
dengan θ ∈ Ω ⊂ R. Misalkan
ω = {θ ∈ Ω; θ1 ≤ θ ≤ θ2 }
dengan θ0 , θ1 , θ2 ∈ Ω dan ω 0 = {θ0 } dengan θ1 < θ2 .
Untuk menguji hipotesis H : θ ∈ ω melawan alternatif A : θ ∈ ω c dan
hipotesis H : θ ∈ ω 0 melawan alternatif A0 : θ ∈ ω 0c pada level α terdapat uji
UMP yang diberikan oleh

 1 jika V (z) < c1 atauV (z) > c2
φ(z) = γi jika V (z) = ci (i = 1, 2) dan c1 < c2

0 yang lain
dengan c1 , c2 dan γ1 , γ2 ditentukan dengan Eθ1 [φ(z)] = α dan Eθ2 [φ(z)] = α
untuk H dan Eθ0 [φ(z)] = α dan Eθ0 [V (z)φ(z)] = αEθ0 [V (z)] untuk H 0 .
Dapat ditunjukkan bahwa βφ (θ) = Eθ [φ(z)] dengan θ ∈ ω turun θ ≤ θ0
dan naik untuk θ ≥ θ0 untuk suatu θ1 < θ0 < θ2 .
Contoh 3.9
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari N (µ, σ) dengan

σ 2 diketahui dan θ = µ. Akan diuji hipotesis H : θ = θ0 melawan A : θ 6= θ0 .
Fungsi kepadatan probabilitas N (θ, σ 2 ) adalah
1 h (x − θ)2 i
f (x; θ) = √ exp −
2πσ 2 2σ 2
1 h (x2 − 2xθ + θ 2 ) i
f (x; θ) = √ exp −
2πσ 2 2σ 2
atau θ2 θ 1 h x2 i
f (x; θ) = exp − 2 exp 2 x √ exp − 2
2σ σ 2πσ 2 2σ
P n
sehingga Q(θ) = θ dan V (z) = σ12 i=1 Xi = nσX̄2 . Oleh karena itu uji UMPU
adalah
1 jika nσX̄2 < c1 atau nσX̄2 > c2
φ(z) =
0 yang lain
71
dengan c1 dan c2 ditentukan sehingga Eθ0 [φ(z)]α dan
Eθ0 [V (z)φ(z)] = αEθ0 [V (z)].
Uji tersebut akan ekuivalen dengan uji

√
n(X̄−θ0 )
√
n(X̄−θ0 )
1 jika < c01 atau > c02
φ(z) = σ σ2
0 yang lain
√ √
σc nθ0 σc nθ0
dengan c01 = √1
n
− σ
dan c01 = √2
n
− σ
.
√
Pada sisi lain, di bawah H, berlaku sifat n(X̄−θ
σ
0)
∼ N (0, 1). Karena
0 0
N (0, 1) simetri maka c1 = −c2 = −c (yaitu c > 0) sehingga menjadi
√
n(X̄ − θ0 )
< −c
σ
atau √
n(X̄ − θ0 )
>c
σ
yang ekuivalen dengan
√n(X̄ − θ ) 2
0
∼ χ21
σ
di bawah H benar. Akibatnya uji UMPU menjadi
( √ 2
n(X̄−θ0 )
1 jika >c
φ(z) = σ
0 yang lain
dengan c ditentukan sehingga P (χ21 > c) = α.
72
3.5 Pengujian Parameter dari Distribusi Nor-
mal
Dalam pasal ini, X1 , X2 , . . . , Xn merupakan variabel random saling bebas
dari distribusi n(µ, σ 2 ) dengan µ dan σ 2 tidak diketahui. parameter yang
menjadi perhatian adalah 1 parameter sedangkan yang lain sebagai parame-
ter pengganggu (nuisance parameter ).
3.5.1 Uji Tentang Variansi

Proposisi 3.2
Untuk menguji hipotesis H : σ ≤ σ0 melawan A : σ > σ0 digunakan uji

UMP Pn 2
φ(z) =
1 jika i=1 (Xi − X̄) > c
0 yang lain

dengan c ditentukan oleh P χ2n−1 > σc2 = α. Bila hipotesisnya adalah
H 0 : σ ≥ σ0 melawan A0 : σ ≤ σ0 maka digunakan uji
Pn 2
φ(z) =
1 jika i=1 (Xi − X̄) < c
0 yang lain

dengan c ditentukan oleh P χ2n−1 < σc2 = α.
Pn
(X −X̄)2
Kuasa uji dapat ditentukan dengan kenyataan bahwa i=1 σ2i berdis-
tribusi chi-kuadrat dengan derajat bebas n − 1 bila σ diberikan.
Contoh 3.10
Misalkan X1 , X2 , . . . , X25 merupakan variabel random saling bebas dari dis-

tribusi N (µ, σ 2 ) dengan µ dan σ 2 tidak diketahui. Untuk menguji hipotesis
H : σ ≤ 3 melawan A : σ > 3 digunakan uji UMP
Pn 2
φ(z) =
1 jika i=1 (Xi − X̄) > c
0 yang lain
dengan c ditentukan oleh P (χ224 > c/9) = 0, 05. Berdasarkan Tabel dis-
tribusi chi-kuadrat dengan derajat bebas 24 diperoleh c/9 = 36, 415 atau
c = 327, 735. Kuasa uji pada σ = 5 adalah
P (χ224 > 327, 735/25) = P (χ224 > 13, 1094) = 0, 962.
73
Bila hipotesisnya adalah H 0 : σ ≥ 3 melawan A0 : σ < 3 maka digunakan
uji Pn 2
φ(z) =
1 jika i=1 (Xi − X̄) < c
0 yang lain
dengan c ditentukan sehingga P (χ224 < c/9) = 0, 05. Berdasarkan Tabel
distribusi chi-kuadrat dengan derajat bebas 24 diperoleh c/9 = 13, 848 atau
c = 124, 632. Kuasa uji pada σ = 2 adalah
P (χ224 < 124, 632/4) = P (χ224 < 31, 158) = 0, 8384.
Proposisi 3.3
Untuk menguji hipotesis H : σ ≤ σ1 atau σ ≥ σ2 melawan A : σ1 < σ < σ2

digunakan uji UMPU
P
1 jika c1 < ni=1 (Xi − X̄)2 < c2
φ(z) =
0 yang lain
dengan c1 dan c2 ditentukan oleh

c1 c2
P( 2
< χ2n−1 < 2 ) = α
σ1 σ1
dan
c1 c2
P( 2
< χ2n−1 < 2 ) = α.
σ2 σ2
Bila digunakan untuk menguji hipotesis H : σ1 ≤ σ ≤ σ2 melawan A : σ < σ1
atau σ > σ2 digunakan uji UMPU
Pn Pn
1 jika i=1 (Xi − X̄)2 < c1 atau 2
i=1 (Xi − X̄) > c2
φ(z) =
0 yang lain
c1 c2
P( 2
< χ2n−1 < 2 ) = α
σ1 σ1
dan
c1 c2
P( 2
< χ2n−1 < 2 ) = α.
σ2 σ2
74
Contoh 3.11

H : σ ≤ 2 atau σ ≥ 3 melawan A : 2 < σ < 3 digunakan uji UMPU
P
1 jika < c1 < ni=1 (Xi − X̄)2 < c2
φ(z) =
0 yang lain
dengan c1 dan c2 ditentukan berdasarkan metode trial and error oleh
c1 c2 c1 c2
P ( < χ2n−1 < ) = P (χ2n−1 > ) − P (χ2n−1 > ) = 0, 05
4 4 4 4
dan
c1 c2 c1 c2
P( < χ2n−1 < ) = P (χ2n−1 > ) − P (χ2n−1 > ) = 0, 05.
9 9 9 9
Proposisi 3.4
Untuk menguji hipotesis H : σ = σ0 melawan A : σ 6= σ0 digunakan uji

UMPU
P Pn
1 jika < ni=1 (Xi − X̄)2 < c1 atau 2
i=1 (Xi − X̄) > c2
φ(z) =
0 yang lain
R c /σ2
dengan c1 dan c2 ditentukan oleh c12/σ20 g(t)dt dengan g adalah fungsi kepa-
0
datan probabilitas dari χ2n−1 .
Uji dengan menggunakan luas ekor sama yang biasa digunakan bukanlah
merupakan uji UMPU tetapi merupakan pendekatan dari uji UMPU untuk
n → ∞.
3.5.2 Uji Tentang mean

Proposisi berikut ini banyak digunakan dalam menentukan uji mean pada
suatu populasi.
Proposisi 3.5
Untuk menguji hipotesis H : µ ≤ µ0 melawan A : µ > µ0 digunakan uji

UMPU
1 jika t(z) > c
φ(z) =
0 yang lain
75
dengan c ditentukan oleh P (tn−1 > c) = α dan
√
n(X̄ − µ0 )
t(z) = q P .
1 m 2
n−1 i=1 (X i − X̄)
Untuk menguji hipotesis H 0 : µ ≥ µ0 melawan A0 : µ < µ0 digunakan uji
UMPU
1 jika t(z) < c
φ(z) =
0 yang lain
dengan c ditentukan oleh P (tn−1 < c) = α.
Contoh 3.12

H : µ ≤ µ0 melawan A : µ > µ0 dengan α = 0, 05 digunakan uji UMPU

1 jika t(z) > 1, 7109
φ(z) =
0 yang lain
dan untuk menguji hipotesis H : µ ≥ µ0 melawan A : µ < µ0 dengan
α = 0, 05 digunakan UMPU

1 jika t(z) < −1, 7109
φ(z) =
0 yang lain.
Proposisi 3.6
Untuk menguji hipotesis H : µ = µ0 melawan A : µ 6= µ0 digunakan uji

UMPU

1 jika t(z) < −c atau t(z) > c (dengan c > 0)
φ(z) =
0 yang lain
dengan c ditentukan oleh P (tn−1 > c) = α/2.
Proposisi 3.7

H : µ = µ0 melawan A : µ 6= µ0 dengan α = 0, 05 digunakan uji UMPU

1 jika t(z) < −2, 0639 atau t(z) > 2, 0639(dengan c > 0)
φ(z) =
0 yang lain.
Untuk menentukan kuasa uji dari uji tersebut digunakan uji−t non central.
76
3.6 Perbandingan Parameter Dua Distribusi
Normal
Diketahui X1 , . . . , Xm variabel random saling bebas dari distribusi N (µ1 , σ12 )
dan Y1 , . . . , Yn variabel random saling bebas dari distribusi N (µ2 , σ22 ). Diang-
gap dua sampel tersebut saling bebas dan semua parameter tidak diketahui.
Misalkan µ = µ1 − µ2 dan τ = σ22 /σ22 . Akan diuji hipotesis tentang µ dan
τ . Bila salah satu parameter yang diamati merupakan parameter sedangkan
yang lain sebagai parameter pengganggu. Misalkan Z = (X1 , . . . , Xm )t dan
W = (Y1 , . . . , Yn )t , z = (x1 , . . . , xm )t dan w = (y1 , . . . , yn )t .
3.6.1 Perbandingan Variansi Dua Densitas Normal

Proposisi berikut ini digunakan untuk pengujian perbandingan variansi an-
tara dua populasi.
Proposisi 3.8
Untuk menguji H : τ ≤ τ0 melawan A : τ > τ0 digunakan uji UMPU

( Pn
(Y −Ȳ )2
1 jika Pmi=1(Xii −X̄)2 > c
φ(z) = i=1
0 yang lain
(m−1)c
dengan c ditentukan sehingga P (Fn−1,m−1 > c0 ) = α dan c0 = (n−1)τ 0
.
0
Sedangkan untuk menguji, H : τ ≥ τ0 melawan A : τ < τ0 digunakan uji
UMPU ( Pn
(Y −Ȳ )2
1 jika Pmi=1(Xii −X̄)2 < c
φ(z) = i=1
0 yang lain
dengan c ditentukan sehingga P (Fn−1,m−1 > c0 ) = α. Kuasa ujinya dapat
ditentukan dengan kenyataan bahwa
1
Pn 2 P
σ12 i=1 (Yi − Ȳ ) /(n − 1) 1 m − 1 ni=1 (Yi − Ȳ )2
Pm = P
1
σ2
2
i=1 (Xi − X̄) /(m − 1) τ n−1 m i=1 (Xi − X̄)
2
2
berdistribusi F dengan derajat bebas n − 1 dan m − 1 bila τ diberikan.
Contoh 3.13
Diketahui X1 , . . . , X21 variabel random saling bebas dari distribusi N (µ1 , σ12 )
77
dan Y1 , . . . , Y25 variabel random saling bebas dari distribusi N (µ2 , σ22 ). Di-
anggap dua sampel tersebut saling bebas dan semua parameter tidak dike-
tahui. Untuk menguji H : τ ≤ 2 melawan A : τ > 2 dengan α = 0, 05
digunakan uji UMPU
( Pn
(Y −Ȳ )2
1 jika Pmi=1(Xii −X̄)2 > c
φ(z) = i=1
0 yang lain
dengan c ditentukan sehingga P (F20,24 > c0 ) = 0, 05 dan
(21 − 1)c
c0 = = 5c/12.
(24 − 1)2
Berdasarkan tabel distribusi F20,24 diperoleh c0 = 2, 0267 dan akibatnya c =

4, 864. Untuk menguji H : τ ≥ 2 melawan A : τ < 2 dengan α = 0, 05
digunakan uji UMPU
( Pn
(Y −Ȳ )2
1 jika Pmi=1(Xii −X̄)2 < c
φ(z) = i=1
0 yang lain
dengan c ditentukan sehingga P (F20,24 < c0 ) = 0, 05 dan
(21 − 1)c
c0 = = 5c/12
(24 − 1)2
atau P (F20,24 < (5c)/12) = P (F24,20 > 12/(5c)) = 0, 05.

Misalkan
1
Pn 2
τ0 i=1 (Yi − Ȳ )
V (z, w) = Pm 2 1
Pn 2
.
i=1 (Xi − X̄) + τ0 i=1 (Yi − Ȳ )
Proposisi 3.9
Untuk menguji H : τ = τ0 melawan A : τ 6= τ0 digunakan uji UMPU

1 jika V (z, w) < c1 atau V (z, w) > c2
φ(z, w) =
0 yang lain
P (c1 < Beta((m−1)/2, (n−1)/2 < c2 ) = P (c1 < Beta((m−1)/2, (n−1)/2 < c2 ).
78
3.6.2 Perbandingan Mean Dua Densitas Normal
Misalkan
Ȳ − X̄
t(z, w) = qP Pn
m 2+ 2
i=1 (X i − X̄) j=1 (Yj − Ȳ )
dan dianggap σ12 = σ12 = σ 2 .
Proposisi 3.10
Untuk menguji H : µ ≤ 0 melawan A : µ > 0 digunakan uji UMPU

1 jika t(z, w) > c
φ(z, w) =
0 yang lain
q
m+n−2
dengan c ditentukan oleh P (tm+n−2 > c0 ) = α dengan c0 = c 1 1 .
+n
Untuk
m
0 0
menguji H : µ ≥ 0 melawan A : µ < 0 digunakan uji UMPU

1 jika t(z, w) < c
φ(z, w) =
0 yang lain
q
m+n−2
dengan c ditentukan oleh P (tm+n−2 < c0 ) = α dengan c0 = c 1 1 .
+n
m
Contoh 3.14
dan Y1 , . . . , X10 variabel random saling bebas dari distribusi N (µ2 , σ22 ). Di-
tahui. Untuk menguji H : µ ≤ 0 melawan A : µ > 0 dengan α = 0, 05
digunakan uji UMPU

1 jika t(z, w) > c
φ(z, w) =
0 yang lain
q
dengan c ditentukan oleh P (t15+10−2 > c0 ) = 0, 05 dan c0 = c 15+10−2
1 1
+ 10
atau
q p 15
23
c0 = c 10+15 atau c0 = c 23(6). Berdasarkan tabel distribusi t diperoleh
p 150
c 23(6) = 1, 7139 atau c = 0, 1459. Sedangkan, untuk menguji H : µ ≥ 0

melawan A : µ < 0 dengan α = 0, 05 digunakan uji UMPU

1 jika t(z, w) < c
φ(z, w) =
0 yang lain
79
q
dengan c ditentukan oleh P (t15+10−2 < c0 ) = 0, 05 dan c0 = c 15+10−2
1 1
+ 10
atau
q p 15
23
c0 = c 10+15 atau c0 = c 23(6). Berdasarkan tabel distribusi t diperoleh
p 150
c 23(6) = −1, 7139 atau c = −0, 1459.
Proposisi 3.11
Untuk menguji H : µ = 0 melawan A : µ 6= 0 digunakan uji UMPU

1 jika t(z, w) < −c atau t(z, w) > c(denganc > 0)
φ(z, w) =
0 yang lain
dengan c ditentukan oleh P (tm+n−2 > c0 ) = α/2.
Contoh 3.15
dan Y1 , . . . , X10 variabel random saling bebas dari distribusi N (µ2 , σ22 ). Di-
tahui. Untuk menguji H : µ = 0 melawan A : µ 6= 0 dengan α = 0, 05
digunakan uji UMPU

1 jika t(z, w) < −c atau t(z, w) > c
φ(z, w) =
0 yang lain
q
dengan c ditentukan oleh P (t15+10−2 > c0 ) = 0, 025 dan c0 = c 15+10−2
1 1
+ 10
q p 15
23
atau c0 = c 10+15 atau c0 = c 23(6). Berdasarkan tabel distribusi t diper-
p 150
oleh c 23(6) = 2, 0687 atau c = 0, 1762. Kuasa ujinya dapat ditentukan

berdasarkan distribusi t non central.
3.7 Uji Likelihood Ratio

datan probabilitas f (x; θ), θ ∈ Ω ⊂ Rr dan ω ⊆ Ω. Misalkan
L(ω) = f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)
dengan θ ∈ ω dan
L(ω c ) = f (x1 ; θ)f (x2 ; θ) . . . f (xn ; θ)
80
dengan θ ∈ ω c . Bila ω dan ω c terdiri dari satu titik maka L(ω) dan L(ω c )
dapat ditentukan dan untuk menguji H : θ ∈ ω melawan A : θ ∈ ω c , uji MP
menolak bila nisbah kemungkinannya (likelihood ratio-LR)
L(ω)/L(ω c )
lebih besar. Akan tetapi bila ω dan ω c mengandung lebih dari satu titik
maka L(ω) dan L(ω c ) tidak dapat ditentukan oleh H dan A dan metodee
pada pasal-pasal terdahulu tidak dapat digunakan.
Misalkan
L(ω̂) = max{L(θ)|θ ∈ ω}, L(ω̂ c ) = max{L(θ)|θ ∈ ω c }
dan
L(Ω̂) = max{L(θ)|θ ∈ Ω}.
Hipotesis H ditolak jika L(ω̂)/L(Ω̂) terlalu kecil yaitu lebih kecil dari atau
sama dengan c dan c ditentukan dari ukuran ujinya. Lemma Fundamen-
tal Neyman-Pearson merupakan kejadian khusus dari uji LR. Jika kuanti-
tas L(ω̂) dan L(Ω̂) hampir sama nilainya maka data cenderung mendukung
hipotesis bahwa yang sebenarnya terletak dalam ω yang dinyatakan dalam
H. Jika tidak demikian data cenderung mendiskreditkan H. Notasi yang
digunakan adalah
L(ω̂)
λ= .
L(Ω̂
Di bawah H benar, statistik − ln λ mempunyai distribusi asmptotik yang
diketahui. Hipotesis H ditolak jika
−2 ln λ > c
dengan c ditentukan berdasarkan pada α.
Teorema 3.5

probabilitas f (x; θ), θ ∈ Ω dengan Ω ⊆ Rr dan ω ⊆ Ω berdimensi m. Nilai-
nilai positif dari fungsi kepadatan probabilitas tidak bergantung pada θ. Di
bawah syarat-syarat 1-6 pada pasal 2.2, distribusi asimptotik dari −2 ln λ
adalah χ2r−m asalkan θ ∈ ω yaitu jika n → ∞ berlaku sifat
P (−2 ln λ ≤ x) → G(x)
dengan x ≥ 0 untuk semua θ ∈ ω dan G adalah fungsi distribusi dari χ2r−m .
81
Contoh 3.16
Diketahui X1 , . . . , Xn variabel random saling bebas dari distribusi N (µ, σ 2 ).
Kasus 1 (σ diketahui)
Akan diuji hipotesis H : µ ∈ ω = {µ0 } dengan Ω = R. Karena MLE

dari µ adalah µ̂Ω = X̄ maka
1 X
nh i
L(Ω̂) = exp − 2 (Xi − X̄)2
2σ i=1
dan
h 1 X
n i
L(Ω̂) = exp − 2 (Xi − µ0 )2 .
2σ i=1
Dalam hal ini lebih mudah ditentukan distribusi dari −2 ln λ dari pada λ.
Diperoleh
n
−2 ln λ = 2 (X̄ − µ0 )2
σ
sehingga uji LR ekuivalen dengan

1 jika σn2 (X̄ − µ0 )2 > c
φ(z) =
0 yang lain
dengan c ditentukan sehingga P (χ21 > c) = α.
Kasus 2 (σ tidak diketahui)
Akan diuji hipotesis H : µ ∈ ω = {µ0 } dengan Ω = R. Karena

n
X
σ̂Ω2 = (Xi − X̄)2
i=1
dan n
X
σ̂ω2 = (Xi − µ0 )2
i=1
maka
1 h 1
n
X i 1
L(Ω̂) = p exp p (Xi − X̄)2 = p e−n/2
(2πσ̂Ω )n (2πσ̂Ω )n i=1 (2πσ̂ Ω ) n
82
dan
1 h 1
n
X i 1
L(ω̂) = p exp p (Xi − µ0 )2 = p e−n/2
(2πσ̂ω ) n n
(2πσ̂ω ) i=1 (2πσ̂ω ) n
sehingga
σ̂ n
Ω
λ=
σ̂ω
atau Pn
2/n (Xi − X̄)2
λ = Pni=1 2
.
i=1 (Xi − µ0 )
Karena
n
X n
X 2
2
(Xi − µ0 ) = (Xi − X̄) + (X̄ − µ0 )
i=1 i=1
n
X
= (Xi − X̄)2 + 2(Xi − X̄)(X̄ − µ0 ) + (X̄ − µ0 )2
i=1
Xn n
X n
X
2 2
= (Xi − X̄) + 2(X̄ − µ0 ) (Xi − X̄) + (X̄ − µ0 )
i=1 i=1 i=1
Xn
= (Xi − X̄)2 + n(X̄ − µ0 )2
i=1
maka
h Pn (X − µ )2 i−1
i 0
λ = Pi=1
n 2
i=1 (Xi − X̄)
P
h n (X − X̄)2 + n(X̄ − µ )2 i−1
i=1 i 0
= P n 2
i=1 (X i − X̄)
h n(X̄ − µ0 )2 i−1
= 1 + Pn 2
i=1 (Xi − X̄)
h 1 n(X̄ − µ0 )2 i−1
= 1+ 1
P n
n − 1 n−1 i=1 (Xi − X̄)
2
h t2 i−1
= 1+
n−1
dengan √
n(X̄ − µ0 )
t = t(z) = q P .
1 n 2
n−1 i=1 (X i − X̄)
83
Hal itu berarti, jika λ < λ0 ekuivalen dengan t2 > c untuk c konstanta
tertentu. Uji LR ekuivalen dengan

1 jika t < −c dan t > c
φ(z) =
0 yang lain
dengan c ditentukan sehingga P (tn−1 > c)α/2.
Contoh 3.17
Diketahui X1 , . . . , Xm variabel random saling bebas dari distribusi N (µ1 , σ12 )

dan Y1 , . . . , Yn variabel random saling bebas dari distribusi N (µ2 , σ22 ). Diang-
gap dua sampel tersebut saling bebas. Misalkan bahwa sampel X dan sampel
Y saling bebas dan diinginkan untuk menguji hipotesis berikut. Dalam hal
ini fungsi kepadatan probabilitas bersama X dan Y adalah
1 m+n 1 h 1 X
m
1 X
n i
2 2
√ exp − (X i − µ 1 ) − (Y j − µ 2 ) .
2π σ1m σ2n 2σ12 i=1 2σ22 j=1
Kasus 1
Dianggap bahwa σ1 = σ2 = σ tetapi σ tidak diketahui dan ingin diuji hipote-

sis H : µ1 = µ2 (= µ) dengan µ tidak diketahui.
Di bawah Ω = {θ = (µ1 , µ2 , σ)t |µ1 , µ2 ∈ R, σ > 0} maka MLE dari
parameter adalah
1 X
m Xn
2 2 2
µ̂1,Ω = X̄, µ̂2,Ω = Ȳ , σ̂Ω = (Xi − X̄) + (Yj − Ȳ ) .
m + n i=1 j=1
Oleh karena itu 1 m+n

L(Ω̂) = √ e−(m+n)/2 .
2πσ̂Ω
t
Di bawah ω = {θ = (µ1 , µ2 , σ) |µ1 , µ2 ∈ R, σ > 0} maka MLE dari parameter
adalah
1 X mX̄ + nȲ
m Xn
µ̂ω = Xi + Yj = .
m + n i=1 j=1
m+n
Misalkan diset vk = xk , k = 1, 2, . . . , m dan vm+k = yk , k = 1, 2, . . . , n.
Akibatnya
1 X
m+n m n
1 X X
V̄ = Vk = Xi + Yj = µ̂ω .
m + n k=1 m + n i=1 j=1
84
Hal itu berarti
m+n
1 X
σ̂ω2 = (Vk − V̄ )2
m + n k=1
1 hX i
m Xm
2 2
= (Xi − µ̂ω ) + (Yj − µ̂ω ) .
m + n i=1 j=1
Oleh karena itu 1 m+n −(m+n)/2

L(ω̂) = √ e .
2πσ̂ω
Akibatnya
σ̂ m+n
Ω
λ=
σ̂ω
dan
σˆ2 Ω
λ2/(m+n) = .
σˆ2 ω
Pada sisi lain
n
X n
X 2
2
(Xi − µ̂ω ) = (Xi − X̄) + (X̄ − µ̂ω )
i=1 i=1
Xn
= (Xi − X̄)2 + 2(Xi − X̄)(X̄ − µω ) + (X̄ − µ̂ω )2
i=1
n
X n
X n
X
2
= (Xi − X̄) + 2(X̄ − µω ) (Xi − X̄) + (X̄ − µ̂ω )2
i=1 i=1 i=1
Xn
= (Xi − X̄)2 + m(X̄ − µω )2
i=1
Xn
mX̄ + nȲ 2
= (Xi − X̄)2 + m X̄ −
i=1
m+n
Xn
nX̄ − nȲ 2
= (Xi − X̄)2 + m
i=1
m+n
n
X mn2
= (Xi − X̄)2 + 2
(X̄ − Ȳ )2 .
i=1
(m + n)
Dengan cara yang sama diperoleh

m
X n
X
2 m2 n
(Yj − µ̂ω ) = (Yj − Ȳ )2 + (X̄ − Ȳ )2 .
j=1 j=1
(m + n)2
85
Akibatnya
hX
m n
X i
(m + n)σ̂ω2 = 2
(Xi − µ̄ω ) + (Yj − µ̄ω )2
i=1 j=1
n
X mn2
= (Xi − X̄)2 + (X̄ − Ȳ )2
i=1
(m + n)2
Xn
m2 n
2
+ (Yj − Ȳ ) + 2
(X̄ − Ȳ )2
j=1
(m + n)
mn
= (m + n)σ̂ω2 + (X̄ − Ȳ )2 .
m+n
Di samping itu berlaku sifat
h t i−1
λ2/(m+n) = 1 +
m+n−2
dengan p mn
− Ȳ )
m+n
(X̄
t= r hP i.
1 m 2
Pn 2
m+n−2 i=1 (Xi − X̄) + j=1 (Yj − Ȳ )
Oleh karena itu, uji LR menolak H bila λ < λ0 maka akan ekuivalen dengan
uji
1 jika t < −c dan t > c (c > 0)
φ(z, w) =
0 yang lain
dengan c ditentukan oleh P (tm+n−2 > c) = α/2 dan z = (x1 , x2 , . . . , xm )t
dan w = (y1 , y2 , . . . , yn )t (karena di bawah H, t berdistribusi tm+n−2 ).
Kasus 2
Akan diuji hipotesis H : σ1 = σ2 (= σ tidak diketahui).

Di bawah Ω = {θ = (µ1 , µ2 , σ1 , σ2 )t |µ1 , µ2 ∈ R, σ1 , σ2 > 0} diperoleh
n n
2 1 X 1X
µ̂1,Ω = X̄, µ̂2,Ω = Ȳ , σ̂1,Ω = (Xi − X̄)2 , 2
σ̂2,Ω = (Yj − Ȳ )2 .
m i=1 n j=1
Di bawah ω = {θ = (µ1 , µ2 , σ1 , σ2 )t |µ1 , µ2 ∈ R, σ1 = σ2 (> 0)} diperoleh

µ̂1,ω = µ̂1,Ω , µ̂2,ω = µ̂2,Ω
dan
1 X
m X m
σΩ2 = (Xi − X̄)2 + (Yj − Ȳ )2 .
m + n i=1 j=1
86
Oleh karena itu
1 m+n 1
L(Ω̂) = √ 2 m/2 2 n/2
e−(m+n)/2
2π (σ̂1,Ω ) (σ̂2,Ω )
dan 1 m+n 1
L(ω̂) = √ 2 )(m+n)/2
e−(m+n)/2
2π (σ̂ ω
sehingga
2
σ̂1,Ω )m/2 σ̂2,Ω
2
)n/2
λ =
σ̂ω2 )(m+n)/2
Pn m/2
(Xi −X̄)2
(m + n)(m+n)/2 Pi=1 n 2
j=1 (Yj −Ȳ )
= Pn (X −X̄)2 +Pn (Y −Ȳ )2 (m+n)/2
i j
mm/2 nn/2 i=1 Pn (Yj −j=1 Ȳ )2
j=1
1 Pn 2 m/2
(m+n)/2 m−1 m−1 P i=1 (Xi −X̄)
(m + n) n−1 n−1 1 n 2
j=1 (Yj −Ȳ )
= 1 P n 2
m/2
m/2 n/2 m−1 m−1 P i=1 (Xi −X̄)
m n 1 + n−1 1 n (Y −Ȳ )2
n−1 j=1 j
m/2
m−1
(m + n) (m+n)/2
n−1
f
= m/2 n/2 (m+n)/2
m n
1 + m−1
n−1
f
dengan Pm
1
(Xi − X̄)2
f= m−1
1
Pni=1 .
n−1 j=1 (Yj − Ȳ )2
Uji LR menolak H bila λ < λ0 akan ekuivalen dengan uji F yang menolak
H jika g(f ) < c untuk c tertentu dan
m/2
m−1
n−1
f
g(f ) = (m+2)/2 .
m−1
1 + n−1 f
m(n−1)
Nilai maksimum g(f ) dicapai bila f = n(m−1)
. Dalam hal ini g(θ) dan
g(f ) → 0
untuk f → ∞. Oleh karena itu g(f ) < c jika dan hanya jika f < c1 atau
f > c2 untuk c1 dan c2 tertentu. Karena F berdistribusi Fm−1,n−1 di bawah
H maka c1 dan c2 ditentukan sehingga
P (Fm−1,n−1 < c1 atau Fm−1,n−1 > c2 ) = α
87
dan g(c1 ) = g(c2 ). Secara praktis c1 dan c2 ditentukan sehingga masing-
masing ekor dari distribusi Fm−1,n−1 mempunyai probabilitas α/2 yaitu
P (Fm−1,n−1 < c1 ) = P (Fm−1,n−1 > c2 ) = α/2.
88
Brief History of Bayes
Thomas Bayes (1702-1761) Clergyman and mathematician. MacTutor

References SC, LP.
Bayes attended the University of Edinburgh to prepare for the ministry
but he studied mathematics at the same time. In 1742 Bayes became a fellow
of the Royal Society: the certificate of election read We propose and recom-
mend him as a Gentleman of known Merit, well Skilled in Geometry and all
parts of Mathematical and Philosophical Learning and every way qualified
to be a valuable Member of the Same. Bayes wrote only one paper on prob-
ability, the posthumously published An Essay towards solving a Problem in
the Doctrine of Chances (1763). (For statement of the problem, see Bayes).
The paper was submitted to the Royal Society by Richard Price who added
a post-script of his own in which he discussed a version of the rule of suc-
cession. In the paper Bayes refers only to de Moivre and there has been
much speculation as to where the problem came from. Bayesian methods
were widely used in the C19, through the influence of Laplace and Gauss,
although both had second thoughts. Their Bayesian arguments continued to
be taught until they came under heavy attack in the C20 from Fisher and
Neyman. In the 1930s and 40s Jeffreys was an isolated figure in trying to de-
velop Bayesian methods. From the 50s onwards the situation changed when
Savage and others made Bayesianism intellectually respectable and recent
computational advances have made Bayesian methods technically feasible.
From the early C20 there has been a revival of interest in Bayes himself and
he has been much more discussed than ever before. See Bellhouse biography,
Sheynin ch. 5 Life & Work and Todhunter ch.XIV (pp. 294-300). See Stigler
(1986): Chapter 3, Inverse Probability and Hald (1998): Chapter 8, Bayes,
Price and the Essay, 1764-1765.) There is a major new biography, A. I. Dale
Most Honorable Remembrance: The Life and Work of Thomas Bayes.
89
Brief History of Gosset
Student = William Sealy Gosset (1876-1937) Chemist, brewer and statis-

tician. MacTutor References. Wikipedia SC, LP.
Gosset was an Oxford-educated chemist whose working life was spent, not
in a university, but working for Guinness, the Dublin brewer. Gossets career
as a publishing statistician b egan after he studied for a year with Karl Pear-
son. In his first published paper Student (as he called himself) rediscovered
the Poisson distribution. In 1908 he published two papers on small sample
distributions, one on the normal mean (see Student’s t distribution and Stu-
dentization) and one on normal correlation (see Fishers z-transformation).
Although Gossets fame rests on the normal mean work, he wrote on other
topics, e.g. he proposed the variate difference method to deal with spuri-
ous correlation. His work for Guinness and the farms that supplied it led
to work on agricultural experiments. When his friend Fisher made random-
ization central to the design of experiments Gosset disagreedsee his review
of Fishers Statistical Methods. Gosset was not very interested in Pearsons
biometry and the biometricians were not very interested in what he did; the
normal mean problem belonged to the theory of errors and was more closely
related to Gauss and to Helmert than to Pearson. Gosset was a marginal
figure until Fisher built on his small-sample work and transformed him into
a major figure in C20 statistics. E. S. Pearson was another great admirer.
For a sample of Gossets humour see the entry kurtosis. See Life & Work
90
Chapter 4
Daerah Kepercayaan
4.1 Interval Kepercayaan

datan probabilitas f (x; θ), θ ∈ Ω ⊆ Rr .
Definisi 4.1
Interval random adalah interval berhingga atau tak berhingga dengan paling
sedikit 1 titik ujungnya meruapakan variabel random.
Definisi 4.2
Misalkan L(X1 , X2 , . . . , Xn ) dan U (X1 , X2 , . . . , Xn ) dua statistik sehingga
L(X1 , X2 , . . . , Xn ) ≤ U (X1 , X2 , . . . , Xn ).
Interval random [L(X1 , X2 , . . . , Xn ), U (X1 , X2 , . . . , Xn )] adalah interval keper-

cayaan untuk θ dengan koefisien konfidensi 1 − α(0 < α < 1) jika
P (L(X1 , X2 , . . . , Xn ) ≤ θ ≤ U (X1 , X2 , . . . , Xn )) ≥ 1 − α
untuk semua θ ∈ Ω. U (X1 , X2 , . . . , Xn ) dinamakan batas kepercayaan atas

sedangkan L(X1 , X2 , . . . , Xn ) dinamakan batas kepercayaan bawah untuk θ
jika untuk semua θ ∈ Ω berlaku sifat
P (−∞ < θ ≤ U (X1 , X2 , . . . , Xn )) ≥ 1 − α
dan
P (L(X1 , X2 , . . . , Xn ) ≤ θ < ∞) ≥ 1 − α
91
dengan koefisien kepercayaan 1 − α.
Interval random [L(X1 , X2 , . . . , Xn ), U (X1 , X2 , . . . , Xn )] adalah interval
kepercayaan untuk θ dengan koefisien kepercayaan 1 − α jika probabilitas
bahwa paling sedikit 1 − α interval random
[L(X1 , X2 , . . . , Xn ), U (X1 , X2 , . . . , Xn )]
mengandung parameter θ dengan θ ∈ Ω.

Interpretasi dari pernyataan tersebut adalah : misalkan eksperimen ran-
dom dilakukan n kali dan jika xi adalah nilai pengamatan Xi , i = 1, 2, . . . , n.
Bila dikonstruksikan interval
[L(X1 , X2 , . . . , Xn ), U (X1 , X2 , . . . , Xn )]
dan proses tersebut diulang secara independen N kali sehingga diperoleh N

interval. Bila N membesar maka paling sedikit (1−α)N dari N interval akan
mengandung parameter θ yang sebenarnya. Panjang interval kepercayaan
adalah
l = l(X1 , X2 , . . . , Xn ) = U (X1 , X2 , . . . , Xn ) − L(X1 , X2 , . . . , Xn )
dan harapan panjangnya adalah Eθ [l] jika harapannya ada.

Dimungkinkan terdapat lebih dari satu interval kepercayaan untuk θ den-
gan koefisien konfidensi 1 − α. Untuk itu diinginkan untuk mencari inter-
val kepercayaan yang mempunyai panjang minimum diantara kelas interval
kepercayaan . Prosedur umum untuk mengkontruksikan interval kepercayaan
adalah sebagai berikut : dimulai dari variabel random
Tn (θ) = T (X1 , X2 , . . . , Xn ; θ)
yang tergantung pada X hanya melalui statistik cukup θ yang distribusinya

dapat ditentukan dengan pasti Ln (X1 , X2 , . . . , Xn ) dan U (X1 , X2 , . . . , Xn )
fungsi yang sederhana dari Tn (θ) yang dipilih dengan alasan yang jelas.
Contoh 4.1
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi N (µ, σ 2 ).
Kasus 1 Jika σ diketahui dan µ parameter
Misalkan didefinisikan statistik

√
n(X̄ − µ)
Tn (µ) = .
σ
92
Statistik Tn (µ) tergantung pada X1 , X2 , . . . , Xn hanya melalui statistik cukup
dari µ yaitu X̄ dan mempunyai distribusi N (0, 1) untuk semua µ. Akan
ditentukan a dan b sehingga
P (a ≤ N (0, 1) ≤ b) = 1 − α
√
n(X̄ − µ)
P (a ≤ ≤ b) = 1 − α
σ
σ σ
P (X̄ − b √ ≤ µ ≤ X̄ + b √ ) = 1 − α. (4.1.1)
n n
Oleh karena itu [X̄ − b √σn , X̄ + b √σn ] adalah interval kepercayaan untuk µ
dengan koefisien kepercayaan 1 − α. Panjang interval tersebut adalah
(b − a)σ
l= √ .
n
Interval kepercayaan yang memenuhi (4.1.1) dengan panjang interval terpen-

dek sehingga b dan a memenuhi (4.1.1).
Dapat ditunjukkan bahwa l terpendek bila b = c(c > 0) dan a = −c
dengan c adalah kuantil atas dari distribusi N (0, 1) yang dinotasikan den-
gan Zα/2 . Oleh karena itu interval kepercayaan terpendek untuk θ dengan
koefisien konfidensi 1 − α adalah
h σ σ i
X̄ − Zα/2 √ , X̄ + Zα/2 √ .
n n
Kasus 2 Jika µ diketahui dan σ parameter
Misalkan
nSn2
T̄n (σ 2 ) =
σ2
P
dengan Sn2 = n1 ni=1 (Xi − µ)2 . Berarti T̄n tergantung pada σ 2 hanya melalui
statistik cukup Sn2 dari σ 2 dan distribusi χ2n untuk semua σ 2 . Akan ditentukan
a dan b dengan a < b sehingga
P (a ≤ χ2n ≤ b) = 1 − α
nS 2
P (a ≤ 2n ≤ b) = 1 − α
σ
nSn2 nSn2
P( ≤ σ2 ≤ ) = 1−α
b a
93
2 2
sehingga ( nSb n , nSa n ) adalah interval kepercayaan untuk σ 2 dengan koefisien
kepercayaan 1 − α yang panjangnya adalah
1 1 2
l= − nSn .
a b
Harapan panjang intervalnya adalah
h 1 1 i h 1 1 nS 2 i 1 1 2
n 2
E[l] = E − nSn2 = E − σ = − nσ . (4.1.2)
a b a b σ2 a b
Meskipun terdapat tidak berhingga banyak pasangan a dan b yang memenuhi
(4.1.2), tetapi secara praktis biasanya dipilih a dan b sehingga luas ekornya
adalah α/2.
Akan tetapi hal ini bukanlah pilihan yang terbaik karena interval yang
terbentuk bukanlah interval yang terpendek.
Misalkan b = b(a) yaitu b
1 1 2
sebagai fungsi dari a. Karena l = a − b nSn maka a penyebab l terpendek
dl
akan memenuhi da
= 0 atau
dl 1 1 db
=− 2 + 2 =0
da a b da
db 2
yaitu da = ab 2 . Bila Gn dan gn masing-masing adalah fungsi distribusi dan
fungsi kepadatan probabilitas dari χ2n maka Gn (b) − Gn (a) = 1 − α sehingga
dGn (b) dGn (a) d
− = (1 − α)
da da da
atau
dGn (b) db
− gn (a) = 0
db da
atau
db
gn (b) − gn (a) = 0.
da
db
Hal itu berarti da = ggnn(a)
(b)
. Akibatnya a2 gn (a) = b2 gn (b) sehingga a dan b
Rb
ditentukan sehingga a2 gn (a) = b2 gn (b). dan a gn (t)dt = 1 − α.
Sebagai contoh, untuk n = 25, σ = 1 dan 1 − α = 0, 95 sehingga Zα/2 =
1, 96. Hal itu berarti interval kepercayaan 95% untuk µ adalah
[X̄ − 0, 392, X̄ + 0, 392].
Bila digunakan ekor yang sama diperoleh a = 13, 120 dan b = 40, 646 maka
interval kepercayaan 95% untuk σ 2 adalah
h 25S 2 2 i
25S25
25
, .
40, 646 13, 120
94
Pada sisi lain, interval kepercayaan % terpendek untuk σ 2 adalah
h 25S 2 25S252 i
25
, .
45, 7051 14, 2636
dengan rasio panjang antara kedua interval tersebut medekati 1,068.
Contoh 4.2
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi

P Gamma
dengan parameter β dan α diketahui (misal α = r). Statistik ni=1 Xi meru-
pakan statistik cukup untuk β. Karena setiap j = 1, 2, . . . , n, variabel ran-
dom 2Xi /β berdistribusi χ22r maka
n
2X
Tn (β) = Xi
β i=1
berdistribusi chi-kuadrat dengan derajat bebas 2rn untuk semua β > 0.

Akan ditentukan a dan b dengan a < b sehingga P (a ≤ χ22m ≤ b) = 1 − α.
Diperoleh
n
2X
P (a ≤ Xi ≤ b) = 1 − α
β i=1
P P
2 ni=1 Xi 2 ni=1 Xi
P( ≤β≤ ) = 1−α
b a
Oleh karena itu interval konfidensi dengan koefisien konfidensi 1 − α adalah
h 2 Pn X 2 Pn X i
i=1 i i=1 i
,
b a
Panjang interval kepercayaannya adalah
1 X 1 n
l=2 − Xi
a b i=1
hP i
1 n
1 2Xi 1 1
Dengan harapan E(l) = β − E a i=1 β
b
= 2βrn a − b . Prosedur
untuk menentukan interval kepercayaan dengan panjang terpendek analog
pada Contoh 4.1, yaitu dipilih a dan b sehingga a2 g2rn (a) = b2 g2rn (b) dan
Z b
g2rn (t)dt = 1 − α.
a
95
Untuk n = 7, r = 2 dan 1 − α = 0, 95 diperoleh a = 16, 5128 dan b = 49, 3675
dan interval kepercayaan dengan panjang terpendek adalah
h 2 Pn X 2 Pn X i
i=1 i i=1 i
,
49, 3675 16, 5128
sedangkan interval kepercayaan dengan luas ekor sama adalah
h 2 Pn X 2 Pn X i
i=1 i i=1 i
,
44, 461 15, 308
dengan rasio panjang antara dua interval tersebut mendekati 1, 075.
Contoh 4.3
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi

Qn Beta den-
gan
Pnparameter β = 1 dan α = θ tidak diketahui. Karena i=1 Xi atau
− i=1 ln Xi merupakan statistik cukup untuk θ. Karena Xi berdistribusi
Beta dengan β = 1 dan α = θ maka Yi = 2θ ln Xi berdistribusi chi-kuadrat
dengan derajat bebas 2 sehingga dengan mengingat X1 , . . . , Xn saling bebas
diperoleh
X n
Tn (θ) = −2θ ln Xi
i=1
berdistribusi chi-kuadrat dengan derajat bebas 2n. Akan ditentukan a dan

b dengan a < b sehingga
P (a ≤ χ22n ≤ b) = 1 − α
Xn
P (a ≤ −2θ ln Xi ≤ b) = 1 − α
i=1
a b
P( Pn ≤θ≤ Pn ) = 1 − α.
−2 i=1 ln Xi −2 i=1 ln Xi
Oleh karena itu interval kepercayaan 1 − α untuk θ adalah

h a b i
− Pn , − Pn .
2 i=1 ln Xi 2 i=1 ln Xi
Panjang intervalnya sama dengan l = 2 Pna+bln Xi . Dengan menganggap dl

da
=0
i=1
maka diperoleh g2n (a) = g2n (b) dan
Z b
g2n (t)dt = 1 − α.
a
96
Contoh 4.4
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi U (0, θ).

Statistik Yn = X(n) adalah statistik cukup untuk θ dan mempunyai fungsi
kepadatan probabilitas
n
gn (yn ) = n ynn−1
θ
untuk 0 ≤ yn ≤ θ. Misalkan Tn (θ) = Yθn . Hal itu berarti Tn mempunyai
fungsi kepadatan probabilitas
hn (t) = ntn−1
untuk 0 ≤ t ≤ 1. Akan ditentukan a dan b dengan sifat 0 ≤ a < b ≤ 1

sehingga Z b
P (a ≤≤ b) = ntn−1 dt = bn − an = 1 − α.
a
X X(n)
Diperoleh P (a ≤ Yθn ≤ b) = 1 − α atau P ( b(n) ≤ θ ≤ a
) = 1 − α. Oleh
karena itu interval kepercayaan 1 − α untuk θ adalah
hX X(n) i
(n)
,
b a

dan panjang intervalnya adalah l = a1 − 1b X(n) . Akibatnya
dl h 1 da 1i
= X(n) − 2 + .
db a db b2
n−1 n+1 n+1
Karena dbdl
= ab n−1 maka da
dl
= X(n) a b2 a−b
n+1
dl
. Karena da < 0 untuk semua b
maka l turun dalam b dan nilai minimum dicapai bila a = α1/n . Oleh karena
itu interval kepercayaan dengan koefisien 1 − α dinyatakan dengan
h X(n) i
X(n) , .
α1/n
Untuk n = 23 dan 1 − α = 0, 95 maka diperoleh [X(32) , 1, 098X(32) ].
97
4.2 Interval Kepercayaan Bila Muncul Param-
eter Nuisans
Contoh-contoh berikut ini menjelaskan bagaimana menentukan interval keper-
cayaan bila muncul parameter nuisans.
Contoh 4.5
Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dari distribusi N (µ, σ 2 )

dengan µ dan σ 2 tidak diketahui.
Kasus 1
Akan dikonstruksikan interval kepercayaan untuk µ. Misalkan

√
n(X̄ − µ)
Tn (µ) =
Sn−1
dengan
n
2 1X
Sn−1 = (Xi − µ)2 .
n i=1
Statistik Tn−1 (µ) tergantung pada X1 , . . . , Xn hanya melalui statistik cukup
2
(X̄n , Sn−1 ) dari (µ, σ 2 )t . Karena
berdistribusi t dengan derajat bebas n − 1 maka diperoleh interval keper-
cayaan berbentuk
h Sn−1 Sn−1 i
X̄n − b √ , X̄n − a √ .
n n
Dengan alasan yang sama seperti pada Contoh 4.1 diperoleh interval keper-
cayaan dengan panjang terpendek yaitu
h Sn−1 Sn−1 i
X̄n − tn−1;α/2 √ , X̄n + tn−1;α/2 √
n n
dengan tn−1;α adalah kuantil atas dari distribusi t dengan derajat bebas n−1.
Untuk n = 25 dan α = 0, 96 interval kepercayaan yang bersesuaian dengan
µ diambil dengan t24;0,025 = 2, 0639 sehingga diperoleh
h i
X̄n − 0, 41278S24 , X̄n + 0, 41278S24 .
98
Kasus 2
Akan dikonstruksikan interval kepercayaan untuk σ 2 . Misalkan

2
(n − 1)Sn−1
Tn (σ 2 ) = .
σ2
Karena T (σ 2 ) berdistribusi chi-kuadrat dengan derajat bebas n−1 maka den-
gan menggunakan alasan seperti pada Contoh 4.1 diperoleh interval keper-
cayaan untuk σ 2 yaitu
h (n − 1)S 2 2 i
n−1 (n − 1)Sn−1
,
b a
dan interval kepercayaan terpendek diambil bila a dan b memenuhi
a2 gn−1 (a) = b2 gn−1 (b)
dan Z b
gn−1 (t)dt = 1 − α.
a
Untuk n = 25 dan 1 − α = 0, 95 diperoleh a = 13, 5227 dan b = 44, 4802
yang bersesuaian dengan
2 2
[0, 539S24 , 1, 775S24 ].
Contoh 4.6
Sampel random X1 , X2 , . . . , Xn berasal dari distribusi N (µ1 , σ12 ) dan sam-

pel random berasal dari distribusi dengan µ − 1, µ2 , σ1 , σ2 tidak diketahui.
Akan dikonstruksikan interval kepercayaan untuk µ1 − µ2 dengan mengang-
gap σ1 = σ2 = σ. Misalkan
(X̄m − Ȳn ) − (µ1 − µ2 )
Tm,n (µ1 − µ2 ) = r .
2
(m−1)Sm−1 2
+(n−1)Sn−1 1 1
m+n−2 m
−n
Statistik Tm,n (µ1 − µ2 ) berdistribusi t dengan derajat bebas m + n − 2. Hal

itu berarti interval kepercayaan 1 − α untuk µ1 − µ2 adalah
s
h 2
(m − 1)Sm−1 2
+ (n − 1)Sn−1 1 1
(X̄m − Ȳn ) − tm+n−2;α/2 − ,
m+n−2 m n
s
2
(m − 1)Sm−1 2
+ (n − 1)Sn−1 1 1 i
(X̄m − Ȳn ) + tm+n−2;α/2 − .
m+n−2 m n
99
Untuk m = 13, n = 14 dan 1 − α = 0, 95 diperoleh t25;0,025 sehingga
h q q i
2 2 2
(X̄ − Ȳ ) − 0, 1586 12SX + 13SY , (X̄ − Ȳ ) − 0, 1586 12SX + 13SY2 .
σ12
Akan dikonstruksikan interval kepercayaan untuk σ22
. Misalkan
σ2 2
σ12 Sn−1
1
Tm,n = .
σ22 σ22 Sn−1
2
2
σ
Statistik Tm,n σ12 berdistribusi F dengan derajat bebas n − 1 dan m − 1.
2
Akan ditentukan a dan b dengan 0 < a < b sehingga
P (a ≤ Fn−1;m−1 ≤ b) = 1 − α
σ2 S 2
P (a ≤ 12 2n−1 ≤ b) = 1 − α
σ2 Sm−1
2 2
S σ12 Sm−1
P (a m−1
2
≤ ≤ b ) = 1 − α.
Sn−1 σ22 2
Sn−1
σ12
Oleh karena itu interval kepercayaan untuk σ22
adalah
h S2 2
Sm−1 i
m−1
a 2 ,b 2 .
Sn−1 Sn−1
Khususnya untuk interval kepercayaan yang mempunyai ekor sama diny-

atakan dengan
h 2
Sm−1 2
Sm−1 i
0
Fn−1;m−1;α/2 2 , Fn−1;m−1;α/2 2
Sn−1 Sn−1
0
dengan Fn−1;m−1;α/2 dan Fn−1;m−1;α/2 masing-masing adalah kuantil α/2 atas
dan bawah dari Fn−1;m−1 . Bila titik dibaca dari Tabel distribusi F maka titik
dapat dihitung dengan cara
0
Fn−1;m−1;α/2 = 1/Fn−1;m−1;α/2 .
Untuk m, n dan 1 − α seperti di atas diperoleh dan sehingga interval keper-

σ2
cayaan untuk σ12 adalah
2
h 2
S12 2 i
S12
0, 3171 2
, 3, 2388 2
.
S13 S13
100
4.3 Interval Kepercayaan dan Interval Keper-
cayaan Pendekatan
Konsep interval kepercayaan dapat diperumum menjadi daerah kepercayaan
untuk parameter multi-dimensi.
Contoh 4.7
Akan dikonstruksikan daerah kepercayaan dalam R2 untuk (µ, σ 2 )t . Vari-

abel random berdistribusi N (0, 1) dan berdistribusi chi-kuadrat dengan de-
rajat bebas n − 1 dan keduanya saling bebas. Akan dicari c(c > 0), a dan
b(0 < a < b) sehingga
√
P (−c ≤ N (0, 1) ≤ c) = 1 − α
√
dan P (a ≤ χ2n−1 ≤) = 1 − α. Diperoleh
√ 2
n(X̄ − µ) (n − 1)Sn−1
P (−c ≤ ≤ c, a ≤ 2
≤ b) = 1 − α
√ σ σ
2
n(X̄ − µ) (n − 1)Sn−1
P (−c ≤ ≤ c) × P (a ≤ ≤ b) = 1 − α
σ σ2
2 2
c2 σ 2 (n − 1)Sn−1 (n − 1)Sn−1
P ((µ − X̄n )2 ≤ , ≤ σ2 ≤ ) = 1 − α.
n b a
Misalkan X1 , X2 , . . . , Xn variabel random dengan mean µ dan variansi σ 2 .
Dengan menggunakan Teorema Limit Pusat diperoleh
√
n(X̄n − µ)
∼ N (0, 1).
σ
Jika dianggap bahwa σ diketahui maka interval kepercayaan untuk µ dengan
koefisien kepercayaan mendekati 1 − α adalah
h σ σ i
X̄ − Zα/2 √ , X̄ + Zα/2 √
n n
asalkan n → ∞. Misalkan σ juga tidak diketahui. Karena
n
X
Sn2 = (Xi − X̄n )2 → σ 2
i=1
untuk n → ∞ maka √
n(X̄n − µ)
→ N (0, 1).
Sn
101
Oleh karena itu interval kepercayaan untuk µ dengan koefisien kepercayaan
1 − α dinyatakan dengan
h Sn Sn i
X̄ − Zα/2 √ , X̄ + Zα/2 √
n n
asalkan n → ∞.
Contoh 4.8
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi Binom(1, θ).

Akan dikonstruksikan interval kepercayaan untuk θ dengan koefisien keper-
cayaan mendekati 1 − α. Karena Sn2 = X̄n (1 − X̄n ) maka dengan hasil di atas
diperoleh interval kepercayaan untuk θ berikut
r r
h X̄n (1 − X̄n ) X̄n (1 − X̄n ) i
X̄ − Zα/2 , X̄ + Zα/2 .
n n
Contoh 4.9
Misalkan X1 , . . . , Xn variabel random saling bebas dari distribusi Poisson(λ).

Interval kepercayaan untuk λ dengan koefisien kepercayaan mendekati 1 − α
adalah h Sn Sn i
X̄ − Zα/2 √ , X̄ + Zα/2 √ .
n n
4.4 Hubungan antara Uji Hipotesis dan In-

terval Kepercayaan
Terdapat hubungan erat antara pengkonstruksian interval kepercayaan dan
pengujian hipotesis. Misalkan variabel random saling bebas dengan fungsi
kepadatan probabilitas f (x; θ), θ ∈ Ω ⊆ Rr . Untuk setiap θ ∗ ∈ Ω, akan diuji
hipotesis H(θ ∗ ) : θ = θ ∗ pada tingkat α dan A(θ ∗ ) menyatakan daerah pener-
imaan dalam Rn . Misalkan Z = (X1 , X2 , . . . , Xn )t dan z = (x1 , x2 , . . . , xn )t
didefinisikan daerah T (z) dalam Ω sebagai T (z) = {θ ∈ Ω|z ∈ θ}. Dengan
kata lain, T (z) adalah himpunan bagian dari Ω dengan sifat : berdasarkan
pada baris z, setiap H(θ) diterima bila θ ∈ T (z) yaitu
z ∈ θ → θ ∈ T (z).
102
Oleh karena itu
P (θ ∈ T (z)) = P (z ∈ A(θ)) ≥ 1 − α,
sehingga T (z) adalah daerah kepercayaan untuk θ dengan koefisien keper-

cayaan 1 − α.
Teorema 4.1
Misalkan variabel random saling bebas dengan fungsi kepadatan probabil-

itas f (x; θ), θ ∈ Ω ⊆ Rr . Untuk setiap θ ∈ Ω, misalkan masalah pengujian
hipotesis pada tingkat α dan didefinisikan T (z) oleh
T (Z) = {θ ∈ Ω|z ∈ A(θ)}
maka T (z) adalah daerah kepercayaan untuk θ dengan koefisien kepercayaan

1 − α.
103
Brief History of Pearson
Karl Pearson (1857-1936) Biometrician, statistician & applied mathe-

matician. MacTutor References. SC, LP.
Karl Pearson read mathematics at Cambridge but made his career at Uni-
versity College London. Pearson was an established applied mathematician
when he joined the zoologist W. F. R. Weldon and launched what became
known as biometry; this found institutional expression in 1901 with the jour-
nal Biometrika. Weldon had come to the view that the problem of animal
evolution is essentially a statistical problem and was applying Galtons statis-
tical methods. Pearsons contribution consisted of new techniques and even-
tually a new theory of statistics based on the Pearson curves, correlation,
the method of moments and the chi square test. Pearson was eager that his
statistical approach be adopted in other fields and amongst his followers was
the medical statistician Major Greenwood. Pearson created a very powerful
school and for decades his department was the only place to learn statistics.
Yule, Wishart and F. N. David were among the distinguished statisticians
who started their careers working for Pearson. Among those who attended
his lectures were the biologist Raymond Pearl, the economist H. L. Moore,
the medical statistician Austin Bradford Hill and Jerzy Neyman; in the 1930s
Wilks was a visitor to the department. Pearsons influence extended to Russia
where Slutsky (see minimum chi-squared method) and Chuprov were inter-
ested in his work. Pearson had a great influence on the language and notation
of statistics and his name often appears on the Words pages and Symbols
pagessee e.g. population, histogram and standard deviation. When Pear-
son retired, his son E. S. Pearson inherited the statistics part of his fathers
empirethe eugenics part went to R. A. Fisher. Under ESP (who retired in
1961) and his successors the department continued to be a major centre for
statistics in Britain. M. S. Bartlett went there as a lecturer after graduating
from Cambridge in 1933 (his teacher was Wishart) and again as a professor
when ESP retired. For more on KP see Karl Pearson: A Readers Guide. See
Stigler (1986): Chapter 10, Pearson and Yule.
104
Brief History of Markov
A. A. Markov (1856-1922) Mathematician. MacTutor References. SC,

LP.
Markov spent his working life at the University of St. Petersburg. Markov
was, with Lyapunov, the most distinguished of Chebyshevs students in prob-
ability. Markov contributed to established topics such as the central limit
theorem and the law of large numbers. It was the extension of the latter to
dependent variables that led him to introduce the Markov chain. He showed
how Chebyshevs inequality could be applied to the case of dependent random
variables. In statistics he analysed the alternation of vowels and consonants
as a two-state Markov chain and did work in dispersion theory. Markov had
a low opinion of the contemporary work of Pearson, an opinion not shared
by his younger compatriots Chuprov and Slutsky. Markovs Theory of Prob-
ability was an influential textbook. Markov influenced later figures in the
Russian tradition including Bernstein and Neyman. The latter indirectly
paid tribute to Markovs textbook when he coined the term Markoff theorem
for the result Gauss had obtained in 1821; it is now known as the Gauss-
Markov theorem. J. V. Uspenskys Introduction to Mathematical Probability
(1937) put Markovs ideas to an American audience. See Life & Work There is
an interesting volume of letters, The Correspondence between A.A. Markov
and A.A. Chuprov on the Theory of Probability and Mathematical Statis-
tics ed. Kh.O. Ondar (1981, Springer) See also Sheynin ch. 14 and G. P.
Basharin et al. The Life and Work of A. A. Markov.
105
Bibliography
[1] Lindgren, B. W., (1993), Statistical Theory 4th edition, Chapman &
Hall Inc, New York.
[2] Oosterhoff, J., (1993), Algemene Statistiek, Faculteit Wiskunde en

Informatica, Vrije Universiteit Amsterdam, Amsterdam.
[3] Roussas, G. G., (1973), A first Course in Mathematical Statistics,

Addison-Wesley Publishing Company, Reading Massachusetts.
106

Statmat11 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

Statmat11 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Diktat Kuliah

Universitas Kristen Satya Wacana

1.1 Sifat Kecukupan

Misalkan variabel random X berdistribusi N (µ, σ 2 ).

Jika diketahui dan dipilih µ = θ maka Ω = R dan fungsi kepadatan proba-

sedangkan jika µ diketahui dan dipilih σ 2 = θ maka Ω = {θ ∈ R|θ > 0} dan

Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi identik

f (xi ; θ) = θ xi (1 − θ)1−xi IA (xi ) (1.1.9)

dengan B = {0, 1, . . . , n}.

Hal ini berarti

jika x1 + x2 + . . . + xn = t dan bernilai 0 untuk yang lain, sehingga untuk

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

Misalkan T = (T1 , T2 , . . . , Tm )t dengan

Teorema 1.1 (Teorema Faktorisasi Fisher-Neyman)

Misalkan variabel random saling bebas dan berdistribusi identik dengan

T = (T1 (X1 , X2 , . . . , Xn ), T2 (X1 , X2 , . . . , Xn ), . . . , Tm (X1 , X2 , . . . , Xn ))t

f (x1 , x2 , . . . , xn ) = g[x1 , x2 , . . . , xn ; θ]h(x1 , x2 , . . . , xn )

dengan g tergantung pada θ hanya melalui T dan h tidak tergantung pada θ.

Misalkan φ : Rm 7→ Rm fungsi terukur dan tidak tergantung pada θ serta

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

untuk θ1 < x < θ2 . Bila x = (x1 , x2 , . . . , xn )t dan θ = (θ1 , θ2 )t maka fungsi

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

sehingga fungsi kepadatan probabilitas bersamanya adalah

maka fungsi kepadatan probabilitasnya menjadi

1.2 Sifat Kelengkapan

Keluarga F dikatakan lengkap (complete) jika untuk setiap g,

untuk semua θ ∈ Ω menyebabkan bahwa g(X) = 0 kecuali mungkin pada N

Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (µ, σ 2 ).

merupakan keluarga yang lengkap. Sedangkan jika µ diketahui dan σ 2 = θ

tidak lengkap. Karena g(x) = x − µ maka

untuk semua θ ∈ (0, ∞) sedangkan g(x) = 0 berlaku hanya untuk x = µ.

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m adalah statistik cukup

Teorema 1.3 (Teorema Basu)

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

Misalkan X1 , . . . , Xn variabel random saling bebas dan berdistribusi N (µ, σ 2 )

1.3 Sifat Ketakbiasan

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

Teorema 1.4 (Teorema Rao-Blackwell)

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

dengan Tj = Tj (X1 , X2 , . . . , Xn ) untuk j = 1, 2, . . . , m adalah statistik cukup

1. variabel random φ(T) merupakan fungsi statistik cukup T.

2. φ(T) merupakan statistik tak bias untuk θ.

3. Varθ (φ(T)) < Varθ (U ) dengan θ ∈ Ω asalkan Eθ [U 2 ] < ∞.

Teorema berikut ini menyatakan sifat ketunggalan dari statistik cukup.

Teorema 1.5 (Teorema Ketunggalan Lehman-Scheffe)

Misalkan X1 , X2 , . . . , Xn variabel random dengan fungsi kepadatan proba-

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

statistik cukup untuk θ demikian juga T merupakan statistik yang lengkap.

Misalkan X1 , X2 , X3 variabel random saling bebas dan berdistribusi identik

1.4 Keluarga Eksponensial

f (x; θ) = C(θ) exp[Q(θ)T (x)]h(x).

sehingga distribusi Binomial merupakan anggota keluarga  eksponensial

Misalkan variabel random X berdistribusi N (µ, σ 2 ). Jika σ diketahui dan

Jika µ diketahui dan σ 2 = θ maka fungsi kepadatan probabilitas dari X

Misalkan X variabel random dengan fungsi kepadatan probabilitas f (x; θ)

dengan adalah fungsi kepadatan probabilitas dari T (X) maka G lengkap

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

dengan h(t) tidak bergantung terhadap θ asalkan T ∗ variabel random

Teorema berikut ini menyatakan sifat kelengkapan dari suatu keluarga

Keluarga G = {g(x; θ)|θ ∈ Ω} lengkap asalkan Ω mengandung interval non

Misalkan X1 , X2 , . . . , Xn variabel random saling bebas dan berdistribusi iden-

sehingga distribusi Binomial merupakan anggota keluarga eksponensial