Ebook Statmat II 2013 1 PDF

STATISTIKA MATEMATIS II
Edisi E-Book
Oleh
Prof. Dr.Phil. I Gusti Putu Sudiarta,M.Si
Jurusan Pendidikan Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Pendidikan Ganesha
Februari, 2013
Kata Pengantar
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa

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

dan soal-soal latihan dalam jumlah yang memadai, sehingga pembaca me-
miliki kesempatan untuk melakukan latihan secara mandiri dan mengeva-
lusi sendiri hasil belajarnya.
Buku ini merupakan edisi e-book tahun 2013 dari Buku Ajar
Statistika Matematis II yang disusun sejak tahun 2005,dan diterbitkan ta-
hun 2008 dengan ISBN 978-602-8310-02-4. Sejak tahun 2005 buku ini te-
lah digunakan dalam perkuliahan di Universitas Pendidikan Ganesha dan
mengalami beberapa kali revisi baik berdasarkan saran-saran mahasiswa
peserta kuliah, maupun dosen sejawat yang telah dengan seksama mene-
laah buku ini. Untuk semua dukungan tersebut penulis sampaikan teri-
makasih yang setinggi-tingginya.
Namun demikian, penulis menyadari bahwa pada terbitan ini,
tentu masih ada hal-hal yang perlu untuk disempurnakan. Untuk itu pe-
nulis sangat terbuka terhadap saran, kritik dan koreksi, baik dari teman
sejawat, mahasiswa, pencinta matematika, maupun masyarakat pembaca
umumnya. Akhirnya penulis berharap, semoga buku ajar ini dapat mem-
berikan manfaat yang sebesar-besarnya.
Singaraja, Februari 2013
I Gusti Putu Sudiarta
ii ISBN 978-602-8310-02-4
Daftar Isi
Kata Pengantar i
1 Distribusi Pendekatan 1
1.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Konsep Dasar Distribusi Pendekatan . . . . . . . . . 2
1.3.2 Menentukan Distribusi Pendekatan . . . . . . . . . . 2
1.3.2.1 Melalui Fungsi Distribusi . . . . . . . . . . . 2
1.3.2.2 Melalui Fungsi Pembangkit Momen . . . . 8
1.3.2.3 Melalui Teorema Limit Pusat . . . . . . . . . 12
1.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . 20
1.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Konvergensi Variabel Random 27

2.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.1 Konsep Dasar Variabel Random . . . . . . . . . . . . 28
2.3.2 Barisan Variabel Random . . . . . . . . . . . . . . . . 29
iii
2.3.3 Jenis-Jenis Konvergensi Variabel Random . . . . . . . 30

2.3.3.1 Konvergen dalam Distribusi . . . . . . . . . 30
2.3.3.2 Konvergen dalam Probabilitas . . . . . . . . 35
2.3.4 Sifat-Sifat Konvergensi Variabel Random . . . . . . . 38
3 Estimasi Titik 53
3.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.1 Prinsip Reduksi Data . . . . . . . . . . . . . . . . . . . 54
3.3.1.1 Azas Kecukupan . . . . . . . . . . . . . . . 54
3.3.1.2 Teorema Halmos & Savage . . . . . . . . . . 57
3.3.2 Estimasi Titik . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.2.1 Estimator Tak Bias . . . . . . . . . . . . . . . 62
3.3.2.2 Estimator Konsisten . . . . . . . . . . . . . . 64
3.3.2.3 Estimator Efisien . . . . . . . . . . . . . . . . 65
3.3.2.4 Estimator Bayes . . . . . . . . . . . . . . . . 67
3.3.3 Metode Evaluasi Estimator Titik . . . . . . . . . . . . 69
3.3.3.1 Galat Kwadrat Rata-Rata . . . . . . . . . . . 70
3.3.3.2 Estimator Terbaik . . . . . . . . . . . . . . . 72
3.3.3.3 Teorema Batas Bawah Cramer-Rao . . . . . 73
3.3.4 Metode Estimasi Titik . . . . . . . . . . . . . . . . . . 81
3.3.4.1 Metode Momen . . . . . . . . . . . . . . . . 82
3.3.4.2 Metode Maksimum Likelihood . . . . . . . 84
3.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . . 89
iv ISBN 978-602-8310-02-4
4 Estimasi Interval 117

4.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3.1 Konsep Dasar Estimasi Interval . . . . . . . . . . . . . 118
4.3.2 Metode Menentukan Estimasi Interval . . . . . . . . . 121
4.3.2.1 Inversi Uji Statistik . . . . . . . . . . . . . . 121
4.3.2.2 Besaran Pivot . . . . . . . . . . . . . . . . . 122
4.3.3 Metode Evaluasi Estimasi Interval . . . . . . . . . . . 125
4.3.4 Estimasi Interval Kepercayaan Khusus . . . . . . . . 128
4.3.4.1 Interval Kepercayaan untuk Mean . . . . . . 128
4.3.4.2 Interval Kepercayaan untuk Perbedaan Mean130
4.3.4.3 Interval Kepercayaan untuk Variansi . . . . 131
4.3.4.4 Interval Kepercayaan untuk Rasio Dua Va-
riansi . . . . . . . . . . . . . . . . . . . . . . 132
5 Hipotesis Statistik 139

5.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.3.1 Konsep Dasar Uji Hipotesis . . . . . . . . . . . . . . . 140
5.3.2 Uji Rasio Likelihood . . . . . . . . . . . . . . . . . . . 141
5.3.3 Metode Uji Evaluasi Hipotesis . . . . . . . . . . . . . 144
5.3.3.1 Probabilitas Kesalahan dan Fungsi Kekuat-
an Uji . . . . . . . . . . . . . . . . . . . . . . 145
v ISBN 978-602-8310-02-4
5.3.3.2 Uji Paling Kuat (Most Powerfull Test) . . . . . 149

5.3.3.3 Teorema Neyman-Pearson . . . . . . . . . . 151
5.3.3.4 Teorema Karlin-Rubin . . . . . . . . . . . . 153
5.3.3.5 Daerah Kritik Terbaik . . . . . . . . . . . . . 154
5.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . . 156
Daftar Pustaka 199
vi ISBN 978-602-8310-02-4
Bab 1
Distribusi Pendekatan
1.1 Standar Kompetensi
Memahami konsep dasar distribusi pendekatatan suatu barisan variabel

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

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

abel random dengan menggunakan fungsi distribusi.

abel random dengan menggunakan fungsi pembangkit momen,

abel random dengan menggunakan dalil limit pusat,
5. Memecahkan masalah yang berkaitan dengan distribusi pendekatan
1
1.3 Uraian Materi
1.3.1 Konsep Dasar Distribusi Pendekatan
Pada kuliah Statistika Matematis I, telah dibahas distribusi variabel ran-

dom maupun distribusi fungsi variabel random secara eksak. Sering di-
jumpai sebuah variabel random yang distribusinya bergantung pada bi-
langan nulat positif n atau mungkin juga sebuah statistik, yang meru-
pakan fungsi dari variabel random yang distribusinya juga bergantung
pada bilangan positif n. Kadang-kadang ada masalah dalam mengitung
distribusi peluang variabel random, karena sulit menentukan fungsi kepa-
datan peluangnya. Oleh karena itu dalam bab ini akan dibahas cara
menentukan distribusi variabel random melalui pendekatan, apabila n
cukup besar.
1.3.2 Menentukan Distribusi Pendekatan
Ada tiga cara dalam menentukan distribusi pendekatan tersebut yaitu

melalui fungsi distribusi, fungsi pembangkit momen, dan teorema limit
pusat. Ketiga cara tersebut akan dibahas secara satu persatu.
1.3.2.1 Melalui Fungsi Distribusi
Masalah :
Jika X adalah rerata dari sampel acak X1 , X2 , ..., Xn yang berasal dari dis-
tribusi dengan fungsi kepadatan peluang berbentuk:
(
1; 0 < x < 1
f (x) =
0; lainnya
Hitung P( X < 0, 5). Kita menghadapai masalah dalam menghitung nilai
ini, karena ternyata distribusi dari X, dan fungsi pembangkit momen dari
X bergantung pada n, sehingga nilai dari P( X < 0, 5) tidak dapat dihitung
dengan cara langsung.
Bab 1. Distribusi Pendekatan 2 ISBN 978-602-8310-02-4

Pembahasan
Distribusi dari X harus kita selesaikan lebih dahulu. Karena variabel ran-
dom X berasal dari distribusi seragam pada (0, 1), untuk menentukan
distribusi dari X akan digunakan teknik fungsi pembangkit momen. Se-
belumnya kita akan menentukan dahulu fungsi pembangkit momen dari
X. Fungsi pembangkit momen dari X adalah:
Mx (t) = E(etx )
R 1 tx
= 0 e .1 dx
1
1 tx
= t e
x =0
e t −1
= t ; t 6= 0
Untuk t = 0 digunakan dalil L’Hospital
( e t −1)
Limt→0 Mx (t) = Limt→0 t
t 1
= Limt→0 e −
t
e t −1
(
t ; t 6= 0
Jadi Mx (t) =
1; t=0
Dari sini dapat dilihat bahwa fungsi pembangkit momen dari X bergan-
tung pada n, distribusi dari X juga bergantung pada n. Jadi kita tidak da-
pat menentukan fungsi kepadatan peluang dari X , sehingga tidak dapat
pula menghitung peluang untuk harga tertentu.
Oleh karena itu, berikut ini akan dijelaskan suatu cara pendekatan untuk
menentukan distribusi dari sebuah variabel random bergantung pada bi-
langan bulat positif n.
Sebagai kesepakatan dalam hal ini, fungsi distribusi akan dituis sebagai
Fn dan fungsi kepadatan peluangnya ditulis sebagai f n . Apabila kita mem-
bahas barisan fungsi distribusi, maka kita harus menuliskan indeks n pada
variabel randomnya. Misalkan penulisan:
Z x
1 2/2
e−ny

Fn X = √ √ dy
−∞ 1/n. 2π

merupakan fungsi distribusi dari rerata X yang dihitung dari sampel acak
berukuran n dan berasal dari distribusi N (0, 1).
De f inisi
Misalkan Fn (y) adalah fungsi distribusi dari variabel random Yn yang
bergantung pada bilangan bulat positif n. Jika F (y)adalah fungsi distribusi
dan Limt→0 Fn (y) = F (y) untuk setiap nilai y yang mengakibatkan F (y)
kontinu, maka variabel random Yn dikatakan mempunyai distribusi pen-
dekatan dengan fungsi distribusi F (y).
Contoh :
Misalkan Yn menunjukkan statistik urutan ke-n dari sampel acak
X1 , X2 , ..., Xn yang berdistribusi dengan fungsi kepadatan peluang berben-
tuk:
f (x) = 1
θ ; 0<x<θ;0<θ <∞
= 0 ; lainnya
Apakah Yn mempunyai distribusi pendekatan ?
Jawab:
Fungsi kepadatan peluang dari Yn adalah:
gn (y) = n( F (y))n−1 f (y) ; a < y < b

= 1 ; Lainnya
dengan :
Ry Ry1 y
F (y) = 0 f ( x ) dx = 0 θ dx = θ
F (y) = F 0 (y) = 1θ
Jadi
y n −1 1
gn ( y ) = n θ θ
n n −1
gn ( y ) = θn y ; 0<y<θ
= 0 ; Lainnya
Fungsi distribusi dari Yn adalah:
1. Untuk y < 0
Ry R <0
Fn (y) = 0 gn (t) dt = 0 0 dt = 0

2. Untuk 0 ≤ y < θ y
R y n −1 y n
Fn (y) = 0 ntθ n dt = 1 n
t
θ n 0 = θ
3. Untuk θ ≤ y < ∞
Rθ Ry
Fn (y) = 0 gn (t) dt + 0 gn (t) dt
R θ ntn−1 R <0
= 0 θ n dt + 0 0 dt
= 1
Jadi :
Fn (y) = 0 ; y<0
y n
= θ ; 0≤y<θ
= 1 ; θ≤y<∞
(
0, −∞ < y < θ
limn→∞ Fn (y) =
1, θ ≤ y < ∞
Sekarang ambil fungsi distribusi dari Y adalah:
(
0, −∞ < y < θ
F (y) =
1, θ ≤ y < ∞
Karena Limn→0 Fn (y) = F (y) pada masing-masing nilai y yang menye-
babkan F (y) kontinu, menurut definisi, variabel random Yn mempunyai
distribusi pendekatan dengan fungsi distribusi F (y).
Berikut ini akan diberikan sebuah contoh tenang sebuah variabel random
yang mempunyai distribusi pendekatan degenerate.
Contoh
Misalkan X mempunyai fungsi distribusi berbentuk:

Z x
1 2/2
Fn ( x ) = √ √ e−ny dy
−∞ 1/n. 2π
misalkan:
√ √
t = n y→dt = n dy
batas-batasnya:

Untuk y = −∞ maka t = −∞
√
Untuk y = x , maka t = n x
R √n x −t2 /2 √
dt
Fn ( x ) = √ 1√
−∞ √ 1/n. 2π e n
R n x 1 −t2 /2
= −∞
√ e
2π
dt
Limn→∞ Fn ( x ) = 0 ; x < 0
= 21 ; x = 0
= 1 ; x>0
Sekarang ambil fungsi distribusi dari X adalah :
F(x) = 0 ; x < 0
= 1 ; x≥0
Ternyata Limn→∞ Fn ( x ) = F ( x ) untuk setiap nilai kontinu dari F ( x ).

Dalam hal ini, Limn→∞ Fn (0) 6= F (0), tetapi F ( x )tidak kontinu di x =
0. Dengan demikian variabel random X n mempunyai distribusi pen-
dekatan dengan fungsi distribusi F ( x). Distribusi pendekatannya adalah
degenerate.
Contoh
Misalkan Yn menunjukkan statistik urutan ke-n dari sampel acak
X1 , X2 , ..., Xn yang berdistribusi seragam pada (0, θ ), θ > 0. Jika Zn =
n(θ − Yn ),maka apakah Zn mempunyai distribusi pendekatan?
Jawab:
Fungsi kepadatan peluang dari X adalah:
f (x) = 1
θ ; 0<x<θ;0<θ <∞
= 0 ; lainnya
Fungsi kepadatan peluang dari Yn adalah:
nyn−1
gn ( y ) = θn ; 0<x<θ
= 0 ; Lainnya

Kita akan menentukan fungsi kepadatan peluang dari Zn dengan meng-

gunakaan teknik transformasi variabel random. Hubungan antara nilai
yn dengan nilai Yn dengan nilai zn dari Zn diberikan sbb:
Zn = n(θ − yn )
inversnya :
Zn
yn = θ −
n
Jacobiannya :
dyn −1
J= =
dzn n

dyn
| J | = = 1
dzn n
Fungsi kepadatan peluang dari Zn adalah:
1
hn (z) = θn ; 0 < z < nθ
= 0 ; lainnya
Fungsi distribusi dari Zn adalah
Rz R <0
1. Untuk z < 0, Kn (z) = 0 hn (t) dt = 0 0 dt = 0
t n −1
Rz1

2. Untuk 0 ≤ z < nθ, Kn (z) = 0 θn θ− n dt
3. Misalkan : y = θ − nt ; dy = − n1 dt
Batas-batasnya:
Untuk t = 0, maka y = θ
Untuk t = z, maka y = θ − nz
R θ − nz 1 n −1
Kn ( z ) = 0 θ n y (− n ) dy
θ
1 n
= θ n y θ − z
n
z n

Kn ( z ) = 1 − 1 − nθ
4. Untuk z ≥ nθ

R nθ Rz
Kn ( z ) = 0 hn (t) dt + nθ hn (t) dt
t n −1
R nθ 1 Rz
= 0 θ n θ − n dt + nθ 0 dt = 1
Jadi :
Kn ( z ) = 0 ; z≤0
z

= 1− 1− nθ ; 0 ≤ z < nθ
Kn ( z ) = 1 ; z ≥ nθ
Limn→∞ Kn (z) = 0 ; z≤0

= 1 − e−z/θ ; 0 < z < ∞
Sekarang ambil fungsi distribusi dari Z:
K (z) = 0 ; z<0
= 1−e − z/θ ; z≥0
merupakan fungsi ditribusi yang kontinu dimana-mana, serta
Limn→∞ Kn (z) = K (z)untuk semua nilai. Jadi Zn mempunyai pendekatan
dengan fungsi distribusi K (z). Dalam hal ini, distribusi pendekatannya
tidak degenerate.
Penentuan distribusi pendekatan dengan menggunakan fungsi distribusi

bisa dinyatakan sebagai konvergen dalam distribusi yang akan dibahas
lebih lanjut pada Bab II.
1.3.2.2 Melalui Fungsi Pembangkit Momen
Selain menggunakan fungsi distribusi, penentuan disribusi pendekatan

dapat dilakukan melalui fungsi pembangkit momen.
Berikut ini diberikan sebuah teorema yang dikemukakan oleh Curtiss

sebagai modifikasi dari teorema Levy dan Cramer yang menjelaskan
bagaimana fungsi pembangkit momen dapat digunakan dalam menen-
tukan distribusi secara pendekatan.
Teorema

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

fungsi pembangkit momennya M (t; n) ada untuk −h < t < h, h > 0
dan setiap n.
Jika ada fungsi disribusi F (y) dengan funsgi pembangkit momennya M(t)
untuk |t| ≤ h1 < h sedemikian hingga Limn→∞ M (t; n) = M (t), maka
Yn dikatakan mempunyai distribusi pendekatan dengan fungsi distribusi
F ( y ).
Contoh
Misalkan Yn adalah variabel random berdistribusi binomial dengan pa-
rameter n dan p. Jika rerata dari Yn adalah sama untuk setiap n, yaitu
µ
µ = np, sehingga p = n dengan µadalah konstanta, maka apakah ada
distribusi pendekatan dari Yn ?
Jawab :
Fungsi kepadatan peluang dari Yn adalah
!
n
F (yn ) = pyn (1 − p)n−yn ; yn = 0, 1, 2, ..., n
yn
= 0 ; lainnya
Kemudiankita akan menentukan fungsi pembangkit momen dari Yn .
Fungsi pembangkit momen dari yn adalah:
M (t; n) = E(e! tyn )
n
= ∑nyn =0 etyn p y n (1 − p ) n − y n
y
!n
n y
= ∑nyn =0 pet n (1 − p)n−yn
yn
n
= (1 − p) + pet
µ n
1 − n + n et
µ
=
µ ( e t −1) n
h i
= 1+ n
µ ( e t −1) n
h i
Limn→∞ M(t; n) = Limn→∞ 1 + n
Limn→∞ M(t; n) = e µ ( e t − 1); t ∈ <

Ternyata bentuk di atas merupakan fungsi pembangkit momen dari

t
distribusi poison dengan rerata µdan M(t) = eµ(e −1) . Dengan
demikian Yn dikatakan mempunyai distribusi pendekatan dengan dis-
tribusi penekatannya adalah Poisson dengan rerata µ.
Contoh :
Misalkan variabel random Zn berdistribusi chi-kuadrat dengan derajat ke-

( Z −n)
bebasan = n. Jika variabel random Yn = √n , maka tentukan distribusi
2n
pendekatan dari Yn dengan menggunakan fungsi pembangkit momen.
Jawab :
Fungsi kepadatan peluang dari Zn adalah
1 (n/2)−1 − Zn /2
f (zn ) = z e ; Zn > 0
2n/2 .Γ( n2 ) n
= 0 ; lainnya
Fungsi pembangkit momen dari Zn adalah:
MZn (t) = E(etzn )

R∞ 1 (n/2)−1 − Zn /2
= etzn z e dzn
0 2n/2 .Γ( n2 ) n
R∞ 1 (n/2)−1 − Zn /2
= 0 2n/2 .Γ( n ) zn e dzn
2
Misalkan: u = zn ((1/2) − t) ; du = ((1/2) − t)dzn
R∞h i(n/2)−1
MZn (t) = 1 u
e−u ((1/2
du
2n/2 .Γ( n2 ) 0 (1/2)−t )−t)
1
R ∞ (n/2)−1 −u
= n/2 0 u e du
2n/2 .Γ n2
( )((1/2)−t)
n/2 Γ 2
1 n

= n
2 .Γ( 2 )((1/2)−t)
n/2
= (1 − 2t)−n/2 ; t < 1/2

Fungsi pembangkit momen dari Yn adalah:
M (t; n) = MYn (th) = tYn )

n h E(e iio
( Z −n)
= E exp t √n
√ h 2n √ i
= e − tn/ 2 tZ
.E e n / 2
√
t
= etZn / 2 .M
Zn ( √2n )
√2
h i−n/2
= e−(t n )(n/2) 1 − 2 √t2n
√ q √
t 2 2 t 2/n ) −n/2
= e n − t ne
√
Apabila et 2/n) diuraikan dengan Deret Taylor, maka akan diperoleh:
r " r #2 " r #3
√ 2 1 2 1 2
2/n)
et = 1+t + t + t + ...
n 2 n 6 n
Sehingga:
q q 2 q 3
2
M (t; n) = 1+t + t n + 6 t n2 + ...−
n
2 1 1
2
" q 2 q 3 #−n/2
q q
t n2 1 + t n2 + 12 t n2 + 16 t n2 + ...
q q −n/2
= 1 − t2 ( n2 ) + 12 t2 ( n2 ) + 16 t3 ( n2 ) 2
n − 1 3 2
2t (n)
2
n + ...
q −n/2
t2 1 3 2 2
= 1− n − 3t (n) n + ...
q −n/2
t2 1 3 2 2
Limn→∞ M(t; n) = Limn→∞ 1 − n − 3t (n) n + ...
q −n/2
t2 1 3 2 2
M(t; n) = Limn→∞ 1 − n − 3t (n) n + ...
h i−n/2
t2
= Limn→∞ 1 − n
t2
Limn→∞ M(t; n) = e2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari dis-

t2 ( Z −n)
tribusi normal standar, yaitu M(t) = e 2 . Jadi variabel random Yn = √n
2n
mempunyai distribusi pendekatan berbentuk distribusi normal standar.
Apabila sebuah variabel random mempunyai disribusi pendekatan maka
kita dapat menggunakan distribusi pendekatan itu sebagai distribusi yang
sebenarnya. Misalnya dari hasil contoh di atas, kita dapat menggunakan
distribusi Poisson sebagai pendekatan dari distribusi Binomial untuk n be-
sar dan p kecil. Kemudian kita bisa menghitung peluang dari variabel ran-
dom yang berdistribusi binomial dengan menggunakan distribusi pois-
son.
Contoh
Misalnya variabel random Y berdistribusi binomial dengan n = 50 dan
p = 0, 04. Hitung P(Y ≤ 1) dengan dua cara, yaitu cara eksak dan cara
pendekatan.
Jawab :
1. Cara eksak
Dalam hal ini, kita menyelesaikannya dengan menggunakan dis-
ribusi binomial.
P (Y ≤ 1 ) = ! P(Y = 0) + P(Y =!1)
50 50
= (0, 04)0 (0, 96)50 + (0, 04)1 (0, 96)49
0 0
= 0, 1299 + 0, 2706
P (Y ≤ 1 ) = 0, 4005
2. Cara pendekatan
Dalam hal ini, kita menyelesaikannya dengan menggunakan distr-
busi poisson.
µ = np = 50.0, 04 = 2
P (Y ≤ 1 ) = P (Y = 0 ) + P (Y = 1 )
e−2 20 e−2 21
= 0! + 1! = 3.e−2 = 0, 4060
1.3.2.3 Melalui Teorema Limit Pusat
Berikut ini akan dijelaskan beberapa teorema limit pusat, sbb:

1. Teorema limit pusat yang pertama kali dikemukakan oleh Laplace

pada tahun 1812 dan pembuktiannya yang lebih teliti dijelakan oleh
Liapounoff pada tahun 1901.
Teorema
Jika Xi , I = 1, 2, 3, ..., n adalah n buah variabel random yang saling
bebas sedemikian hingga E( Xi ) = µi dan Var ( Xi ) = σi2 maka vari-
abel random Sn = X1 + X2 + ... + Xn secara pendekatan berdistribusi
N (µ; σ2 ) dengan µ = ∑in=1 µi dan Var ( Xi ) = ∑in=1 σi2
2. Teorema limit pusat berikut ini dikemukakan oleh De-Moiure’s dan

Laplace pada tahun 1833
Teorema (
1 ; dengan peluang p
Jika Xi =
0 ; dengan peluang q = 1 − p
maka distribusi dari variabel random Sn = X1 + X2 + ... + Xn dengan
Xi saling bebas dan berdistribusi identik, secara pendekatan akan
berdistribusi N (np; npq) untuk n → ∞.
Bukti :
Fungsi pembangkin momen dari Xi adalah:
E etxi

M xi ( t ) =
= ∑1xi =0 etxi f ( xi
)
= et(1) .p + et(0) .q
= pet + q
Fungsi pembangkit momen dari Sn adalah:
E etsn

Ms n ( t ) = h i
= E et(X1 +X2 +...+Xn )
E etX1 +tX2 +...+tXn

=
tX tX
e 1 + e 2 + ... + E etXn

=
= Mx1 (t) + Mx2 (t) + ... + Mxn (t)
= ( pet + q).( pet + q)...( pet + q)
Ms n ( t ) = ( pet + q)n


distribusi binomial dengan parameter n dan p.
Jadi E(Sn ) = np dan Var (Sn ) = npq, misalkan : Z =

Sn − E(Sn ) Sn −np
√ = √npq
Var (Sn )
Fungsi pembangkit momen dari Z adalah:
Eh hetZ

Mz ( t ) = n iio
Sn −np
= E exp t √
npq
√
= e − tnp/ npq
.Msn √npq t
√ h √ in
= e − tnp/ npq
pe t/ npq
+q
h √ h √ iin
= e−tp/ npq pet/ npq + q
h √ √ in
= e−tq/ npq + q.e−tp/ npq
t2 q2 t3 q3
n h i
tq
= p 1 + √npq + 2npq + 6npq√npq + ...
ion
t2 q2 t3 q3
h
+q 1 − √tq + + √ + ..
q npq 2 2npq 36npq npq
t q2
h
pq t q
= p + t n + 2n + 6np√npq + ... + q−
q in
pq t2 q t3 q2
t n + 2n + 6np npq + ... √
h 3 (q− p)
in
t2
Mz ( t ) = 1 + 2n + t6√ npq + ...
n
t2 t3 ( q − p )

Limn→∞ Mz (t) = Limn→∞ 1 + + √ + ...
2n 6 npq
n
t2

2
= Limn→∞ 1 + Limn→∞ Mz (t) = et /2
2n

S −np
distribusi normal standar. Jadi Z = √n npq berdistribusi N (0; 1). Den-
gan menggunakan teknik fungsi pembangkit momen dapat ditun-
jukkan Sn berdistribusi N (np; npq)
3. Berikut ini akan dijelaskan dalil limit pusat untuk n buah variabel
random yang berdistribusi identik (pembuktiannya dilakukan oleh
Lindeberg dan Levy)

Teorema : Jika X1 + X2 + ... + Xn adalah n buah variabel random yang

bebas dan berdistribusi identik dengan:
E( Xi ) = µ; Var ( Xi ) = σ2 ; i = 1, 2, ..., n
maka variabel random Sn = X1 + X2 + ... + Xn secara pendekatan

berdistribusi normal dengan rerata µ = nµ dan variansi σ2 = nσ2
Bukti : Misalkan M1 (t) menunjukkan fungsi pembangkit momen

dari ( Xi − µ1 ) dan M(t) menunjukkan fungsi pembangkit momen
S −µ
dari Z = nσ .
Karena µ1 dan µ2 dari ( Xi − µ1 ) diberikan dengan:
µ 1 = E ( Xi − µ 1 ) = E ( Xi ) − µ 1 = µ 1 − µ 1 = 0
µ2 = E( Xi − µ1 )2 = σi2
maka fungsi pembangkit momen dari ( Xi − µ1 ) adalah:

h i
M1 (t) = E e t ( x i − µ1 )
n o
= E 1 + t( xi − µ1 ) + 21 t2 ( xi − µ1 )2 + 16 t3 ( xi − µ1 )3 + ...
= 1 + tE( xi − µ1 ) + 12 t2 E( xi − µ1 )2 + 16 t3 E( xi − µ1 )3 + ...
t
M1 (t) = 1 + t2 σi2 + 16 t3 E( xi − µ1 )3 + ...
Kita akan menguraikan dahulu Z,
Sn − µ ( X1 + X2 + ... + Xn ) − µ
Z= =
σ σ
dengan :

(i ) µ = E(Sn ) = E( X1 + X2 + ... + Xn )
= E( X1 ) + E( X2 ) + ... + E( Xn )
= µ1 + µ1 + ... + µ1
µ = E(Sn ) = nµ1
p
(ii ) σ = Var (Sn )
p
= Var( X1 + X2 + ... + Xn )
p
= Var( X1 ) + Var( X2 ) + ... + Var( Xn )
q
= σ12 + σ12 + ... + σ12 )
√
σ = σ1 n
Jadi
( X1 + X2 + ... + Xn ) − nµ1 ∑nxi =0 ( Xi − µ1 )

Z = √ = √
σ1 n σ1 n
Fungsi pembangkit momen dari Z adalah:

tZ
Mz ( t ) = et n
E
√ ∑ ( Xi − µ 1 )
σ1 n xi =0
= E e
t
√ [( x1 − µ1 )+ t ( x2 − µ1 )+...+ t ( xn − µ1 )]
= E e σ1 n
t
√ [( x1 − µ1 )+ t ( x2 − µ1 )+...+ t ( xn − µ1 )]
= E e σ1 n
t t t

√ ( x − µ1 )
n 1
√ ( x − µ1 )
n 2
√ ( x − µ1 )
n n
= E e σ1 e σ1
....e σ1

t t t
= Mx1 − µ1 √ .Mx2 − µ1 √ ....Mxn − µ1 √
σ1 n σ1 n σ1 n

n
t
Mz (t) = Mx1 − µ1 √
σ1 n
" 2 3 #n
1 t 1 t
= 1+ √ σ12 + √ σ12 + ...
2 σ1 n 6 σ1 n
n
t2 t3

= 1+ + √ + ...
2n 6σ1 n n
h in
t2 3
Limn→∞ Mz (t) = Limn→∞ 1 + + t √ + ...
2n
h 6σ1 n2 inn
t
= Limn→∞ 1 + 2n
2 /2
Limn→∞ Mz (t) = et
S −nµ
distribusi normal standar. Jadi Z = nσ1 n 1 berdistribusi N (0; 1).
4. Teorema: Jika X1 + X2 + ... + Xn menunjukkan sampel acak distribusi

yang mempunyai rerata µdan varians σ2 , maka variabel random:
∑nxi =1 ( Xi − µ1 )
Yn = √
σ1 n
akan berdistribusi N (0; 1)
Bukti : Tentukan fungsi pembangkit momen dari Yn , kemudian kita
X1 − µ
h i
t √
akan menguraikan e σ n berdasarkan deret Taylor, sehingga diper-
oleh: n
X1 − µ 2 X1 − µ 3
h i h i h i
X1 − µ t2 t3
M(t; n) = 1+t +√
σ n
+
2
√
σ n
+ ... 6n
√
σ n
h in
t t2 2 + ...
= 1+ σ √ E ( X 1 − µ ) + 2nσ2
E ( X 1 − µ )
h1 n 2 3
in
t t√ 3
= 1 + 2n + 6σ3 n n E( X1 − µ) + ...
h in
t2 t3√ 3
Limn→∞ M (t; n) = Limn→∞ 1 + 2n + 6σ3 n n E( X1 − µ) + ...
h in
t2
= Limn→∞ 1 + 2n
2 /2
Limn→∞ M(t; n) = et

∑nx =1 Xi −nµ
i √
distribusi normal standar, sehingga Yn = σ n
berdistribusi
N (0; 1).
5. Teorema: Jika X1 , X2 , ..., Xn menunjukkan sampel acak dari distribusi

yang mempunyai rerata µ dan varians σ2 , maka variabel random
x −µ
Yn = σ/√n akan berdistribusi normal standar.
Bukti : Fungsi pembangkit momen dari Yn adalah:
MYn (t) = M (t; n) = E(etyn )

x −µ
t √
= E e σ/ n
−tµ
√ tx
√
= E e σ/ n .e σ/ n
−√tµ

t
√ [ X 1 + X 2 + ... + X n ]
= e σ/ n E e σ n
−√
tµ

√t t
√ √t
X 1 X 2 X n
= e σ/ n E e σ n .e σ n ...e σ n
−√tµ

√t t
√ t
√
X1 X2 Xn
= e σ/ n E e σ n .E e σ n ...E e σ n
−√tµ h i h i h i
. t t t
= e σ/ n Mx1 σ n .Mx2 σ n ....Mxn σ n
√ √ √
1
−√
tµ h h 1 iin 1
t
M(t; n) = e σ/ n Mx1 σ √
1 hn i
−√ tµ t
ln M(t; n) = σ/ n
+ n.ln M x1 σ n √
1
h i
t
Apabila kita menguraikan Mx1 σ √ lebih lanjut, maka akan diper-
1 n
oleh hhasil:i h i2 h i3
M x1 σ √ t
= 1 + µ 0 √ t
+ 1 0
µ t
√ + 1 0
µ t
√ + ...
1 n 1 σ1 n 2 2 σ1 n 6 3 σ1 n
Sehingga:
h i2 h i3
−√
tµ 0 t√ 1 0 t√ 1 0 t√
ln M (t; n) = σ/ n + n.ln Mx1 1 + µ1 σ n + 2 µ2 σ n + 6 µ3 σ n + ...
1 1 1
Kita akan menguraikan ln (1 + x )dengan perluasan deret Maclau-

rin, yaitu:
ln (1 + x ) = x − 21 x2 + 13 x3 − ...; | x | < 1
h i2 h i3
Disini X = µ10 σ √
t
+ 1 0
µ
2 2 σ1 n
t
√ + 1 0
µ t
√
6 3 σ1 n + ...
1 n
Sehingga:

h i2 h i3
−√tµ
ln M(t; n) = +n
σ n
µ10 σ √
+ t 1 0
2 µ2 + t
√ 1 0
6 µ3
t
+ ... −
√
1 n σ1 n σ1 n
h i2 h i3 2
1 0 t 1 0 t 1 0 t
2 µ1 σ1 n + 2 µ2 σ1 n + 6 µ3 σ n + ... +
√ √ √
1
3 #
h i2 h i3
1 0 √ t 1 0 t
+ 16 µ30 σ √ t
+ ... − ...
3 µ1 σ1 n + 2 µ2 σ1 n
√
1 n
h √ √ i
−µ0 n µ 02 µ10 µ20
h 0 i h 0 i
= −µσ n + σ1
µ µ3
t + 2σ22 + 2σ12 t2 + 6σ3 √ n
− + √
2σ n
t3 + ..
µ10 = µ
dengan:
µ20 − µ10 = µ2 = σ2
3
1 2 µ30 µ10 µ30 ( µ10 )
ln M (t; n) = 0 + 2 t + 6σ3 √n − 2σ3 √n + 23σ3 √n t3 + ...
3
1 2 µ30 µ10 µ30 ( µ10 ) 3
Limn→∞ ln M (t; n) = Limn→∞ 2 t + 6σ3 √n − 2σ3 √n + 23σ3 √n t + ...
Limn→∞ ln M (t; n) = 12 t2
2
Limn→∞ M(t; n) = et /2

x −µ
distribusi normal standar, sehingga : Yn = σ/√n berdistribusi
N (0; 1). Untuk menerapkan teorma limit pusat dalam menyele-
saikan soal, seringkali diperlukan untuk mengubahnya lebih dulu
dalam bentuk lain, yaitu: Jika X1 , X2 , ..., Xn adalah n buah variabel
random yang saling bebas dan berdistribusi identik dengan rerata
µ1 dan variansi σ2 yang besarnya berhingga dan S1 = X1 + X2 + ... +
Xn ; maka:
h i
S −nµ Rb 2
Limn→∞ P a ≤ nσ1 n 1 ≤ b = φ(b) − φ(b) = a √1 e− x /n dx
2π

Sn − E ( Sn )
Limn→∞ P a ≤ √ ≤ b = φ(b) − φ(b)
Var (Sn )
" #
X − E( X )
Limn→∞ P a ≤ q ≤b = φ(b) − φ(b)
Var ( X )
h i
X − µ1
atau Limn→∞ P a ≤ √
σ1 n
≤ b = φ(b) − φ(b)
Jika kita memperhatikan ketiga bentuk di atas, maka untuk menghi-

tung peluang dari variabel random yang mempunyai harga tertentu

dengan menggunakan teorema limit pusat, dapat diselesaikan den-

gan bantuan tabel distribusi normal standar.
1.4 Soal-Soal dan Pembahasan
1. Misalkan X adalah rerata dari sampel acak berukuran 75 dari dis-

tribusi dengan fungsi kepadatan peluang berbentuk:
f (x) = 1 ; 0 < x < 1

= 0; lainnya
Hitung P(0, 45 < X < 0, 55)
Jawab :
Kita akan menghitung dahulu E( X ) dan Var ( X ).

R1
µ = E( X ) = 0 xdx = 12
R1
µ20 = E( X 2 ) = 0 x2 dx = 13
1
Jadi : σ2 =Var ( X ) =Var ( X ) = 3 − 14 = 1
12
Sehingga:
" #
0,45−0,5 X − µ1 0,55−0,5
P(0, 45 < X < 0, 55) = P q
1
< √
σ1 n
< q
1
(75)(12) (75)(12)
= P(−1, 50 < Z < 1, 50)

P(0, 45 < X < 0, 55) = 0, 866
2. Misalkan X1 , X2 , ..., Xn menunjukkan sebuah sampel acak dari dis-

tribusi b(1, p). Jika n = 100, p = 1/2, dan Y = X1 + X2 + ... + Xn ;
maka hitung P(Y = 48, 49, 50, 51, 52)
Jawab :
Karena X berdistribusi Bernouli, maka:
(i ) E ( X ) = p

(ii )Var ( X ) = p(1 − p)

Dengan menggunakan teknik fungsi pembangkit momen, maka Y
dapat ditunjukkan berdistribusi b(n; p). Akibatnya:
(i ) E(Y ) = n.p = 100.1/2 = 50
(ii )Var (Y ) = np(1 − p) = 100.1/2(1 − 1/2) = 25
Karena kita melakukan perubahan dari variabel random diskrit ke
kontinu, maka kita harus menggunakan faktor koreksi, yaitu dengan
menambah dan megurangi 0, 5. Sehingga:

47,5−50 Y − E (Y ) 52,5 − 50
P(Y = 48, 49, 50, 51, 52) = P 5 ≤√ ≤ 5
Var (Y )
= P(−0, 50 < Z < 0, 50)
P(Y = 48, 49, 50, 51, 52) = 0, 381
Kemudian kita akan menghtiung hasi eksak dengan menggunakan
disribusi binomial.
P(Y = 48, 49, 50, 51, 52) = P(Y = 48) + P(Y = 49) + P(Y = 50)
+ P(Y = 51) + P(Y = 52)
!
100 1 100
P(Y = 48) = = 0, 0375
48 ! 2
100 1 100
P(Y = 49) = = 0, 0780
49 ! 2
100 1 100
P(Y = 50) = = 0, 0796
50 ! 2
100 1 100
P(Y = 51) = = 0, 0780
51 ! 2
100 1 100
P(Y = 52) = 2 = 0, 0735
52
Sehingga:
P(Y = 48, 49, 50, 51, 52) = 0, 0375 + 0, 0780 + 0, 0796+
0, 0780 + 0, 0735
P(Y = 48, 49, 50, 51, 52) = 0, 3826
Apabila kita membandingkan hasil pendekatan dengan hasil eksak,
maka akan terdapat perbedaan sebesar 0, 0016.

3. Misalkan X1 , X2 , ..., Xn adalah n buah variabel random yang masing-

masing berdistribusi χ (1). Jika Sn = X1 + X2 + ... + Xn dan n = 100
, maka tentukan nilai a sedemikian hingga P(Sn < a) = 0, 95
Jawab :
Dengan menggunakan teknik fungsi pembangkit momen, maka
Sn akan berdistribusi χ (n). Akibatnya
(a) E(Sn ) = n = 100

(b) Var (Sn ) = 2n = 200
Sehingga:
P(Sn < a) = 0, 95
" #
Sn − E ( Sn ) a − 100
P p ≤ √ = 0, 95
Var (Sn ) 200
a − 100

P Z≤ √ = 0, 95
200
Dari tabel Distribusi Normal diperoleh:
a − 100
√ = 1, 645
200
√
a = 100 + 1, 645 200 = 123, 264
Kemudian kita akan menghitung peluang di atas secara eksak den-

gan menggunakan tabel Distribusi Chi-Kuadrat. Karena P(Sn <
a) = 0, 95; dengan menggunakan tabel Distribusi Chi-Kuadrat den-
gan derajat kebebasan n = 100 diperoleh hasil: a = 124, 342. Apabila

kita membandingkan hasil pendekatan degan hasil eksak maka akan

terdapat perbedaan sebesar 1, 078.
1.5 Soal-Soal Latihan
1. Misalkan X n menunjukkan rerata dari sampel acak berukuran

N (µ; σ2 ). Tentukan distribusi pendekatan dari X n
2. Misalkan Y1 menunjukkan statistik urutan pertama dari sampel acak

berukuran n yang berasal dari distribusi dengan fungsi kepadatan
peluang berbentuk:
f ( x ) = e−( x−θ ) ; θ < x < ∞

= 0 ; lainnya
Jika Zn = n(Y1 − θ ), maka tentukan distribusi pendekatan dari Zn
3. Misalkan X1 , X2 , ..., Xn merupakan sebuah sampel acak berukuran n

dari distribusi yang mempunyai fungsi kepadatan peluang berben-
tuk:
e − x x µ −1
f (x) = Γ(µ)
; x > 0, 0 < µ < ∞
= 0 ; lainnya
Jika X n = 1
n ∑in=1 Xi , maka perlihatkan bahwa untuk n −→ ∞
berlaku:
√
n( X n − µ)
7→ N (0, 1)
( X n )1/2
dalam distribusi.
4. Jika variabel random acak Zn berdistribusi Poisson dengan parame-

ter µ = n, maka perlihatkan bahwa distribusi pendekatan dari vari-
√
abel random acak Yn = ( Zn − n)/ n adalah distribuai normal den-
gan rerata 0 dan variansi 1

5. Misalkan Xn menunjukkan rerata dari sampel acak berukuran n

dari distribusi Poisson dengan parameter µ = 1. Perlihatkan bahwa
fungsi pembangkit momen dari:
√ √
Yn = n( Xn − µ)/α = n ( Xn − 1)
√ √
Jika diberikan dengan exp(−t n + n(et/ n − 1))
6. Untuk soal nomer 5, selidiki distribusi pendekatan dari Yn untuk

√
n → ∞. Petunjuk: Uraikan et/ n dengan menggunakan perluasan
deret maclaurin
7. Misalkan Xn menunjukkan rerata dari sampel acak berukuran n dari

distribusi dengan fungsi kepadatan peluang berbentuk
f ( x ) = e− x ; x > 0
= 0 ; lainnya
(a) Perlihatkan bahwa fungsi pembangkit momen dari:

√
Yn = n( Xn − 1) sama dengan m(t,n) =
t/
√
n
√ t/√n n √
[e (t n)e ]0 ; t < n
(b) Tentukan distribusi dari Yn untuk n → ∞
8. Misalkan Xn menunjukkan rerata dari sampel acak berukuran 15

dari distribusi dengan fungsi kepadatan peluang berbentuk:
f ( x ) = 3x2 ; 0 < x < 1

= 0 ; lainnya
Hitung secara pendekatan P( 35 < X < 54 )
9. Misalkan Sn2 menunjukkan variansi dari sampel acak berukuran n

nS2
dari distribusi N (µ, δ2 ) Buktikan bahwa n−n1 konvergen stokastik ke
- α2

10. Misalkan X1 , X2 , ..., X10 adalah barisan peubah acak yang saling be-
bas dan berdistribusi identik dengan rerata µ dan variansi. Perli-
hatkan bahwa:
(a) 2
Σn i.Xi
n ( n +1) i =1
pµ
−→
6
(b) n(n+1)( Σn i.Xi p µ
2n+1) i =1
−
→


Bab 2
Konvergensi Variabel Random
Memahami konsep dasar konvergensi barisan variabel random dan mam-

pu menerapkan dalam penentuan distribusi pendekatan khususnya, dan
dalam pemecahan masalah matematika, ilmu lain dan dalam kehidupan
sehari-hari pada umumnya.
1. Menjelaskan konsep dasar konvergensi stokasitik barisan variabel

random
2. Menganalisis jenis-jenis konvergensi stokastik barisan variabel ran-

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

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

random untuk menentukan distribusi pendekatan suatu variabel
random
27
2.3 Uraian Materi
2.3.1 Konsep Dasar Variabel Random
Sebelum membahas tentang konvergensi barisan variabel random, kita

paparkan dulu konsep variabel random, konsep fungsi, kejadian-kejadian
yang dihasilkan dari variabel random, dan beberapa contoh-contoh konk-
ret tentang variabel random. Bagi pembaca yang cukup familiar dengan
konsep varibel random, dipersilakan untuk melewatinya, dan langsung
menuju, ke sub bab, tentang konsep konvergensi barisan variabel random.
Random Variable sering diterjemahkan menjadi variabel random atau peu-

bah acak. Untuk selanjunya demi alasan konsistensi akan digunakan is-
tilah variabel random. Secara intutif, variabel random dapat dipandang
sebagai bilangan x (ζ )yang dihubungkan dengan suatu kejadian ζ dari su-
atu percobaan random. Bilangan ini, misalnya dapat berupa angka keme-
nangan dalam permainan judi, angka voltage dari naik-turunnya tegangan
listrik, angka lama hidup suatu bola lampu, atau sembarang bilangan hasil
pengamatan pada percobaan random1 .
Definisi
Diberikan ruang probabilitas (Ω, A, P), dengan Ω, A, P

masing-masing menyatakan ruang sampel, ruang kejadian dan
probabilitas. Variabel random X didefinisikan sebagai fungsi
dari (domain) Ω ke bilangan real. Ditulis: X : Ω → R
Jadi variabel random merupakan fungsi dengan domain berupa ruang

sampel dan kodomain bilangan real.
1 Istilahpercobaan random digunakan untuk menggambarkan proses atau prosedur

yang hasilnya tak dapat diprediksi secara pasti. Misalnya percobaan melantunkan sebu-
ah mata uang. Hasilnya umumnya dinyatakan sebagai data, misalnya dinyatakan seba-
gai {Angka,Gambar} atau mungkin sebagai {0,1}. Jadi data tersebut dapat berupa data
numerik (bilangan) maupun katagorik.
Bab 2. Konvergensi Variabel Random 28 ISBN 978-602-8310-02-4

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

nentukan konvergensi (sifat asimptotik) dari variabel random. Kita mulai
dengan mencermati masalah sederhana berikut. Misalkan akan diukur
panjang suatu benda, katakanlah panjangnya m(dalam hal ini dapat di-
pandang sebagai parameter yang tak diketahui). Mengingat pengukuran
bersifat tidak akurat, maka hasil pengukuran panjang benda tersebut da-
pat dinyatakan dengan variabel random berikut.
x = m+v
dengan v merupakan galat (kesalahan). Jika tak ada kesalahan sistematik

yang disengaja, maka v juga merupakan variabel random dengan rataan
0 atau E(v) = 0. Jika deviasi σ dari v relatif kecil dibandingkan m, ma-
ka x(ı) dari pengukuran tersebut cukup baik untuk m. Dalam konteks ini,
dapat dikatakan bahwa rataan dari random variabel x adalah m dan va-
riannya σ2 . Hal ini dapat dinyatakan dalam bentuk pertidaksamaan Tche-
bycheff sbb:
σ2
P(| x − m| < ε) > 1 − 2 (2.1)
ε
Jika varian x relatif kecil dibanding ε atau σ εmaka probabilitas | x −
m| < ε akan menuju 1,atau P(| x − m| < ε)7→ 1. Hal ini berarti bahwa
suatu hasil pengamatan terhadap panjang benda m tersebut hampir pasti
(almost certainly) terletak antara m − εdan m + ε. Akibatnya parameter m
terletak antara x(ı) − ε dan x(ı) + ε.
Untuk meningkatkan keakuratan hasil pengukuran terhadap m tersebut

dapat dilakukan dengan mengulang pengukuran tersebut, misalnya n ka-
li. Hasil-hasil pengukuran tersebut dapat dinyatakan dalam bentuk ba-
risan variabel random Xn = (x1 , x2 , ..., xn ), dengan rata-rata sampel x̄ =
∑in=1 (x1 + x2 + ... + xn ), juga merupakan variabel random dengan rata-
2
rata m dan varian σn . Jika n cukup besar sehingga σ2 n.m2 maka nilai
x̄(ζ ) merupakan estimasi yang baik untuk parameter (yang tak diketahui)

m.
Contoh:
Masih berkaitan dengan masalah di atas, tentukanlah probabilitas bahwa
x terletak antara 0, 9.m dan 1, 1.m, jika diestimasi dengan variabel random
2
x̄ dan dengan mengasumsikan n cukup besar sedemikian sehingga σm.n 2 =
−
10 . 4
Jawab: Dengan menggunakan ketidaksamaan Tchebycheff didapat:
P(0, 9.m < x̄ < 1.1.m) = P(−0, 1.m < x̄ − m < 0, 1.m)
σ2
P(|x̄ − m| < 0, 1.m > 1 − 2 , dengan ε = 0, 1.m
ε
10−4 .m2
P(|x̄ − m| < ε = 1 − −2
10 n.m2
1
= 1−
100n
Dari hasil ini didapat, misalnya untuk n = 10,maka probabilitas x terletak

antara 0, 9.m dan 1, 1.m adalah 0,999
Untuk selanjutnya masalah konvergensi variabel random dapat diru-
muskan sebagai berikut. Misalkan X1 , X2 , ... Xn barisan variabel random
dengan distribusi bersama yang terletak pada ruang sampel yang sama Ω
dan X variabel random yang lain yang juga terletak pada ruang sampel Ω.
Selanjutnya masalah dapat dirumuskan menjadi: “Bagaimana jenis dan
sifat konvergensi dari barisan variabel random Xn tersebut?”.
2.3.3 Jenis-Jenis Konvergensi Variabel Random
2.3.3.1 Konvergen dalam Distribusi
Definisi
Misalnya X1 , X2 , ..., Xn adalah barisan variabel random yang didefinisikan

atas ruang sampel yang sama S. Jika Fn ( x ) fungsi distribusi dari variabel

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

d
Xn → X jika ada fungsi distribusi dari X sehingga
lim Fn ( x ) = F ( x ) (2.2)
n→∞
untuk setiap titik x dimana F(x) kontinu. Xn konvergen ke X dalam distri-

busi juga dikatakan Xn mempunyai limit distribusi dengan fungsi distri-
busi F ( x ).
Teorema Kekontinuan Levy :
Misal Yn variabel random dengan fungsi distribusi Fn (y) dan Mn (y) ada
untuk ∀t ∈ <. Jika F (y) fungsi distribusi yang bersesuaian dengan M(t)
d
sehingga Mn (t) → M(t) maka Yn → Y .
Catatan :
Limn→∞ {1 + b/n + Ψ(n)/n}cn = ebc , jika Ψ(n) = 0 (2.3)
Teorema Limit Pusat
√ d
Jika X1 , X2 , ..., Xn ∼ (µ, σ2 ), σ > 0 maka Yn = n( X n − µ)/σ → Y, dimana
Y ∼ N (0, 1)
Bukti
Dalam pembuktian berikut, diasumsikan fpm dari x ada. Misal fpm dari X
dan X − µ adalah M(t) dan m(t) maka m(t) = E(et(X −µ) ) = e−µt M(t) juga
ada. Karena m(t) merupakan f pm dari X − µ maka m(0) = 1, m0 (0) =
E( X − µ) = 0, m00 (0) = E( X − µ)2 = σ2 . Menurut teorema Taylor, ada
bilangan ε antara 0 dan t sehingga m(t) = m(0)+ m0 (0)t+ m00 (ε)t2 /2 =
1 + m00 (ε)t2 /2. Di ruas kanan ditambah dan dikurangkan dengan σ2 t2 /2
maka
m00 (ε) − σ2 t2

2 2
m(t) = 1 + σ t /2 + .
2
Pandang
" ! !#
n √
Mn (t) = E exp t ∑ Xi − nµ /σ n (2.4)
i =1
n
X−µ

= E exp t √ (2.5)
σ n
n
t
= m √ ; −h < t < h (2.6)
σ n
Menurut di atas diperoleh:

00
m ( ε ) − σ 2 t2

t2

t
m √ = 1+ + (2.7)
σ n 2n 2nσ2
t √ √
dengan 0 < ε < √
σ n
dan −hσ n < t < hσ n sehingga
( 00 )n
t2 m ( ε ) − σ 2 t2
Mn ( t ) = 1+ + (2.8)
2n 2nσ2
Karena m00 (t) kontinu di t = 0 dan jika n → ∞ maka ε → 0 maka diperoleh

t d
(m00 (ε) − σ2 ) → 0 akibatnya Mn (t) → et /2 . Jadi Yn → Y dimana Y ∼
N (0, 1)
Contoh
Misalkan X1 , X2 , ..., Xn adalah n buah variabel random yang saling bebas

berdistribusi seragam pada (0, θ ), θ > 0. Jika Yn = max ( X1 , X2 , ..., Xn )dan
variabel random Z didefinisikan sebagai P( Z = θ ) = 1, maka buktikan
Yn d Z
−
→
Jawab :
Fungsi kepadatan peluang dari X adalah:
1
f (x) = θ ; 0<x<θ
= 0 ; lainnya

Fungsi distribusi dari Yn adalah:
FYn (yn ) = P(Yn ≤ yn = P(max ( X1 , X2 , ..., Xn ) ≤ yn

= P( X1 ≤ yn , X2 ≤ yn , ..., Xn ≤ yn )
= P( X1 ≤ yn ).P( X2 ≤ yn )....P( Xn ≤ yn )
= [hP( X1 ≤ yn )]in
R yn
−∞ f ( x ) dx
Untuk yn < 0 maka FYn (yn ) = 0

Untuk 0 ≤ yn < θ,
hR R yn in
0
FYn (yn ) = −∞ f ( x )dx + 0 f ( x )dx
hR R yn in
0 1
= −∞ 0dx + 0 θ dx
yn n
= θ
Untuk yn ≥ θ,
hR R yn in
0 Rθ
FYn (yn ) = −∞ f ( x )dx + 0 f ( x )dx + 0 f ( x )dx
hR R yn 1 R yn in
0
= −∞ dx + 0 θ dx + 0 0dx =1
Jadi
FYn (yn ) = 0 ; yn < 0

yn n
= θ ; 0 ≤ yn < θ
yn n
= 1 ; θ
Limn→∞ FYn (yn ) = 0 ; yn < 0

= 1 ; yn ≥ θ
Karena didapat Limn→∞ FYn (yn ) = F (z), dengan F (z) adalah fungsi dis-
tribusi dari Z.
Jadi Yn d Z
−
→
Contoh Diketahui barisan fungsi distribusi

(
0, x < n
Fn ( x ) = (2.9)
1, x ≥ n
Jelaslah bahwa lim Fn ( x ) = 0 = F ( x ) , karena F ( x ) = 0, ∀ X bukan

n→∞
fungsi distribungsi maka Xn tidak konvergen dalam distribusi.
Contoh Diketahui fungsi distribusi dari variabel random x n sbb:
Zx
1 2/2
Fn ( x ) = e−nw dw (2.10)
−∞ (2π )1/2 (1/n )1/2
Apakah variabel random x n mempunyai limit distribusi?
√
Jawab Misal v = nw, sehingga
√
Z nx
1 2
Fn ( x ) = √ e−v /2 dv (2.11)
−∞ 2π
dan

 0, x̄ < 0

Limn→∞ Fn ( x ) = 1
 2 , x̄ = 0
1, x̄ > 0

Pandang fungsi distribusi

(
0, x < 0
F(x) = (2.12)
1, x < 0
tidak kontinu di x = 0. Akan tetapi, untuk x 6= 0
lim Fn ( x ) = F ( x ) (2.13)
n→∞
Jadi variabel random x n mempunyai limit distribusi dengan fungsi distri-

d
busi F ( x ) atau x n → x.

Contoh Diketahui Xn barisan variabel random dengan

(
1; x = 2 + n1
f n (x) =
0; x yang lain
diperoleh lim f n ( x ) = 0, untuk setiap x. Karena f ( x ) = 0 bukan

n→∞
merupakan fkp, maka f n ( x ) tidak konvergen ke suatu fkp. Tetapi
(
1
0; x < 2 + n
Fn ( x ) = 1
(2.14)
1; x ≥ 2 + n
dan (
0; x < 2
lim Fn ( x ) = F ( x ) = (2.15)
n→∞ 1; x ≥ 2
d
Karena lim Fn ( x ) = F ( x ) di setiap titik kontinu dari F ( x ) maka xn →
n→∞
x. Ini berarti limit distribusi tidak dapat ditentukan oleh fkp.
2.3.3.2 Konvergen dalam Probabilitas
Misalkan Fn (y) menunjukkan fungsi distribusi dari variabel random Yn

yang distribusinya bergantung pada n bilangan bulat positif. Jika c sebuah
konstanta yang tidak bergantung pasa n, maka Yn dikatakan konvergen
stokastik ke-c jika dan hanya jika untuk setiap ε > 0 berlaku:
Limn→∞ P [|Yn − c| < ε] = 1
Konvergen stokastik ke parameternya atau ke suatu konstanta, sering

dinyatakan sebagai konvergen dalam peluang.
De f inisi
Misalkan Z1 , Z2 , ..., Zn adalah barisan variabel random yang didefinisikan

atas ruang sampel S. Misalkan pula Z adalah variabel random lain yang
didefinisikan atas ruang sampel S. Kita katakan Zn konvergen ke-Z dalam

p
peluang (ditulis Zn → Z), jika untuk setiap ε > 0 berlaku:
Limn→∞ P [| Zn − Z | ≥ ε] = 0 (2.16)
Karena
P {| Zn − Z | ≥ ε} + P {| Zn − Z | < ε} = 1
maka
P {| Zn − Z | ≥ ε} → 0 ⇔ P {| Zn − Z | < ε} → 1 (2.17)
Penyelesaian masalah konvergen dalam peluang digunakan ketidak-

samaan Chebysev, yaitu:
1
P [| X − µ x | ≥ kσx ] ≤
k2
atau
1
P [| X − µ x | < kσx ] ≥ 1 −
k2
Berikut ini adalah langkah-langkah untuk penentuan konvergen stokastik,

sbb:
1. Gunakan ketidaksamaan Chebyshev seperti yang dirumuskan di atas
2. Tentukan rerata dan variansi dari statistiknya.
3. Substitusikan nilai rerata dan variansi tersebut ke dalam ketidak-

samaan Chebyshev
4. Lakukan modifikasi terhadap nilai di dalam harga mutlaknya,

sedemikian hingga nilai tersebut sesuai dengan yang diharapkan.
5. Misalkan kσx = εdengan σx sudah disubstitusikan dan diperoleh ni-

lai k. Kemudian tentukan nilai k2 .
6. Beri limit untuk n → ∞ pada kedua ruasnya.

Contoh Misalkan X1 , X2 , ..., Xn adalah sebuah sampel acak dari distribusi

eksponensial dengan fungsi kepadatan peluang berbentuk:
f ( x ) = λ1 e− x/λ ; x > 0
Perlihatkan bahwa x konvergen stokastik
= 0 ; lainnya
ke-λ.
Jawab :
1
Dari ketidaksamaan Chebysev: P [| X − µ x | ≥ kσx ] ≤ k2
Kita mengetahui bahwa E( Xi ) = λ dan Var( Xi ) = λ2 .
Karena x = 1
n ∑in=1 Xi = 1
n [ X1 + X2 + ... + Xn ] , maka
h i
1
(i ) E (x) = E n [ X1 + X2 + ... + Xn ]
1
= n [ E ( X1 ) + E ( X2 ) + ... + E ( Xn )]
1
E (x) = hn (λ + λ... + λ) = λ i
1
(ii ) Var ( x ) = Var n [ X1 + X2 + ... + Xn ]
= n−2 [Var ( X1 ) + Var ( X2 ) + ... + Var ( Xn )]
2
n−2 λ2 + λ2 ... + λ2 = λn

=
Jadi:
λ 1
P X − λ ≥ k √ ≤ 2
n k
Misalkan
ε = k. √λn
√
ε n
k = λ
ε2 n
k2 = λ2
Sehingga:
λ2
P X−λ ≥ ε ≤ 2

ε n
λ2
Limn−→∞ P X − λ ≥ ε ≤ Limn→∞ 2 = 0

ε n
Dengan demikian X konvergen stokastik ke-λ.
Contoh Misalkan barisan variabel random ( X1 , X2 , ..., Xn )∼ (µ, σ2 ). Tun-

p
jukkan apakah Xn → µ?

Jawab
Diberikan ε > 0
√
P {| Xn − µ| ≥ ε} = P | Xn − µ| ≥ kσ/ n (2.18)
√
dengan k = ε n/σ. Dengan menggunakan ketaksamaan Chebyshev di-
peroleh
√
P | Xn − µ| ≥ kσ/ n ≤ 1/k2 = σ2 /(nε2 )

(2.19)
P {| Xn − µ| ≥ ε} → 0; jika σ2 finit dan n → ∞ (2.20)

p
Karena ∀ε > 0; P {| Xn − µ| ≥ ε} → 0 maka Xn → µ
Catatan Syarat lim P(|Yn − c| < ε) = 1 sering digunakan sebagai defi-

n→∞
nisi konvergen dalam probabilitas dan orang mengatakan bahwa Yn
konvergen ke c dalam probabilitas. Tipe konvergen yang terkuat di-
berikan oleh P( lim Yn = c) = 1. Dalam kasus ini kita katakan Yn
n→∞
konvergen ke c dengan probabilitas 1. Sehubungan dengan ini, me-
an sampel X n konvergen dengan probabilitas 1 ke mean µ dari suatu
distribusi. Hal ini disebut hukum kuat dari bilangan besar
2.3.4 Sifat-Sifat Konvergensi Variabel Random
Berikut ini adalah beberapa sifat-sifat penting konvergensi variabel ran-

dom, yang sering digunakan dalam menentukan distribusi pendekatan.
1. Misalkan Fn (u) menunjukkan fungsi distribusi dari variabel random

Un yang distribusinya bergantung pada bilangan bulat positif n. Jika
Un konvergen stokastik ke-c (c 6= 0), maka Ucn konvergen stokastik
ke-1.
2. Misalkan Fn (u) menunjukkan fungsi distribusi dari variabel random

Un yang distribusinya bergantung pada bilangan bulat positif n. Ke-
mudian Un konvergen stokastik ke-c, c > 0) dan P(Un < 0) =
√ √
0untuk setiap n. Dalam hal ini, Un konvergen stokastik ke- c.

3. Jika variabel random Un dan Vn konvergen stokastik masing-masing

ke konstanta c dan d, maka:
(a) variabel random Un Vn konvergen stokastik ke konstanta cd

Un
(b) variabel random Vn konvergen stokastik ke konstanta c/d, den-
gan d 6= 0
Contoh Misalkan variabel random Yn berdistribusi b(n, p), dengan 0 < p <
Y −np
1. Jika Un = √ n ,maka:
np(1− p)
1. Tentukan disribusi penndekatan dari Un .

Yn
2. Perlihatkan bahwa n konvergen stokastik ke-p
Yn
3. Perlihatkan bahwa konvergen stokastik ke-1
np
h i
4. Perlihatkan bahwa 1 − Ynn konvergen stokastik ke-(1 − p)
Penyelesaian : Fungsi pembangkit momen dari Yn adalah: MYn (t) = ((1 −

p) + pet )n
1. Fungsi pembangkit momen dari Un adalah:
MUn (t) = E etU

M(t; n) = n
)
( Y −np n
t √
np(1− p)
= E e
tYn
q
−t
np √
1− p np(1− p)
= e E e
q
np
−t t
= e 1− p
MYn √
np(1− p)
n
√ t
q
np
−t 1− p
= e (1 − p) + pe np(1− p)
" q #n
t np
−t
q
−t np √ 1− p
n 1− p np(1− p) n
= (1 − p ) e + pe
p √ t−tp
q
t n (1− p )
= (1 − p ) e + pe np(1− p)
p 1− p n
q q
− t n (1− p ) t np
= (1 − p ) e + pe

p
q q
1− p
−t n (1− p ) t
Kemudian kita akan menguraikan e dan pe np
menggunakan
perluasan deret MacLaurin, yaitu:
q
x2 x3 p
(i ) e − x = 1 − x + 2 − 6 + ...dengan x = t n (1− p )
q
x2 x3 1− p
(ii ) ex = 1 − x + 2 − 6 + ...dengan x = t np
Jadi:
3p
h n q 2
q o
M(t; n) = (1 − p) 1 − t n(1p− p) + 2n(1t − p) − 6n(t1− p)
p
n (1− p )
+ ... +
n
t2 (1− p ) t3 (1− p )
n q q oi
1− p 1− p
p 1 + t np + 2np + 6np + ...
h q 2 3 q np
p t p t p p
= 1 − t n(1− p) + 2n(1− p) − 6n(1− p) n(1− p) + ... − p+
t2 p2 t3 p2
q q
p p
pt n(1− p) + 2n(1− p) − 6n(1− p) n(1− p) − ... + p+
in
t2 (1− p ) t3 (1− p )
q q
1− p 1− p
pt np + 2n + 6n np + ...
Kita akan menguraikan suku-suku yang mengandung

t, t2 , dan t3 satu persatu .
q
1− p
q q q
p p p
(i ) pt n (1− p )
−t n (1− p )
+ pt np = −t n (1− p )
q
+2pt n(1p− p)
q
= −t(1 − 2p) n(1p− p)
t2 p 2 2 2
(ii ) 2n(1− p)
− 2nt(1p− p) + t (12n− p) = t2
2nq
t3 p t3 p2 t3 (1− p ) 1− p
q q
(iii ) − 6n(1− p) n(1− p) + 6n(1− p) n(1p− p)
p
+ 6n np
−t3 (2p−1)
= √
6n np(1− p)
Sehingga:
n
t3 (2p−1)
q
p t2 √
M (t; n) = 1 − t(1 − 2p) n (1− p )
+ 2n − + ...
6n np(1− p)
n
t3 (2p−1)
q
t2 p
√
= 1+ 2n − t(1 − 2p) n (1− p )
− + ...
6n np(1− p)

Limn−→∞ M (t; n) =
n
t3 (2p−1)
q
t2
= Limn−→∞ 1 + 2n − t(1 − 2p) n(1p− p) − √ + ...
6n np(1− p)
h in
t2
= Limn−→∞ 1 + 2n
t2
Limn−→∞ M(t; n) = e 2
disribusi normal standar. Jadi distribusi pendekatan dari Un adalah
N (0; 1)
Yn
2. n konvergen stokastik ke-p
Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby-
shev, yaitu:
1
P [|Yn − µYn | < kσYn ] ≥ 1 −
k2
Karena Yn berdistribusi b(n; p), maka:

µYn = np
σY2n = np(1 − p)
p
atau σYn = np(1 − p)
Jadi:
1
q
P |Yn − np| < k np(1 − p) ≥ 1 − 2
k

Yn q
1
P n − p < k np(1 − p) ≥ 1 − 2
n k

Yn q
1
P − p < k np(1 − p) ≥ 1 − 2

n k
q
p (1− p ) 2
Misalkan: ε = k n dan k2 = 1nε
−p
Sehingga:

p (1 − p )

Yn
P − p < ε ≥ 1 −

n nε2

−

Yn p ( 1 p )
Limn−→∞ P − p < ε ≥ Limn−→∞ 1 − =1
n nε2

Yn
Jadi n konvergen stokastik ke-p
Yn
3. Variabel random np konvergen stokastik ke-1
shev, yaitu:
1
P [|Yn − µYn | < kσYn ] ≥ 1 − 2
k

1
q
P |Yn − np| < k np(1 − p) ≥ 1 − 2
k

Yn 1
q
P np − 1 < k np(1 − p) ≥ 1 − 2
np k
" s #
1− p

Yn 1
P − 1 < k ≥ 1− 2
np np k
npε2
q
1− p
Misalkan : ε = k np dan k2 = 1− p
Sehingga :
1− p

Yn
P
−1 < ε ≥ 1−

np npε2
−

Yn 1 p
Limn−→∞ P − 1 < ε ≥ Limn−→∞ 1 − =1
np npε2
Yn
Jadi n konvergen stokastik ke-1
h i
4. Variabel random 1 − Ynn konvergen stokastik ke-(1 − p)
shev, yaitu
1
P [|Yn − µYn | < kσYn ] ≥ 1 − 2
k

1
q
P |Yn − np| < k np(1 − p) ≥ 1 − 2
k

Yn q
1
P n − p < k np(1 − p) ≥ 1 − 2
np k

" r #
−

Yn p ( 1 p ) 1
P − p < k ≥ 1− 2
np n k
" r #
−

Yn p ( 1 p ) 1
P + 1 − 1 − p < k ≥ 1− 2
np n k
" r #
−

Y n p ( 1 p ) 1
P 1 − − (1 − p) < k ≥ 1− 2
np n k
q
p (1− p ) 2
Misalkan: ε = k n dan k2 = p(nε
1− p )
Sehingga:

p (1 − p )

Y n
P 1−
− (1 − p ) < ε ≥ 1 −

np nε2

−

Y n p ( 1 p )
Limn−→∞ P 1 − − (1 − p) < ε ≥ Limn−→∞ 1 −
np nε2

Yn
Limn−→∞ P 1 −
− (1 − p ) < ε ≥ 1

np
h i
Yn
Jadi 1 − np konvergen stokastik ke-(1 − p)
1. Diketahui variabel random X1 , X2 , ... Xn i.i.d dengan fungsi kepadat-

an peluang:
(
1
θ;0< x < θ, 0 < θ < ∞
f (x) = (2.21)
0; untuk x yang lain
Misalkan dibentuk variabel random Yn = max( X1 , X2 , ...,Xn ), Tun-
w d
jukkan apakah Fn → F, dan Yn → Y untuk suatu variabel random
Y!
Jawab:

Karena f ( x ) = 1θ untuk 0 < x < θ maka per definisi fungsi distribusi

variabel random X didapat sbb:
FX ( x ) = P( X ≤ x )
Zx
1 x
= dt = , 0 < x < θ (2.22)
0 θ θ
Mengingat Yn adalah maksimum dari barisan variabel random

X1 , X2 , ... Xn yang i.i.d, maka fungsi distribusi variabel random
Yn didapat dengan sbb:
FYn (y) = P(Yn ≤ y)

= P( X1 ≤ y, ...Xn ≤ y)
= P( X1 ≤ y)...( Xn ≤ y)
= [ F (y)]n
mengingat 2.22 maka didapat
[ yθ ]n , 0 < y < θ
(
FYn (y) = (2.23)
1, y ≥ θ
y
Untuk 0 < y < θ dan jika n → ∞ maka [ θ ]n → 0, sehingga didapat:
(
0, 0 < y < θ
lim FYn (y) =
n→∞ 1, y ≥ θ
= FY (y)
dengan FY (y) merupakan suatu fungsi distribusi. Jadi dapat disim-

pulkan bahwa:
FYn w FY (y) dan Yn d Y, dimana Y adalah variabel random dengan

−→ −→
distribusi FY (y).

2. Diketahui {Yn } barisan variabel random dengan fungsi massa pelu-

ang (fmp). P {Yn = −n} = 1; n = 1, 2, ... Selidiki apakah Yn konver-
gen dalam distribusi ke suatu variabel random?
Jawab :
Perhatikan bahwa, Mn (t) = E(etYn ) = e−tn P(Yn = −n) = e−tn .

Sehingga jika n → ∞ diperoleh

 0; t > 0

−−−−
→
Mn ( t ) n → ∞ M ( t ) = 1; t = 0
∞; t < 0


Karena ada t sehingga M (t) = ∞, maka M(t) bukan fpm. Misal

Fn (y) fungsi distribusi yang berkaitan dengan Yn , maka
(
0; y < −n
Fn (y) =
1; y ≥ −n
Jadi Fn (y) → F (y) = 1, ∀y dengan F (y) bukan fungsi distribusi se-
hingga Yn tidak konvergen ke suatu fungsi distribusi.
3. Diketahui Xn dengan fmp P { Xn = 1} = 1/n, P { Xn = 0} = 1 − 1/n.

d
Tunjukkan bahwa Xn → X
Jawab :
Perhatikan bahwa, Mn (t) = 1/net + (1 − 1/n) ada ∀t ∈ <. Mn (t) →

1. Jadi M(t) = 1 adalah fpm dari variabel random x yang degenerate
d
di x = 0. Menurut teorema di atas maka Xn → X
d
4. Diketahui Yn ∼ B(n, p) maka µ = np dan p = µ/n. Apakah Yn → Y
?
Jawab

Mn (t) = E(etYn ) (2.24)

n
= ∑ etYn
Yn
PYn (1 − p)n−Yn (2.25)
Yn =0
n
n Y
= ∑ Pet n (1 − p)n−Yn (2.26)
Yn =0
Yn
n
= pet + (1 − p)

(2.27)
n
µ ( e t − 1)

= 1+ (2.28)
n
Jadi Mn (t) → µ(et − 1) ; ∀t. Karena ada distribusi poisson dengan

mean µ mempunyai fpm µ(et − 1) maka menurut teorema di atas
d
Yn → Y.
5. Diketahui Zn ∼ χ2 (n). maka fpm dari Zn adalah(1 − 2t)−n/2 ;

t < 1/2. Mean dan variansi dari Zn adalah n dan 2n. Tentukan li-
√
mit distribusi dari Yn = ( Zn − n)/ 2n
Jawab :
fpm dari
√
Yn = E(etyn ) = e[t((Zn −n)/ 2n)]
(2.29)
√ √
−tn/ 2n
= e E(etzn / 2n
) (2.30)
√ h
√ i−n/2
[−(t 2/n) n2 ] 1−2 √t
= e ; t < ( 2n)/2 2n (2.31)
√2 r √ !−n/2 r
t n 2 t 2 n
= e −t e n ;t < (2.32)
n 2
√
Menurut teorema Taylor ada bilangan ε(n) antara 0 dan t 2/n se-
hingga
√2 r
2
r
2 2
r
2 3
et n = 1+t + 1/2(t ) + 1/6eε(n) (t ) (2.33)
n n n
dan diperoleh
√2 t2 Ψ(n) −n/2
et n = (1 − + ) (2.34)
n n
dengan
√ √ 3
2t3 eε(n) 2t 2t4 eε(n)
Ψ(n) = √ − √ − ; n → ∞ ⇒ Ψ(n) → 0 (2.35)
3 n n 3n
akibatnya
2 /2
Mn ( t ) → e t ; ∀t (2.36)
d
Jadi Yn → Y dengan Y ∼ N (0, 1)
6. Diketahui X = mean sampel random berukuran 75 dari distribusi

dengan fkp (
1; 0 < x < 1
f (x) = (2.37)
0; yang lain

Hitung P 0, 45 < X < 0, 55
Jawab
E( X ) = 1/2 dan E( X 2 ) = 1/3 maka µ = 1/2 dan σ2 = 1/12.

√ √
P 0, 45 < X < 0, 55 = P( n(0, 45 − µ)/σ < n( X − µ)/σ <
√
n(0, 55 − µ)/σ = 0, 866.
7. Jika
p p
Xn → a dan Yn → b ⇒ Xn + Yn → ( a + b)
Bukti
Diberikan ε > 0, P {| Xn + Yn − ( a + b)| ≥ ε} ≤

P {| Xn − a| ≥ ε/2} + P {|Yn − b| ≥ ε/2} .2
Karena kedua suku diruas kanan mendekati 0 untuk n → ∞, maka

diperoleh ∀ε > 0 P {| Xn + Yn − ( a + b)| ≥ ε} → 0. Jadi Xn + Yn →
( a + b)|
2 gunakan ketaksamaan segitiga

8. Diketahui Yn ∼ B(n, p), 0 < p < 1. Tentukan limit distribusi dari
Yn − np
p
n(Yn /n)(1 − Yn /n)
Jawab :
Perhatikan bahwa, menurut TLP
Yn − np d
Un = p → N (0, 1) (2.38)
np(1 − p)
p p p
Yn /n → p dan 1 − Yn /n → 1 − p ⇒ (Yn /n)(1 − Yn /n) → p(1 −
(Y /n)(1−Y /n)
p ) ⇒ n p (1− p ) n →1
dan 1/2
(Yn /n)(1 − Yn /n)

p
Vn = →1 (2.39)
p (1 − p )
Menurut teorema
Yn − np d
Wn = Un /Vn = p → N (0, 1) (2.40)
n(Yn /n)(1 − Yn /n)
9. Diketahui X n dan Sn2 mean dan variabel sampel random yang ber-
ukuran n dari distribusi N (µ, σ2 ), σ2 > 0. Tentukan limit distribusi
dari Wn = σX n /Sn .
Jawab :
Telah dibuktikan bahwa X n dan Sn2 berturut-turut konvergen dalam
probabilitas ke µ dan σ2 . Menurut teorema, Sn konvergen dalam
probabilitas ke σ dan menurut teorema 1, Sn /σ konvergen ke 1. Me-
nurut teorema variabel random Wn = σX n /Sn mempunyai limit dis-
p
tribusi yang sama dengan X n . Jadi Wn → µ.
1. Tuliskan definisi dari:

d
(a) Xn konvergen ke X dalam distribusi (ditulis Xn → X
p
(b) Xn konvergen ke X dalam probabilitas (ditulis Xn → X)
2. Misalkan x n mean sampel random yang berukuran n dari distribusi

N (µ, σ2 ). Tentukan limit distribusi dari x n
3. Misalkan Y1 statistik terurut pertama dari sampel random yang ber-

ukuran n dari distribusi yang mempunyai f.k.p f ( x ) = e−( x−θ ) , θ <
x < ∞ dan bernilai 0 untuk x yang lain. Jika Zn = n(Y1 − θ ), tentuk-
an limit distribusi dari Zn .
4. Diketahui f.k.p dari Yn adalah

(
1; y = n
f n (y) = (2.41)
0; y 6= n
Perlihatkan bahwa Yn tidak mempunyai limit distribusi.
5. Diketahui X1 , X2 , ..., Xn sampel random yang berukuran n dari dis-

n
tribusi N (µ, σ2 ) dengan µ > 0. Perlihatkan bahwa Zn = ∑ Xi tidak
i =1
mempunyai limit distribusi.
6. Diketahui Xn ∼ G (n, β), dengan β bukan fungsi dari n. Tentukan

limit distribusi dari Yn = Xn /n
7. Diketahui Zn ∼ χ2 (n) dan Wn = Zn /n2 . Tentukan limit distribusi

dari Wn .
8. Buktikan teorema kekontinuan Levy; Misal Yn variabel random de-

ngan fungsi distribusi Fn (y) dan Mn (t) ada untuk ∀t ∈ <. JikaF (y)
fungsi distribusi ysng bersesuaian dengan M(t) sedemikian sehing-
d
ga Mn (t) → M(t) maka Yn → Y
9. Buktikan teorema limit pusat berikut: Jika X1 , ..., Xn ∼ (µ, σ2 ), σ > 0

√ d
maka Yn = n( X n − µ)/σ → Y dimana Y ∼ N (0, 1).
10. Diketahui variabel random Yn mempunyai distribusi B(n, p).

(a) Buktikan bahwa Yn /n konvergen dalam probabilitas ke p. (Hal

ini merupakan suatu bentuk hukum lemah dari bilangan besar).
(b) Buktikan bahwa1 − Yn /n konvergen dalam probabilitas ke 1 −
p
11. Misalkan Sn2 variansi sampel yang berukuran n dari distribusi

N (µ, σ2 ). Buktikan bahwa nSn2 /(n − 1) konvergen dalam probabi-
litas ke σ2 .
12. Diketahui Wn variabel random dengan mean µ dan varians nbp de-
ngan p > 0, µ dan b konstanta (bukan fungsi dari n). Buktikan
bahwa Wn konvergen dalam probabilitas ke µ. (petunjuk gunakan
ketaksamaan Chebyshev).
13. Misalkan Yn menyatakan statistik terurut ke-n dari sampel random

berukuran n dari distribusi uniform pada interval (0, θ ). Buktikan
√ √
bahwa Zn = Yn konvergen dalam probabilitas ke θ.
√
14. Diketahui X n ∼ G (µ, 1). Buktikan bahwa limit distribusi n( X n −
p
µ)/ X n adalah N (0, 1)
15. Misal Y1 , ..., Yn dan X1 , ..., Xn dua sampel random yang independen
dengan mean µ1 dan µ2 dan variansi bersama σ2 . Tentukan limit dis-
tribusi dari
(Y n − X n ) − ( µ 1 − µ 2 )
q (2.42)
2
σ n
n
(Petunjuk : misalkan Z n = ∑ Zi /n dengan Zi = Yi - Xi
i =1
16. Diketahui Xn berdistribusi gamma dengan parameter α = n dan β,

dengan β bukan fungsi dari n. Jika Yn = Xn /n, tentukan limit distri-
busi dari Yn .
17. Diketahui Zn berdistribusi χ2 (n) dan Wn = Zn /n2 . Tentukan limit

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

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

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

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

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

χ2 (50). Hitunglah P(49 < X < 51)
23. Diketahui Y ∼ B(72, 1/3). Hitung P(22 ≤ Y ≤ 28)
24. Diketahui X adalah mean sampel random( berukuran 15 dari dis-

3x2 ; 0 < x < 1
tribusi yang mempunyai fkp f ( x ) = Tentukan
0, yang lain
P(3/5 < X < 4/5)
25. Diketahui Y ∼ B(n; 0, 55). Tentukan nilai n terkecil sehingga

P(Y/n > 1/2) ≥ 0, 95.


Bab 3
Estimasi Titik
Memahami konsep dasar estimasi titik dan mampu menerapkannya, baik

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

tor dengan varian minimum uniform (UMVUE)
6. Menentukan estimator suatu parameter dengan metode momen
53
7. Menentukan estimator suatu parameter dengan metode likelihood

maksimum
3.3 Uraian Materi
3.3.1 Prinsip Reduksi Data
Seperti dijelaskan pada bab sebelumnya, informasi dalam sampel x1 , ..., xn

akan digunakan untuk melakukan inferensi tentang parameter θ. Namun
pada umumnya data-data yang terobservasi dari sampel x1, x2 , ..., xn ada-
lah daftar bilangan yang sulit untuk diinterpretasikan secara lengkap. De-
ngan kata lain, interpretasi data secara realistik biasanya dilakukan de-
ngan prinsip reduksi. Masalahnya adalah seberapa jauh reduksi itu va-
lid, sehingga tetap menghasilkan inferensi yang akurat terhadap nilai
parameter-parameter populasi.
Misalnya fungsi terukur T ( x ) adalah statistik yang mendefinisikan bentuk

reduksi data, artinya dalam melakukan inferensi yang digunakan hanya
T ( x ), bukan keseluruhan sampel terobservasi x. Dua data sampel x dan y
akan diperlakukan sama asalkan T ( x ) = T (y).
3.3.1.1 Azas Kecukupan
Azas kecukupan (the sufficiency principle) menyatakan bahwa statistik cu-

kup (A suffcient statistic) untuk parameter θ adalah statistik yang bisa me-
nyerap sejumlah informasi tentang θ yang termuat dalam sampel. Setiap
informasi tambahan dalam sampel, di samping harga statistik cukup, ti-
dak memuat informasi tambahan tentang θ. Pertimbangan-pertimbangan
di atas akan membawa pada teknik reduksi data yang dikenal sebagai azas
kecukupan.
De f inisi
Bab 3. Estimasi Titik 54 ISBN 978-602-8310-02-4

T ( x ) adalah statistik cukup untuk θ, jika setiap inferensi tentang θ hanya

tergantung pada sampel x, yaitu hanya melalui harga T ( x ). Artinya
jika x dan y adalah dua titik sampel sedemikian hingga T ( x ) = T (y),
maka inferensi tentang θ harus sama, tidak tergantung apakah X = x
atau Y = y yang terobservasi.
Teorema
Bila f ( x | θ ) adalah densitas dari x dan q(t | θ ) adalah densitas dari T ( x ),

maka T ( x ) adalah statistik cukup untuk θ jhj untuk setiap x dalam ruang
sampel, rasio f ( x | θ )/q( T ( x ) | θ ) tidak tergantung pada θ.
Catatan :
Pθ ( X = x dan T ( x ) = t( x ))
Pθ ( X = x | T ( X ) = t( x )) = (3.1)
Pθ ( T ( x ) = t( x ))
P ( X = x dan T ( x ) = t( x ))
= θ
Pθ ( T ( x ) = t( x ))
Pθ ( X = x )
=
Pθ ( T ( X ) = t( x )
f (x | θ )
=
q( T ( x ))
Contoh
Misalkan Xi , ..., Xn adalah variabel random i.i.d berdistribusi Bernoulli

dengan parameter θ, 0 < θ < 1. Akan ditunjukkan bahwa T ( X ) =
Xi + ... + Xn adalah statistik cukup untuk θ. Perhatikan bahwa T ( X )
merupakan jumlah harga-harga Xi sedemikian sehingga T ( X ) mem-
punyai ditribusi Binomial (n, θ ), sehingga:

f ( x (θ )) ∏ n θ x i (1 − θ )1− x i
q( T ( x )(θ )0
= ni
t n − t
, (t = ∑ xi ) (3.2)
t θ (1-θ )
θ ∑ x i ( 1 − θ ) ∑ (1− x i ) n
= n , ( ∏ θ xi = θ ∑ xi )
t θ t (1 − θ ) n − t i
θ t (1 − θ ) n − t
= n
t θ t (1-θ ) n−t
1
= n
t
1
= n

∑ xi
Karena rasio di atas tidak tergantung pada θ, maka T ( x )adalah statistik

cukup untuk θ.
Contoh
Misalkan Xi , ..., Xn adalah i.i.d. v N (µ, τ 2 ) dengan τ 2 diketahui adalah

−
statistik cukup untuk µ. Tunjukkan bahwa mean sampel, T ( x )= X
= x1 +...n +xn adalah statistik cukup untuk µ.
n
f (x | µ) =πi=1 (2πτ 2 )−1/2 exp(−( xi − µ)2 /2τ 2 ) (3.3)
n
= (2πτ 2 )−n/2 exp(− ∑ (xi − µ)2 /2τ2 )
i =1
n
= (2πτ 2 )−n/2 exp(− ∑ (xi − x + x − µ)2 /2τ2 )
i =1
n
= (2πτ 2 )−n/2 exp(− ∑ (xi − x)2 + n(x − µ)2 /2τ2 )
i =1
Karena X ∼ N (µ, τ 2 /n), maka:

n

n/2
( 2πτ 2 ) exp −(∑ ( xi − x )2 + n( x − µ )2 )/ 2τ 2
f (x | θ )
= (3.4)
q( T ( x ) | θ ) (2πτ 2 / n ) − 1/2 exp(− n ( x − µ)2 /(2τ 2 ))
n
= n −1/2
(2πτ ) 2 −(n−1) / 2
exp(− ∑ (xi − x)2 /2τ2 )
i =1
yang tidak tergantung pada µ. Dengan menggunakan teorema sebelum-

nya, maka mean sampel adalah statistik cukup untuk µ.
Dengan menggunakan definisi, pertama-tama kita harus menduga ma-

na statistik T ( x ) yang merupakan statistik cukup, kemudian menentukan
densitas dari T ( x ) dan menyelidiki apakah rasio densitas x dan densitas
T ( x ) tidak memuat θ. Cara tersebut memang kurang praktis.
3.3.1.2 Teorema Halmos & Savage
Misalkan f ( x |θ ) adalah densitas bersama dari sampel X. T ( X )adalah sta-

tistik cukup untuk θ jhj terdapat fungsi g(t|θ ) dan h( x ) sedemikian hingga
untuk semua titik sampel x dan semua parameter θ berlaku;
f ( x |θ ) = g ( T ( x )|θ ) h( x )) (3.5)
Bukti :
Misalkan T ( X ) adalah statistik cukup. Pilih g (t(θ )) = P0 ( T ( x ) = t) dan

h( x ) = P ( X = x | T ( X ) = T ( x )) . Karena T ( X ) statistik cukup, maka dis-
tribusi probabilitas yang mendefinisikan h( x ) tidak tergantung pada θ. Ja-
di, pemilihan h( x )dan g((t( x )) dapat dibenarkan dan untuk pemilihan ini
di dapat

f ( x |θ ) = Pθ ( X − x ) (3.6)
= P0 ( X = x dan T ( X ) = T ( x ))
= P0 ( T ( X ) = T ( x )) P ( X = x | T ( X ) = T ( x ))
= g ( T ( x )|θ ) h( x )
Sekarang andaikan faktorisasi di atas berlaku. Misalkan q(t|θ ) adalah den-

sitas dari T ( x ). Untuk menunjukkan bahwa T ( X ) merupakan statistik cu-
kup, kita selidiki rasio f ( x |θ ) /q ( T ( x )|θ )
Definisikan
A T ( x) = {Y : T (Y ) = T ( x )} (3.7)
maka
f ( x |θ ) g ( T ( x )|θ ) h( x )
= (3.8)
q ( T ( x )|θ ) q ( T ( x )|θ )
g ( T ( x )|θ ) h( x )
= (de f inisi densitas dari T )
∑ AT (x) g ( T (Y )|θ ) h(y)
g ( T ( x )|θ ) h( x )
= (karena T konstan padaA T ( x) )
g ( T ( x )|θ ) ∑ AT (x) h(y)
h( x )
=
∑ AT (x) h(y)
Karena rasio ini tidak tergantung pada θ, maka T ( X ) adalah statistik cu-
kup untuk θ.
Contoh
Untuk distribusi normal dalam contoh di atas, dapat dilihat bahwa densi-
tas dapat difaktorkan sebagai:

!
n
f ( x | µ) = (2πτ )2 −n/2
exp − ∑ ( xi − x ) 2
/2τ 2 2
exp −n( x − µ) /2τ 2
i =1
(3.9)
Kita dapat mendefinisikan:
!
n
h( x ) = (2πτ 2 )−n/2 exp − ∑ (xi − x)2 /2τ2 (3.10)
i =1
dan bentuk ini tidak tergantung pada parameter µ.

Faktorisasi di atas yang memuat µ tergantung pada sampel x hanya mela-
lui T ( X ) = X. Sehingga didapat

2 2
g(t | µ) = exp −n(t − µ) /2τ (3.11)
dan perhatikan bahwa
f ( x | µ) = h( x ) g ( T ( x ) | µ) (3.12)
Jadi, dengan menggunakan teorema Faktorisasi; T ( X ) = x adalah statistik

cukup untuk µ.
Dalam contoh-contoh di atas, statistik cukup adalah suatu fungsi berhar-
ga real dari sampel. Semua informasi tentang θ dalam sampel disarikan
dalm satu bilangan T ( X ). Kadang-kadang informasi tidak dapat disarik-
an dalam satu bilangan dan sebagai penggantinya diperlukan beberapa
bilangan. Untuk keadaan ini, statistik cukup berupa vektor, katakanlah
− − −
T(X ) = T1 ( x ), ..., Tn ( x ) . Keadaan ini sering terjadi bila parameter juga
−
merupakan vektor, katakanlah θ = (θ1 , ..., θs ); biasanya r = s, walaupun
tidak selalu teorema faktorisasi juga dapat digunakan untuk menentukan
statistik cukup bernilai vektor.
Contoh

Andaikan kembali bahwa x1 , x2 , ..., xn . adalah i.i.d v N (µ, τ ) tetapi

tidak seperti contoh di muka. Misalkan µ dan τ 2 kedua-duanya tidak
−
diketahui, sehingga vektor parameter adalah θ = (µ, τ 2 ). Sekarang,
bila menggunakan Teorema Faktorisasi, setiap bagian densitas yang
tergantung pada µ dan τ 2 harus dimasukkan dalam fungsi g. Terlihat
−
bahwa densitas tergantung pada sampel x hanya melalui
− _
T1 ( x ) = X (3.13)
dan
−
T2 ( x ) = s2 (3.14)
n −
= ∑ ( x i − X )2 / ( n − 1)
−
Jadi, kemudian dapat mendefinisikan h( x ) = 1 dan
g(t|θ ) = g(t1 , t2 |µ, τ 2 ) (3.15)

= (2πτ 2 )−n/2 exp − n(t1 − µ)2 + (n − 1)t2 / 2t2
maka, dapat dilihat bahwa

− 2
− − 2
−
f ( x | µ, τ ) = g T 1 ( X ), T 2 ( X )|µ, τ h( X ) (3.16)
Jadi, dengan menggunakan Teorema Faktorisasi,

− − − −
T(X) = T 1 ( X ), T 2 ( X ) = ( X , S2 ) (3.17)
adalah statistik cukup untuk (µ, τ 2 ) dalam distribusi normal.
Untuk keluarga eksponensial, dengan menggunakan Teorema Fak-

torisasi, penentuan statistik cukup sangat mudah untuk dilakukan.

Contoh
Misalkan x1 , x2 , ..., xn . adalah i.i.d dengan densitas f ( x |θ ). Andaikan

f ( x |θ ) adalah keluarga eksponensial dengan densitas
!
k
f ( x |θ ) = h( x )c(θ ) exp ∑ Wi (θ ) ti ( x ) (3.18)
i =1
Maka
!
− n n
T(X) = ∑ t ( X j )... ∑ t (Xj ) (3.19)
i =1 1 i =1 k
adalah statistik cukup untuk θ.
3.3.2 Estimasi Titik
Kuantitas-kuantitas pada populasi, seperti mean (µ) atau varian (σ2 ) yang
umumnya tak diketahui. Kuantitas tersebut disebut dengan parame-
ter populasi. Karakteristik (distribusi) suatu populasi tergantung pada
parameter-parameter ini. Misalnya, distribusi Exponensial P(λ) tergatung
pada parameter λ, distribusi Normal N (µ, σ2 ) tergantung pada 2 parame-
ter mean µ dan variansi σ2 dan distribusi Binomial B(n, p) tergantung pa-
da 2 parameter banyak percobaan n dan peluang sukses dala tiap perco-
baan p. Secara umum lambang θ digunakan sebagai lambang parameter
populasi, sehingga distribusinya dapat tulis f ( x; θ ); θ ∈ Ω. Dalam hal ini
himpunan Ω disebut ruang parameter dan { f ( x; θ ); θ ∈ Ω} disebut kelu-
arga parametrik.
Jika pada populasi digunakan istilah parameter, maka pada sampel digu-
nakan istilah statistik. Statistik didefinisikan sebagai kuantitas-kuantitas
pada sampel. Contohnya; Xn dan Sn2 masing-masing merupakan statis-
tik atau kuantitas (mean dan varian) dari sampel yang berukuran n yang
mungkin diambil dari populasi berdistribusi f ( x; θ ) dengan θ tidak dike-
tahui.

Dalam contoh ini, untuk mengestimasi parameter θ, diambil sampel ran-

dom X1 , ..., Xn . Fungsi T = T ( X1 , ..., Xn ) disebut statistik. Statistik T yang
digunakan untuk mengestimasi θ disebut estimator dari θ dan ditulis θ. b
Estimator θb adalah suatu variabel random yang mempunyai fungsi proba-
bilitas tertentu yang disebut distribusi sampling.
Contoh
Misal X1 , ..., Xn sampel random yang diambil dari populasi b(1, p) dengan
p tidak diketahui. Maka X = n1 ∑in=1 Xi adalah estimator untup p. Estima-
tor yang lain misalnya T = 1/3, T = X1 , dan T = ( X1 + X2 )/2.
Perlu diperhatikan bahwa beberapa statistik dapat digunakan sebagai esti-
mator terhadap suatu parameter. Dari sini mucul masalah: Statistik mana
yang paling baik, atau misalnya statistik mana yang tak bias, efisien, dan
konsisten?
Ada beberapa jenis estimator penting berdasarkan sifat-sifatnya yang ak-
an dibahas pada bagian ini, yaitu estimator tak bias, estimator konsisten,
estimator esfisien, dan estimator minimum
3.3.2.1 Estimator Tak Bias
De f inisi
Suatu statistik θb disebut estimator tak bias untuk θ, jika E(θb) = θ, untuk
setiap θ ∈ Ω. Jika E(θb) 6= θ, maka θb disebut estimator bias.
Contoh
Jika X berdistribusi B(n, θ ), tunjukkan bahwa X/n adalah estimator tak

bias untuk θ!
Jawab
Karena E( X ) = nθ, maka E( X/n) = 1/nE( X ) = 1/n.nθ = θ. Jadi θb =

X/n adalah estimator tak bias untukθ

Contoh
n
Jika S2 = 1
n −1 ∑ ( Xi − X )2 adalah varian sampel random dari populasi
i =1
N (µ, σ2 ), tunjukkan bahwa E(S2 ) = σ2
Bukti
" #
1 n
n − 1 i∑
E ( S2 ) = E ( Xi − X ) 2 (3.20)
=1
" #
n
1 2
= E ∑ ( Xi − µ ) − ( X − µ )
n−1 i =1
" #
n
1 n o
n − 1 i∑
= E ( Xi − µ)2 − nE( X − µ)2
=1
" #
n
1
n − 1 i∑
= σ2 − n.σ2 /n = σ2
=1
Jadi θ̂ 2 = S2 adalah estimator tak bias untuk σ2
Contoh
Misal X1 , ..., Xn berdistribusi i.i.d uniform U (0, θ ). Kita ingin menentuk-

an estimator untuk θ dengan statistik maksimum. Jadi T = maks(
X1 , ..., Xn ) = Xmax = θ.
b Terlebih dahulu kita tentukan distribusi dari T.
1
U (0, θ ) ⇒ f ( x, θ ) = ; 0 < x < θ (3.21)
θ
P( T ≤ t) = P( Xmax ≤ t) = P( X1 ≤ t, X2 ≤ t, ..., Xn ≤ t) (3.22)
Karena X1 , ..., Xn independen maka
P( T ≤ t) = P( X1 ≤ t) P( X2 ≤ t) ...P( Xn ≤ t) (3.23)

Karena identik maka G (t) = [ F (t)]n dengan G (.) dan F (.) berturut-turut
fungsi distribusi dari T dan X. Jadi
dG (t)
g(t) = = n [ F (t)]n−1 . f (t) (3.24)
dt
Dari f ( x, θ ) = 1θ ; 0 < x < θ diperoleh F ( x ) = xθ , 0 < x < θ sehingga
ntn−1
g(t) = n [t/θ ]n−1 .1/θ = ;0 < t < θ (3.25)
θn
Sekarang kita tentukan
Zθ
E( T ) = tg(t)dt (3.26)
0
θ
ntn−1 n
Z
= t n = θ
0 θ n+1
Karena E( T ) 6= θ maka T adalah estimator bias. Tetapi jika dipilih

T1 = n+ 1
n Xmax maka T1 adalah estimator tak bias untuk θ, sebab E ( T1 ) =
n +1 n
n n +1 θ = θ
3.3.2.2 Estimator Konsisten
Sejauh ini estimator yang dibicarakan hanya untuk sampel berhingga. Se-
baliknya konsistensi adalah sifat asimptotis, yaitu menggambarkan sifat
estimator bila ukuran sampel menjadi tak hingga. Konsistensi adalah sifat
dari barisan estimator bukan dari estimator tunggal.
Barisan estimator Tn = Tn ( X1 , ..., Xn ) disebut estimator konsisten dari θ

jika untuk setiap ε > 0
P {| Tn − θ | ≥ ε} → 0 (3.27)
Definisi di atas menyatakan bahwa estimator konsisten pasti juga konver-

gen dalam probabilitas. Karena menurut ketaksamaan Chebyshev
E( Tn − θ )2
P {| Tn − θ | ≥ ε} ≤ (3.28)
ε2
maka E( Tn − θ )2 → 0 adalah syarat cukup suatu estimator konsisten.

Akibat definisi tadi, bila estimator dari θ yang memenuhi
1. Tn estimator tak bias
2. Var ( Tn ) → 0
maka Tn adalah estimator konsisten
Contoh
Diketahui X1 , ..., Xn berdistribusi i.i.d N (θ, 1). Perlihatkan bahwa X n ada-

lah barisan estimator konsisten.
Bukti
1. E( X n ) = 1/n.nθ = θ. Jadi X n estimator tak bias untuk θ

2. Var ( X n ) = 1/n → 0. Menurut akibat definisi di depan, maka
X n estimator konsisten.
3.3.2.3 Estimator Efisien
Berikut ini kita akan membandingkan dua estimator berdasarkan variansi

dari estimator tersebut.
De f inisi
Misalkan θb1 dan θb2 dua estimator tak bias untuk parameter θ. Estimator θb1
dikatakan lebih efisien daripada θb2 jika
Var (θb1 ) < Var (θb2 ) (3.29)

Contoh
Perhatikan kembali contoh T1 = n+ 1

n Xmax maka T1 adalah estimator tak
bias untuk θ. Dengan transformasi variabel diperoleh distribusi T1
n n +1 n −1 n+1
g ( t1 ) = t ; 0 < t 1 < θ (3.30)
( n + 1) n θ n 1 n
Selanjutnya akan dicari Var ( T1 )
Zb
n n +1 n+1
E( T12 ) = t21 n n
t1n−1 dt1 , dengan b = θ (3.31)
0 ( n + 1) θ n
( n + 1)2 θ 2
=
n ( n + 2)
Var ( T1 ) = E( T12 ) − { E( T1 )}2 (3.32)

( n + 1)2 θ 2
= − θ2
n ( n + 2)
θ2
=
n ( n + 2)
Kita dapat mencari estimator tak bias yang lain dengan menggunakan sta-
tistik minimum, namakan W = Xmin . Distribusi W sbb:
n w
g(w) = (1 − ) n −1 ; 0 < w < θ (3.33)
θ θ
dan
Zθ
n w θ
E(w) = w (1 − )n−1 dw = (3.34)
0 θ θ n+1
Jika dipilih T2 = (n + 1) Xmin sebagai estimator untuk θ maka T2 adalah
estimator tak bias untuk θ. Sehingga diperoleh distribusi T2
n t2
g ( t2 ) = (1 − ) n −1 ; 0 < t 2 < ( n + 1 ) θ (3.35)
( n + 1) θ ( n + 1) θ

dan
2( n + 1) θ 2
E( T22 ) = (3.36)
n+2
2( n + 1) θ 2 nθ 2
Var ( T2 ) = − θ2 = (3.37)
n+2 n+2
θ2 nθ 2
nampaklah bahwa Var ( T1 )= n ( n +2)
< n +2 = Var ( T2 ), untuk n > 1. Jadi
T1 lebih efisien daripada T2 .
3.3.2.4 Estimator Bayes
Pendekatan Bayesian dalam statistik secara fundamental berbeda dengan

pendekatan klasik seperti yang telah kita bicarakan di muka. Meskipun
demikian, beberapa aspek dari pendekatan Bayesian dapat berguna pa-
da beberapa pendekatan statistik yang lain. Sebelum masuk pada meto-
de pencarian estimator Bayes, kita bicarakan dahulu pendekatan Bayesian
pada statistika.
Dalam pendekatan klasik, parameter θ adalah kuantitas atau besaran te-

tap yang tidak diketahui. Sampel random x1 , ..., xn diambil dari populasi
berindeks θ dan berdasarkan harga-harga terobservasi dalam sampel, di-
dapat pengetahuan tentang θ.
Dalam pendekatan Bayesian, θ dipandang sebagai besaran yang variasin-

ya digambarkan dengan distribusi probabilitas (disebut distribusi prior).
Ini adalah distribusi subyektif berdasarkan pada keyakinan seseorang dan
dirumuskan sebelum data diambil. Kemudian sampel diambil dari popu-
lasi berindeks θ dan distribusi prior disesuaikan dengan informasi sampel
ini. Prior yang telah disesuaikan disebut distribusi posterior. Penyesuaian
ini dilakukan dengan menggunakan aturan Bayes, karena itu dinamakan
statistik Bayesian.
Bila distribusi prior dinyatakan dengan π (θ ) dan distribusi sampling den-

gan f ( x | θ ), maka distribusi posterior, yaitu distribusi bersyarat θ diberi-
kan x adalah

f (x | θ ) π (θ )
π (θ | x ) = (3.38)
m( x )
Perhatikan bahwa f ( x,θ ) = f ( x | θ ) π (θ ) dimana m(x) adalah distribusi

R
marginal dari x yaitu m( x ) = f ( x | θ )π (θ )dθ
Jadi distribusi posterior adalah distribusi bersyarat, yaitu bersyarat ter-
hadap observasi sampel. Sekarang distribusi posterior digunakan untuk
memberi pernyataan tentang θ, yang dipandang sebagai besaran random.
Sebagai contoh, mean distribusi posterior dapat digunakan sebagai titik
estimator dari θ.
Contoh
Misalkan X1 , ..., Xn adalah distribusi Bernoulli (1, p), maka Y = ∑ Xi
adalah Binomial (n, p). Kita andaikan bahwa distribusi prior dari p adalah
Beta (α, β). Distribusi bersama dari Y dan p adalah
!
n P ( α + β ) α −1
f (Y, p) = [ pY (1 − p)n−Y ][ p (1 − p ) β −1 ] (3.39)
y P(α) P( β)
!
n P ( α + β ) Y + α −1
= p ( 1 − p ) n −Y + β − 1
y P(α) P( β)
Densitas marginal dari Y adalah
Z 1
!
n P ( α + β ) P (Y + α ) P ( n − Y + β )
f (Y ) = f (Y, p)dp = (3.40)
0 y P(α) P( β) P(n + α + β)
f (Y,p) P(α+ β) P(n+α+ β)

Sehingga π ( p | Y ) = f (Y )
= P(α+α) P(n−α+ β)
p Y + α − 1 ( 1 − p ) n −Y + β − 1
Yang merupakan distribusi Beta (Y + α, n − y + β). Estimator alami un-
tuk p adalah mean dari distribusi posterior, dan ini memberikan estimator
a
Y +α
Bayes untuk p adalah p = β = α+ β+n
Bila kita mengestimasi parameter Binomial, kita tidak perlu memiliki dis-
tribusi prior dari keluarga beta. Tetapi, terdapat keuntungan dalam me-

milih keluarga beta, paling tidak kita mempunyai closed-form dari estima-
tor. Secara umum, untuk sembarang distribusi sampling terdapat keluarga
distribusi prior alami yang disebut keluarga konjugat.
De f inisi
Misalkan F adalah kelas densitas f ( x | θ ). Kelas π dari distribusi prior

disebut keluarga konjugat untuk F, bila distribusi posterior berada dalam
kelas π untuk semua f ∈ F,semua prior dalam π, dan semua x ∈ χ.
Contoh
Jika X v N (θ, τ 2 ) dan misalkan distribusi prior dari X adalah N (µ, τ 2 ).

Distribusi posterior dari θ juga normal dengan mean dan variansi
τ2 σ2
µ = E(θ | x ) = x + (3.41)
τ 2 + σ2 σ2 + τ 2
σ2 τ 2
Var ( x | θ ) = (3.42)
σ2 + τ 2
3.3.3 Metode Evaluasi Estimator Titik
Metode-metode yang dibicarakan dalam bab sebelumnya telah memberi-

kan gambaran teknik yang masuk akal dalam menentukan estimator ti-
tik untuk suatu parameter. Karena kita biasanya dapat menerapkan lebih
dari satu metode dalam suatu persoalan tertentu, maka kita dihadapkan
pada persoalan memilih diantaranya. Memang metode yang berbeda bisa
menghasilkan estimator yang sama (jika demikian, maka tugas kita sangat
mudah), tetapi pada umumnya metode yang berbeda juga akan mengha-
silkan estimator yang berbeda.
Dalam bab ini akan diperkenalkan konsep dasar untuk mengevaluasi esti-
mator dan menyelidiki kelakuan beberapa estimator terhadap kriteria ini.

3.3.3.1 Galat Kwadrat Rata-Rata
Ukuran kualitas estimator yang paling umum adalah galat kuadrat rata-
rata atau Mean Square Error (MSE). MSE merupakan jumlah Variansi dan
Biasnya
De f inisi
_
Galat kuadrat rata-rata ( MSE) dari estimator T ( x ) terhadap parameter θ
_ 2
adalah fungsi θ yang didefinisikan dengan Eθ ( T ( x ) − θ ) . Dengan mudah
dapat kita lihat bahwa:
_ 2
Eθ ( T ( x ) − θ ) = VarT ( x ) + ( Bias( T ( x ))2 (3.43)
_ _
dengan Bias T ( x ) = Eθ T ( x ) − θ.
Jadi MSE mempunyai dua komponen, variansi yang menguji variabeli-
tas (precision) estimator dan bias mengukur (accuracy) dari estimator. Ja-
di untuk
_ estimator
tak bias kita mempunyai MSE = Eθ ( T ( x ) − θ )2 =
Var T ( x ) .
Contoh
_
Misalkan X1 , ..., Xn adalah i, i, d N (µ, σ2 ). X dan S2 kedua-duanya adalah
_
estimator tak bias untuk µ dan σ2 , karena E( X ) = µ dan E(S2 ) = σ2 .
MSE dari kedua estimator adalah
_ _ σ2
E( X −µ)2 = Var ( X ) = (3.44)
n
2σ4
E(s2 − σ2 )2 = VarS2 =
n−1
Banyak estimator tak bias yang masuk akal jika dilihat dari MSE-nya. Na-
mun perlu ditekankan bahwa pengontrolan bias tidak otomatis pengon-
trolan MSE. Pada khususnya sering terjadi timbal balik antara varansi dan
bias, sedemikian hingga sedikit kenaikan bias dapat ditukarkan dengan
penurunan yang lebih besar pada variansi, yang hasilnya adalah perbai-
kan pada MSE.

Contoh
Estimator alternatif untuk σ2 adalah estimator maksimum likelihood
a2 1 n
_ n−1 2
σ =
n ∑ ( x i − x )2 = n
s
a2
Dengan mudah dapat dilihat bahwa E( σ ) = E( n− 1 2
n s ) =
n −1 2
n s
a2 a2
sehingga σ adalah estimator yang bias untuk σ2 . Variansi σ dapat dihi-
tung sebagai
a2 n−1 2 n−1 2 2( n − 1) 4
Var σ = Var ( s )=( ) Var (s2 ) = σ
n n n2
a
Karena itu, MSE (σ2 ) adalah
a2 2( n − 1) σ 4 n−1 2 2n − 1 4
E ( σ − σ2 ) = + ( σ − σ 2 2
) = ( )σ
n2 n n2
Jadi kita mempunyai
a2 2n − 1 4 2
E ( σ − σ2 ) = ( ) σ < ( ) σ 4 = E ( s2 − σ 2 )2 .
n2 n−1
a2
Yang menunjukkan bahwa σ mempunyai MSE yang lebih kecil dari S2 .
Jadi dengan mengadakan timbal balik antara variansi dan bias, MSE dapat
diperbaiki.
Catatan
Hasil di atas tidak berarti bahwa S2 tidak dapat dijadikan sebagai estima-
a2
tor dari σ2 . Hal di atas hanya mengatakan bahwa secara rata-rata σ lebih
dekat ke σ2 dibandingkan dengan σ bila MSE digunakan sebagai uku-
ran kebaikan. Pada umumnya, karena MSE adalah fungsi dari parameter,
maka tidak ada estimator ”terbaik” untuk θ. Yang sering kita lihat adalah
MSE dari dua estimator saling berpotongan, yang berarti kebaikan dari

estimator hanya bersifat lokal. Salah satu cara untuk mengatasi tidak ada-
nya estimator ”terbaik” adalah melalui pembatasan kelas estimator. Salah
satu pembatasan yang kita bicarakan adalah melalui kelas tak bias.
Misalkan kita ingin mengestimasi g(θ ). Dalam hal ini kita hanya memba-
tasi kelas estimator.
CT = { T : ET = g(θ )}
Untuk setiap T1 , T2 ∈ CT , Bias T1 =Bias T2 sehingga
MSE( T1 ) − MSE( T2 ) = VarT1 − VarT2 .
Ini berarti bahwa, dalam kelas CT , perbandingan MSE sama dengan per-
bandingan Variansi.
3.3.3.2 Estimator Terbaik
Tujuan dari bagian ini adalah menyelidiki metode penentuan estimator tak
bias ”terbaik” yang akan definisikan kemudian. Estimator terbaik menu-
rut pandangan klasik adalah estimator dengan variansi minimum dalam
kelas (himpunan) estimator tak bias untuk parameter tersebut. Sifat efi-
siensi estimator hanya membandingkan dua estimator tak bias, akibatnya
estimator yang lebih efisien belum tentu merupakan estimator terbaik.
De f inisi
Misalkan T ∗ merupakan estimator tak bias untuk g(θ ) atau E( T ∗) =

g(θ ). Jika untuk setiap estimator T yang memenuhi E( T ) = g(θ ) berla-
ku Var ( T ∗) ≤ Var ( T ) untuk setiap θ maka T ∗disebut estimator tak bias
terbaik (memiliki variansi minimum). Karena itu estimator terbaik ini di-
sebut dengan dengan estimator tak bias yang memiliki variansi minimum
seragam atau uniformly minimum variance unbiased estimator disingkat UM-
VUE.
Menentukan estimator tak bias terbaik (bila ada) bukan pekerjaan yang
mudah karena berbagai alasan dan salah satunya adalah sebagai berikut.

Contoh
_
Misalkan X1 , X2 ..., Xn adalah iid Poisson(λ). Jika x dan s2 masing-masing
_
adalah mean dan variansinya maka dengan mudah dapat dicari: E( X ) = λ
dan E(S2 ) = λ yang kedua-duanya merupakan estimator tak bias untuk
_
λ. Di sini kita tak cukup membandingkan Var ( X ) dan Var (S2 ) saja. Ka-
_ _
rena untuk setiap konstanta a berlaku T ( X ,S2 ) = aX +(1 − a)S2 adalah
estimator tak bias untuk λ. Jadi dalam hal ini ada tak terhingga estimator
tak bias.
Contoh ini menunjukkan bahwa untuk menentukan UMVUE diperlukan
penanganan yang menyeluruh. Salah satunya adalah dengan menentu-
kan batas-bawah variansi estimator yang mungkin. Batas bawah variansi
ini dikenal dengan nama batas bawah Cramer-Rao atau Cramer-Rao lower
bound disingkat CRLB sbb:
Misalkan dalam melakukan estimasi g(θ ) dari densitas f ( x | θ ) kita dapat
menentukan batas bawah, variansi dari setiap estimator tak bias, katak-
anlah B(θ ). Bila kemudian kita dapat menemukan estimator tak bias T ∗
sedemikian hinggaVar ( T ∗) = B(θ ) maka berarti kita mendapatkan UM-
VUE estimator.
3.3.3.3 Teorema Batas Bawah Cramer-Rao
Misalkan X1 Xn , ..., Xn adalah sampel dengan densitas f ( x | θ ) dan misal-

_ _
kan T ( X ) = T ( X1 , ..., Xn ) adalah sebarang estimator dengan E( T ( X )) ter-
deferensialkan dalam θ. Andaikan densitas bersama f ( x | θ ) = f ( x1 , ..., xn |
θ ) menentukan:
d
Z Z Z Z
_ _ _ _ ∂ _ _
... h( x ) f ( x | θ )d x = ... h( x ) f ( x | θ )d x (3.45)
dθ ∂θ
_ _
untuk setiap fungsi h( x ) dengan E | h( x ) | < θ. Maka
d _
_ dθ Eθ T ( x )
Var ( T ( x )) ≥ _
(3.46)
∂ log f ( x | θ ) 2

Eθ ∂θ

Bukti
Bukti teorema ini sederhana tetapi cantik, dan merupakan pemakaian

yang cerdik dari ketaksamaan Cauchy-Schwarz. Untuk sebarang dua va-
riabel random X dan Y berlaku
[Covar( X, Y )]2 ≤ (Var X ) (Var Y ) (3.47)
Bila kita menyusun kembali 3.47, kita akan mendapatkan batas bawah dari
variansi X,
[Covar( X, Y )]
VarX ≥
Var Y
_
Kelebihan teorema ini terletak pada_ pemilihan X dengan estimator T ( X )
∂ log f ( x |θ )
dan Y sama dengan besaran: ∂θ
_
∂ log f ( x |θ )
Pertama-tama kita harga harap: ∂θ .
_
_ ∂ f ( x |θ )
!
∂ log f ( x | θ )

∂θ
Eθ = Eθ _ (si f at log)
∂θ f (x| θ )
_
Z Z ∂ f ( x |θ )
_ _
= ... ∂θ
_ f ( x | θ )d x (de f inisi )
f (x| θ )
_
∂ f (x| θ ) _
Z Z
_
= ... d x (coret f ( x | θ ))
∂θ
d
Z Z
_ _
= ... f ( x | θ )d x (si f at3.1)
dθ
d
= 1
dθ
=0

Karena itu
_ _
∂ log f ( x | θ ) ∂ log f ( x | θ )

_ _
Cov T ( X ). = E T ( X ).
∂θ ∂θ
(3.48)
_
∂ f ( x |θ )
" #
_
∂θ
= E T(X) _
f (x| θ )
_
∂ f (x| θ )
Z Z
_
= ... dx
∂θ
d _
Z Z
_ _
= ... T ( X ) f ( x | θ )d x
dθ
d
= E( T ( X )
dθ
_
∂ log f ( x |θ )
Juga, karena E ∂θ = 0 didapat
_ _ 2 !
∂ log f ( x | θ ) ∂ log f ( x | θ )

Var =E (3.49)
∂θ ∂θ
karena itu
_ 2
d
_ dθ ET ( X )
Var T ( X ) ≥ _

∂ log f ( x |θ ) 2

E ∂θ
qed1 .
Untuk kasus sampel independen perhitungan batas bawah menjadi le-

bih sederhana. Perhitungan dalam penyebut menjadi perhitungan varia-
bel random univariat, seperti yang ditunjukkan dalam corollary berikut
ini.
1 terbukti (qed = Qound Eart Demonstrandum)

Akibat Cramer - Rao

_ _
Misalkan X1 , ..., Xn adalah iid dengan densitas f(x | θ ), misalkan T ( X ) =
_
T ( x1 , ..., xn ) sembarang estimator dari g(θ ) dengan E( T ( X )) fungsi θ yang
_
terdeferensialkan. Bila densitas bersama f(x | θ ) = π f ( xi | θ ) memenuhi
(3.1), maka
_ 2
d
_ dθ ET ( X )
Var T ( X ) ≥ _
(3.50)
∂ log f ( x |θ ) 2

nE ∂θ
Bukti
Kita hanya perlu menunjukkan bahwa
_ 2 ! _ 2 !
∂ log f ( x | θ ) ∂ log f ( x | θ )

E = nEθ
∂θ ∂θ
Karena X1 , ..., Xn independen
_ 2 2 !
∂ log f ( x | θ ) ∂ logπ f ( xi | θ )

Eθ =E
∂θ ∂θ
n 2 !
∂ log f ( xi | θ )

=E ∑ ∂θ
n 2 !
∂ log f ( xi | θ ) ∂ log f ( xi | θ ) ∂ log f ( xi | θ )

=E ∑ ∂θ
+∑E
∂θ ∂θ
untuk i 6= j kita mempunyai
∂ log f ( xi | θ ) ∂ log f ( xi | θ ) ∂ log f ( xi | θ ) ∂ log f ( x j | θ )

E =E E =0
∂θ ∂θ ∂θ ∂θ

Karena itu
n 2 ! 2 !
∂ log f ( xi | θ ) ∂ log f ( xi | θ )

∑E ∂θ
= nE
∂θ
dan corollary terbukti.

2
n
∂θ log π f ( xi | θ )
∂
Besaran E disebut informasi Fisher dari sampel.
Terminologi ini mencerminkan kenyataan bahwa informasi Fisher adalah
balikan dari variansi estimator tak bias terbaik dari θ. Dengan informasi
Fisher menjadi makin besar, variansi estimator tak bias terbaik menjadi
makin kecil. Ini berarti makin banyaknya informasi tentang θ.
Untuk sembarang fungsi terdeferensialkan g(θ ) sekarang kita mempunyai
_ _
batas bawah pada variansi sebaran estimator T ( X ) yang memenuhi ET ( X )
_
= g(θ ). Batas bawah tergantung pada g(θ ) dan f ( x | θ ) dan independen
dari estimator yang sedang diselidiki. Karena itu T ( X ) adalah batas bawah
_
seragam dari variansi, dan setiap estimator yang memenuhi ET ( X )= g(θ )
dan mencapai batas bawah ini adalah estimator tak bias terbaik dari g(θ ).
Lemma
_
Bila f ( x | θ ) memenuhi
Z
∂ ∂ ∂ ∂
E log f ( x | θ ) = log f ( x | θ ) f ( x | θ ) dx (3.51)
∂θ θ ∂θ ∂θ ∂θ
(benar untuk kasus eksponensial), maka
∂ log f ( xi | θ ) ∂2 log f ( xi | θ )

E = nE (3.52)
∂θ ∂θ 2
Contoh
Misalnya diberikan variabel random Poisson. Dalam hal ini g(λ) = λ.
Sehingga g1 (λ) = 1. Karena Poisson adalah keluarga eksponensial, ma-
ka lemma berlaku. Karena itu

2 ! n !
∂2 log π f ( x | λ)

∂ n
E log π f ( xi | λ) = −nE (3.53)
∂λ ∂λ2
e−λ λ x

∂
= −nE log
∂λ x!
∂2

= −nE (−λ + x logλ − log x!)
∂λ2
x
= −nE(− )
λ2
1 n n
= −n. − 2
E( x ) = 2 .λ =
λ λ λ
_ _
Karena itu untuk sebarang estimator tak bias T ( X ) harus berlaku VarT ( X
) ≥ λn batas bawah C-R
_ _
Karena Var X ≥ λ
n , maka X adalah UMVUE dari λ.
Sangat penting untuk diingat bahwa kunci dalam Teorema Cramer-Rao
adalah kemampuan untuk mendiferensialkan di bawah tanda integral
yang dengan sendirinya agak terbatas penerapannya. Seperti telah kita ke-
tahui densitas dalam kelas eksponensial akanmemenuhi persyaratan ini,
tetapi secara umum andaian tersebut harus dilihat kebenaraannya.
Contoh
Misalkan X1 , ..., Xn adalah iid dengan densitas f ( x |θ ) = 1/θ dan 0 < x < θ
.
_

∂ log f ( x |θ ) ∂ log f ( x |θ ) 2
Karena ∂θ = −1/θ, maka E ∂θ = 1/θ 2
Teorema Cramer-Rao mengindikasikan bahwa bila T adalah sebarang esti-

2
mator tak bias dari θ, maka Var ( T ) ≥ θn
Akan dicari estimator yang tak bias dan variansinya lebih kecil. Sebagai
dugaan pertama pandang statistik cukup Y = Maks( X1 , ..., Xn ). Densitas
dari Y adalah

n Y n −1
f (Y |θ ) = nY n−1 /θ n , 0 < Y < θ, maka E[Y ] = n
Rθ
0 θn dy = n +1 θ
n
Ini menunjukkan bahwa n +1 Y adalah estimator tak bias untuk θ. Sekarang
kita hitung
n n 2 n 2 n
2 2

Var ( n+ 1 Y ) = ( n+1 ) Var Y = ( n+1 ) EY − ( n+1 θ )
n 2
n 2 n 2

= ( n+ 1) n +1 θ − ( n +1 θ )
θ2
= n ( n +2)
θ2
Yang secara seragam lebih kecil dari n.
Ini menunjukkan bahwa Teorema Cramer-Rao tidak dapat diterapkan pa-

da densitas ini. Untuk menunjukkan ini, gunakan aturan Leibnitz.
d d 1 d 1 θ
Rθ Rθ R
dθ 0 h ( x ) f ( x | θ ) dx = dθ 0 h ( x ) θ dx = dθ θ 0 h ( x )) dx
(
= h(θθ ) + 0 h( x ) ∂θ ∂ 1
R θ
( θ ) dx
6= 0 h( x ) ∂ f (∂θx | θ ) dx.
Rθ
h(θ)
Kecuali θ = 0 untuk semua θ. Karena itu, Teorema Cramer-Rao tidak
berlaku.
Kelemahan metode pencarian UMVUE ini, walaupun Teorema Cramer-
Rao dapat diterapkan adalah tidak ada jaminannya bahwa batas bawahn-
ya cukup tajam, atau dengan perkataan lain harga batas bawah Cramer-
Rao lebih kecil dari variansi sebaran estimator tak bias. Bila f ( x |θ ) adalah
keluarga eksponensial parameter satu regular maka hal ini akan tidak ter-
jadi yaitu bila estimator tak bias dari g(θ ) ada, maka pasti akan ada estima-
tor tak bias yang mencapai batas bawah Cramer-Rao. Tetapi, dalam kasus-
kasus lain, batas ini bisa tidak tercapai.
Contoh
Misalkan X1 , ..., Xn adalah iidN (µ, σ2 ), dan pandang estimator σ2 dalam
hal µ tidak diketahui. densitas normal memenuhi andaian Teorema
Cramer-Rao, sehingga
∂2 ( x − µ )2

1 x− µ
− 12 ( σ )2 1
log e = −
∂ ( σ 2 )2 (2πσ2 )1/2 2σ4 σ6

dan
!
2
∂2 (x− µ)

1 1
−E log f ( x |µ, σ2 ) = −E − =
∂ ( σ 2 )2 2σ 4 σ6 2σ4
2σ4
Jadi, setiap estimator tak bias T dari σ2 harus memenuhi Var ( T ) ≥ n
2σ4
Kita telah mengetahui bahwa Var (S2 ) = n −1 . Jadi S2 tidak mencapai
CRLB
Dalam contoh di atas sebenarnya kita mempunyai pertanyaan yang belum
terjawab, yaitu apakah ada estimator dari σ2 yang lebih baik dari S2 atau
CRLB tak bisa dicapai?
Syarat pencapaian CRLB sebenarnya cukup sederhana. Hal ini mengin-
gat bahwa terjadi dari pemakaian ketaksamaan Cauchy-Schwarz, sehingga
syarat pencapaian batas bawah tersebut adalah syarat kesamaan dalam
ketaksamaan Cauchy − Schwarz. Perhatikan juga bahwa corollary di ba-
wah merupakan alat berguna karena secara implisit memberikan cara pa-
da kita untuk mendapatkan estimator tak bias terbaik.
Akibat
Misalkan X1 , ..., Xn adalah iid f ( x |θ ) memenuhi syarat-syarat Teorema
_ n
Cramer-Rao. Misalkan L(θ | x )= ∏i=1 f ( xi |θ ) menyatakan fungsi like-
_
lihood. Bila T ( X ) = T ( X1 , ..., Xn ). adalah sembarang estimator tak bias
_
dari g(θ ), maka T ( X ) mencapai Cramer-Rao Lower Bound jhj
_
_ ∂ log L( θ | x )
a(θ )[ T ( X ) − g(θ )] =
∂θ
untuk suatu fungsi a(θ ).
Bukti
Ketaksamaan Cramer-Rao dapat ditulis sebagai
" !#2 !
_ n _ n
∂ ∂
Cov T ( X ), log ∏ f ( xi |θ )) ≤ VarT ( X )Var log ∏ f ( xi |θ ))
∂θ i =1
∂θ i =1


n
Dengan mengingat E( T ) = g(θ ) dan E ∂
∂θ log ∏i=1 f ( xi |θ ) = 0 dan
menggunakan hasil teorema yang mengatakan bahwa korelasi T dan
n
∂
∂θ log ∏i=1 f ( xi |θ ) harus ±1
_ n
maka T ( X ) − g(θ ) harus sebanding dengan ∂
∂θ log ∏i=1 f ( xi |θ ).
Contoh
Di sini kita mempunyai
1 ( Xi − µ ) 2
2 _ − 12 ∑

L µ, σ | x = n/2
e σ2
(2πσ2 )
Karena itu
_ !
∂ log L ( µ , σ2 | x ) n n
( Xi − µ ) 2
∂ σ2
=
2 σ4 ∑ n
− σ2
Jadi dengan mengambil (σ2 ) = 2σn 4 menunjukkan bahwa estimator tak bisa
terbaik dari σ2 adalah ∑ ( Xi − µ)2 /n, yang dapat dihitung bila µ diketa-
hui. Bila µ tak diketahui, CRLB tidak dapat dicapai
Akibat
Jika θb adalah estimator tak bias untuk θ dan
1
Var (θb) = (3.54)
n.E [(∂ ln f ( x )/∂θ )2 ]
maka θb adalah UMVUE
3.3.4 Metode Estimasi Titik
Pada prinsipnya ada 2 metode estimasi titik yang paling sering dugunak-
an yaitu metode momen atau Moment Method of Estimation (MME) dan Ma-
ximum Likelihood Method of Estimation (MLE) yang akan diuraikan pada ba-
gian berikut ini.

3.3.4.1 Metode Momen
Metode momen yang diciptakan oleh Karl Pearson pada tahun 1800
adalah metode tertua dalam menentukan estimator titik. Misalkan
x1 , x2 , ..., xn adalah sampel dari populasi dengan densitas f ( x | θ1 , ..., θk ).
Estimator metode momen didapat dengan menyamakan k momen sam-
pel pertama pada k momen sampel populasi, dan menyelesaikan sistem
persamaan simultan yang dihasilkan.
Definisi
Misalkan X1 , ..., Xn adalah sampel random populasi yang i.i.d dengan dis-
tribusi f ( x/θ1 , ..., θk ). Estimator metode momen adalah solusi dari persa-
maan µr0 = mr0 (r = 1, 2, ..., k ). Dalam hal ini µr0 = E( X r ) adalah momen
n
populasi ke-r dan mr0 = 1/n ∑ Xir adalah momen sampel ke-r,
i =1
Lebih tepatnya untuk j = 1, 2...., k definisikan:
n
1
m1 =
n ∑ Xi1, µ1 = EX1 (3.55)
i =1
n
1
m2 =
n ∑ Xi2, µ2 = EX2
i =1
.
.
.
n
1
mr =
n ∑ Xik , µk = EXr
i =1
Momen populasi µ j biasanya merupakan fungsi dari θ1 , ..., θr ,katakanlah

− −
µ j (θ1 , ...θr ). Estimator metode momen (θ1 , ..., θk ) dari (θ1 , ..., θr ) dalam ben-
tuk (m1, ..., mr ), di mana:

m1 = µ1 (θ1 , ..., θk ) (3.56)

m2 = µ2 (θ1 , ..., θk )
.
.
.
mr = µk (θ1 , ..., θr )
Contoh
Misalkan X1 , ..., Xn adalah i.i.d v N (θ, τ 2 ). Dalam hal ini θ1 = θ dan θ2 =
−
1
τ 2 . Kita mempunyai m1 = X , m2 = 2
n ∑ Xi , µ1 = θ, µ2 = θ 2 + τ 2 . Di sini
−
kita harus menyelesaikan X = θ dan n1 ∑ Xi2 = θ 2 + τ 2
Contoh
Misalkan X1 , ..., Xn adalah i.i.d Binomial (k, p), yaitu,

!
k
P ( Xi = x | p ) = p x (1 − p)k− x , x = 0, 1, ...k. (3.57)
x
Di sini diandaikan bahwa k dan p kedua-duanya tidak diketahui.

Dengan menyamakan dua momen sampel pertama dan momen populasi
didapat sistem persamaan
−
X = kp (3.58)
1
n∑ i
X 2 = kp(1 − p) + k2 p2 (3.59)
Hasilnya adalah:
−2 −
∼ X ∼ X
k= − −
dan p = ∼ (3.60)
X − n1 ∑ ( Xi − X )2 k

3.3.4.2 Metode Maksimum Likelihood
Metode maksimum likelihood adalah metode yang paling populer dalam

menghasilkan estimator yang ditemukan oleh R.A Fisher.
Definisi
Misalkan X1 , ... Xn adalah i.i.d sampel dari populasi dengan densitas f ( x |
θ1 , ..., θk ). Fungsi likelihood didefinisikan sebagai:
∼ − n
L( θ | X ) = L(θ1 , ..., θk | X1 , ...Xn ) =π f ( xi | θ1 , ..., θk ) (3.61)
_ _ _
Untuk setiap titik sampel x, misalkan θ ( x ) adalah harga parameter di
∼ _ _ _
mana L( θ | X ) sebagai fungsi θ dengan menganggap x konstan mencapai
_
maksimumnya. Estimasi maksimum likelihood (MLE) dari θ berdasarkan
_ _ _
sampel x adalah θ (x ).
Perhatikan bahwa dari konstruksinya, jelajah dari MLE berimpit dengan
jelajah dari parameter. Secara intuitif, MLE adalah estimator yang masuk
akal, karena MLE adalah titik parameter dengan sampel terobservasi pa-
ling mungkin terjadi. Meskipun demikian perhatikan juga sensitivitas pe-
rubahan data.
Bila fungsi likelihood terdeferensialkan (dalam Estimator) maka calon
MLE yang mungkin adalah harga-harga (θ1 , ..., θk ) sedemikian hingga
_
dL (θ | x )
= 0, i = 1, 2, ..., k (3.62)
dθi
Perhatikan bahwa 3.62 hanyalah syarat perlu untuk terjadinya maksi-

mum.
Contoh
Misalkan X1 , ..., Xn adalah i.i.d v N (θ, 1), dan misalkan:
∼ _ n 1 1
− 21 ( xi −θ )2 − 12 ∑( xi −θ )2
L ( θ | X ) = π i =1 e = e (3.63)
(2π )1/2 (2π )n/2

_ n _
dL (θ | x )
Persamaan dθi = 0 menghasilkan ∑i=1 ( xi − θ ) = 0 hasilnya adalah θ
_
=x .
_ _
Karena itu x adalah calon MLE untuk membuktikan bahwa x benar-benar
maksimum global, harus ditunjukkan bahwa
_
d2 L ( θ | x )
|θ =x_ < 0 (3.64)
dθ 2
Catatan
Untuk setiap bilangan a berlaku
n n
_
∑ ( x i − a )2 ≥ ∑ ( x i − x )2 (3.65)
i =1 i =1
_
kesamaan berlaku bhb a = x . Ini berati bahwa untuk setiap θ berlaku
1 2 1 _ 2 _ _ _
e− 2 ∑( xi −θ ) ≤ e− 2 ∑( xi − x) dengan kesamaan bhb θ = x. Karena itu x adalah
MLE.
Dalam banyak kasus, di mana deferensiasi digunakan. Kita akan lebih mu-
_ _
dah bekerja pada logaritma alam dari L(θ | x ) yaitu logL(θ | x ). Dikenal
_
sebagai log likelihood dari pada L(θ | x ) nya sendiri. Hal ini dimungkinkan
_
karena fungsi log naik tegas pada (0, ∞), yang berarti bahwa L(θ | x ) dan
_
log L(θ | x ) mempunyai ekstrem yang sama.
Contoh
Misalkan x1 , ..., xn adalah i.i.d Bernoulli ( p).
Maka fungsi likelihood adalah
_ n
L ( p | x ) = π i =1 p x i (1 − p )1− x i = p y (1 − p ) n − y (3.66)
di mana y = ∑ xi . Walaupun fungsi ini untuk diambil derivatifnya, namun

akan lebih mudah mengambil derivatif likelihoodnya.
_
LogL( p | x ) = y log p + (n − y) log(1 − p). (3.67)

_
Bila 0 < y < n, mendeferensialkan Log L( p | x ) dan menyamakannya
a
dengan nol memberikan hasil p = y/n. selanjutnya dengan mudah dapat
dibuktikan bahwa y/n adalah maksimum global. Untuk y = 0 atau y = n,
maka
_ n log(1− p), bila y=0

LogL( p | x ) = {n log p, bila y=n (3.68)
_
Dalam keadaan bagaimanapun Log L( p | x ) fungsi monoton dari p, dan
a
mudah dilihat bahwa p = y/n.
Hal penting yang perlu diperhatikan dalam mendapatkan MLE, adalah

jelajah ruang parameter.
Contoh:
1. Misalkan x1 , ..., xn adalah i.i.d v N (θ, 1), tetapi diketahui bahwa θ ≥

0.
_
(a) Bila tidak ada batasan pada θ, kita telah mengetahui bahwa x
_
adalah MLE dari θ. Tetapi bila x < 0, maka harga tersebut berada
di luar ruang parameter.
_ _
(b) Bila x < 0, maka L(θ | x ) fungsi turun dari θ untuk θ ≥ 0 dan
a a _ _
mencapai maksimum untuk θ = 0. Karena itu, θ = x bila x ≥ 0
a _
dan θ = 0 bila x < 0.
2. Misalkan x1 , ..., xn adalah iid dengan distribusi seragam pada (0, θ ).
_ 0 untuk θ <maks x
L(θ | x ) = {θ −n untuk θ ≥maksi x (3.69)
i
a
Maka θ = maks xi .
3. MLE belum tentu tunggal.

Misalkan x1 , ..., xn adalah i, i, d dengan distribusi seragam pada (θ −
1 1
2 , θ + 2 ).

1 (θ − 12 ≤ x ≤ θ + 12 ).
f ( x | θ ) = {0 yang lain (3.70)
_ 1 bila maks xi − 21 ≤ θ ≤ min xi + 1

L ( θ | x ) = {0 yang lain.
2
(3.71)
1 1
Jadi setiap θ diantara maks xi − 2 dan min xi + 2 adalah MLE.
Barangkali salah satu sifat yang paling berguna dari MLE adalah si-
fat invariannya. Misalkan dalam hal ini kita tertarik pada estimasi
g(θ ) dengan θ → g(θ ) fungsi satu-satu. Sifat invarian mengatakan
a a
bahwa kalau θ adalah MLE dari θ maka g( θ ) juga MLE dari g(θ ).
Misalkan η = g(θ ). Maka g−1 (η ) = θ. Selanjutnya
_ n

∗ −1
L (η | x ) = f ( xi | g
π i =1 (η ) (3.72)
_

= L g −1 ( η ) | x (3.73)
dan
_ _ _

∗ −1
Supη L (η | x ) = Supη L g (η ) | x = Supθ L(θ | x ) (3.74)
_ a
Jadi, maksimum dari L∗ (η | x ) dicapai pada η = g(θ ) = g( θ ), yang
a
menunjukkan bahwa MLE dari g(θ ) adalah g( θ ).
_
Bila θ = (θ1 , ..., θk ) multidimensi, maka persoalan menentukan MLE
adalah persoalan memaksimumkan fungsi beberapa variabel. Bi-
la fungsi likelihood terdiferensialkan, maka menyamakan turunan-
turunan parsial pertama sama dengan nol memberikan syarat perlu
terjadinya ekstrim. Tetapi, dalam kasus multidimensi, penggunaan
turunan kedua untuk menguji maksimum adalah pekerjaan yang
membosankan, dan untuk menghindarinya metode lain bisa dicoba.

4. Misalkan X1 , ..., Xn adalah i.i.d v N (θ, τ )2 dengan θ dan τ 2 kedua-

duanya tak diketahui, maka
n
_ 1 1 2
/ θ2
L(θ, τ 2 | x ) = n e − 2 ∑ ( xi − θ ) (3.75)
(2πτ 2 ) 2
dan
n
_ n n 1
log L(θ, τ 2 | x ) = − log 2n − log τ 2 −
2 2 2 ∑ (xi − θ )2 /τ2 (3.76)
i =1
Turunan-turunan parsial terhadap θ dan τ 2 adalah:
n
∂ _ 1
∂θ
log L(θ, τ 2 | x ) = 2
τ ∑ ( xi − θ )
i =1
dan
n
∂ _ n 1
∂τ 2
log L(θ, τ 2 | x ) = − 2 + 4
2τ 2τ ∑ ( xi − θ )
i =1
Dengan menyamakan kedua turunan parsial tersebut dengan nol di-

dapat penyelesaian:
a _ n
θ = x dan τ 2 = n−1 ∑i=1 ( xi − θ )2 untuk membuktikan bahwa penye-
lesaian ini adalah maksimum global, pertama-tama perhatikanlah:
_ _
bila θ 6= x, maka ∑( xi − θ )2 ≥ ∑( xi − x )2 . Karena itu untuk setiap
harga τ 2 .
1 1 _ 2
/ τ2 1 1 2
/ τ2
n e − 2 ∑ ( xi − x ) ≥ n e − 2 ∑ ( xi − θ )
(2πτ 2 ) 2 (2πτ 2 ) 2
Sekarang persoalannya menjadi persoalan satu dimensi dan

_ 2
1

2 − 1
(τ ) 2 exp − 2 ∑( xi − x ) /τ 2
_
mencapai global maksimum pada τ 2 = n−1 ∑( xi − x )2 .
_ _
Jadi kesimpulannya x, n−1 ∑( xi − x ) adalah MLE.

1. Jika x1, x2 , ...xr variabel random independen berdistribusi Poisson

P(λi ); dengan λi = ai λ, diketahui ( ai > adiketahui), tunjukkan
T ( x ) = Σxi adalah statistik cukup untuk λ
Penyelesaian:
Xi ∼ P( ai λ), berarti fungsi pembangkit momen dari Xi adalah:
t
M x i ( t ) = e a i λ ( e −1)
dan fungsi padat peluangnya adalah:
( a i λ ) xi e − ai λ
f ( xi | λ ) = ; xi = 0, 1, 2, ..
xi
Selanjutnya fungsi pembangkit momen dari distribusi Poisson
λΣai adalah:
MT ( x ) ( t ) = MΣxi (t) = πir=1 Mxi (t) : karena xi independen.

eλ(e −1)Σai
t t
= πir=1 e ai λ(e −1) =
Jadi: T ( x ) = Σxi berdistribusi P(λΣai )dengan fungsi padat peluang:
(λΣai )t e−λΣai
f (Σxi = t | λ) = ; t = 0, 1, 2, ..
t
Sekarang perbandingan dari:
f (x| ) πir=1 [e− ai λ ( ai λ) xi xi !]
V
f (Σx =t| )
V = t −λΣai ; dengan t = Σxi
i (λΣai ) e t!
x
−λΣai λΣxi πir=1 a i
e i
π r xi !
i =1
= e − λΣa i λt (Σai )t
xt!
−λΣai λΣxi πir=1 a i
e i t!
= πir=1 xi ! .
e−λΣai λt (Σai )t
π r a xi
t! i =1
= .
t πr x !
(Σai ) i =1 i
xi
t! r a i
= .π bebas dari parameterλ
(Σai )t i =1 xi !

Terlihat bahwa hasil terakhir ini tidak bergantung pada parameter λ.

Dengan demikian disimpulkan T ( x ) = Σri=1 xi adalah statistik cukup
untuk λ
2. Misalkan f fungsi integrabel yang positif terdefinisi pada (0, ∼), dan
misalkan Pθ ( x ) adalah fungsi kepadatan peluang pada (0, θ )dengan
definisi:
(
C (θ ) f ( x ) ; 0<x<0
Pθ ( x ) =
0 ; otherwise
Jika x1 , x2 , ...xn variabel random iid dengan densitas Pθ , tunjukkan
x(n) adalah statistik cukup untuk θ
Penyelesaian
Misalkan: Z = x(n) = maximum xi ;1≤ i ≤ n, maka: P( Z ≤ z) =
P( x1 ≤ z, x2 ≤ z, ..., xn ≤ z)
F (z) ={ P( x ≤ z)}n , sebab xi idd
R z n
f (z) = 0 Pθ ( x )dx
R z n R z n
= 0 c(θ ) f ( x )dx = [c(θ )]n 0 f ( x )dx
Z z
n
0 d n
Pθ (z) = F (z) = [c(θ )] f ( x )dx (3.77)
dz 0
Karena Xi iid maka:
Pθ ( x ) = πin=1 Pθ ( xi ) = πin=1 c(θ ) f ( x ) = [c(θ )]n { f ( x )}n (3.78)
Sekarang diambil rasionya diperoleh:
Pθ ( x ) [C (θ )]n { f ( x )}n
= n
Pθ ( Z = x(n) ) [C (θ )]n dz
d
{ 0z f (x)dx}
R
{ f ( x )n }
= d
Rz n
dz { 0 f ( x ) dx }
Ternyata rasio ini independen dari θ, berarti dapat disimpulkan Z=

X(n) adalah statistik. cukup untuk parameter θ.
3. Misalkan x1 , x2 , ...xn variabel random iid dengan N σ, σ2 ; σ > 0,

Tentukan himpunan dari statistik cukup minimal

Penyelesaian:
• Fungsi padat peluang bersama dari xi adalah:

− n 2 − 1 Σ ( x − r ) 2
f (x | θ ) = 2πσ2 e 2σ dengan θ =
2
σσ danyi adalah :
− n 2 − 1 Σ ( y − σ ) 2
f y | θ = 2πσ2 e 2σ
• Rasio dari kedua persamaan ini adalah:

− n 2 − 1 Σ ( x − r ) 2
f ( x,v|θ ) (2πσ2 ) e 2σ
f (u,v|θ )
= − n 2 − 1 Σ ( y − σ ) 2
(2πσ2 ) e 2σ
2
= − 1
e 2σ Σ ( x − σ ) 1
+ 2σ Σ ( y −r )2
2 −2σx + σ2 2 + 1 Σ 2
e− 2σ Σ( x
1
= ) 2σ (y2 −2σy+σ2 )
1 2 2 2
= e
− 2σ (Σx2 −Σy2 )+ 2σ
2σ2 e
Σx − σ 2 − 2σ2 Σy+ σ 2
2σ 2σ 2σ
e− 2σ (Σx −Σy )+ σ Σx− σ Σy

1 2 2 1 1
=
e− 2σ (Σx −Σy )+ σ (Σx−Σy)
1 2 2 1
=
• Jelas rasio ini independen dari θ = σσ2 ⇐⇒ Σx = Σydan

Σx2 , Σy2 . Dengan demikian T ( x ) = Σx, Σx2 adalah himpun-

an statistik cukup minimal untuk θ = σσ2
4. Misalkan x1 , x2 , ...xn variabel random independen berdistribusi

U (θ − a, θ + b), dengan a,b>o diketahui dan θeΩ = IR.
(a) Tentukan momen estimator untuk θ
(b) Hitung variansinya
Penyelesaian:
1
(a) x ∼ U (θ − a, θ + b) , berarti f ( x | θ ) = b+ a dengan

(θ − a ≤ x ≤ θ + b). Dihitung ekpektasi dari x, yaitu

R θ +b 1
f (x) = θ −Ra x. b+ a
1 θ +b
= b+ a θ − a xdx
h iθ +b
1 1 2
= b+ a 2 x
n θ −a o
1 2 2
= 2( b + a )
( θ + b ) − ( θ − a )
1
2 2 2 2

= 2( b + a )
θ + 2θb + b − θ + 2θa − a
1 2 + −a

= 2( b + a )
2θb + 2θa + b
1 2 − a2

= 2( b + a )
2θ ( b + a ) + b
1
= 2( b + a )
{2θ (b + a) + (b + a) (b − a)}
= θ + b−2 a
Persamaan metode memennya adalah: n1 ∑in=1 xi = x = θ Λ +

b− a
2 , sehingga, momen estimator untuk parameter θ adalah
Λ
θ = x − + b−2 a
(b) Untuk menghitung variansinya, terlebih dahulu dihitung

E x2 sebagai berikut:

R θ +b 1
E x2 =

θ − a x. b+ a dx
h iθ +b
1 1 3
= x
nb + a 3 θ −a o
1 3 3
= 3( b + a )
(θ + b) − (θ − a)
= 3(b1+a) θ 3 + 3θ 2 b + 3θb2 + b3 − θ 3 − 3θ 2 a + 3θa3 + a2

1
2 2 a + 3θb2 − 3θa2 + b3 + a3

= 3( b + a )
3θ b + 3θ
1 2 − 3θa2 + b3 + a3

= 3( b + a )
3θ θb + θa + b
θ 2 (b+ a) θ 2 ( b2 − a2 ) ( b3 + a3 )
= (b+ a)
+ (b+ a)
+ 3( b + a )
2 θ (b− a)(b+ a) (b+ a)(b2 − ab+ a2 )
= θ + (b+ a)
+ 3( b + a )
2 − ab + a2
( b )
= θ 2 + θ (b − a) + 3

Selanjutnya, dihitung variansi estimator θ, yaitu θ Λ

2
b−a b−a b−a

Λ
V θ = V x− =E x− −E x−
2 2 2
2
b−a b−a

= E x− − E (x) + = E { x − E ( x )}2
2 2

1 n 1
= V (x) = V Σi=1 xi = 2 .V (Σin=1 xi )
n n
1 1 1 n 2 2 o
= .nV ( x ) = V ( x ) = E x − E x
n2( n n
2 − ab + a2 2 )
−

1 b b a
= θ 2 + θ (b − a) + − θ+
n 3 2
( !)
2 − ab + a2 2
1 b ( b − a )
= θ 2 + θ (b − a) + − θ + θ (b − a) +
n 3 4
( ) ( )
1 b2 − ab + a2 (b − a)2 1 4b2 − 4ab − 4a2 − 3 (b − a)2
= − =
n 3 4 n 12
4b2 − 4ab − 4a2 − 3b2 − 6ab − 43a 4b + 2ab + a2

1 1
= = =
n 12 n 12
1 ( a + b )2
( a + b )2 =
12n 12n
5. Jika x1 , x2 , ...xn variabel independen berdistribusi U (−θ, θ )dengan

θeΩ=(0, ∝)
apakah metode momen memberikan suatu estimator untuk θ?
Penyelesaian:
1
X ∼ U (−θ, θ ), berarti f ( x | θ ) = 2θ ; −θ ≤ x ≤ θ
Rθ Rθ 1
E ( x ) = −θ f ( x | θ ) dx = xdx
Jadi: h iθ −θ 2θ
1 1 2 1 2 2
= 2θ 2 x = 4θ θ − (−θ ) =0
−θ
Sehingga diperoleh persamaan metode momennya yaitu:
n
E ( x ) = n1 Σi=i 1 Xi = X = 0, karena E ( x ) = 4θ
1
.0 = 0

maka θ = 0atau θ Λ = 0, dengan demiian metode momen tidak mem-

berikan suatu estimator untuk θ.
6. Jika x1 , x2 , ...xn variabel random iid berdistribusi binomial negatif de-

ngan parameter θeΩ (0, 1)
Tunjukkan bahwa : r+r x adalah MLE untuk θ
Penyelesaian:
• Xi =∼ binomial negatif, berarti :
 
r+x−1
x
f (x | θ ) =   Θ (1 − θ ) dengan 0 < θ ≤ 1; x = 0, 1, 2..
  θr
Fungsi likehoodnya adalah:

 
r+x−1
Σn x
L ( x | θ ) = πin=1 
 nr
  θ ( 1 − θ ) i =1 i

x
•   
r+x−1
Σn x
= πin=1 
 nr
  θ ( 1 − θ ) i =1 i
 
x
• Logaritma fungsi likehood adalah:
  
 r+x−1 
Σn x
 
 n 
logL ( x | θ ) = log πi=1   θ nr (1 − θ ) i=1 i

 
x
 
 
r+x−1
= Σi=1 log 
n
 + nr log θ + Σin=1 xi log (1 − θ )
 
x
d nr Σin=1 xi
• dθ [logL ( x | θ )] = θ − 1− θ
nr Σin=1 xi
• persamaan likehoodnya adalah: θΛ
− = 0atau
(1− θ Λ )
nr 1 − θ Λ − θ Λ Σin=1 xi

Λ
Λ Λ
= 0 ⇔ nr 1 − θ − θ Λ Σin=1 xi = 0
θ (1 − θ )

⇒ nr − nrθ Λ − θ Λ Σin=1 xi = 0 ⇒ nr = θ Λ (nr +) Σin=1 xi

nr nr r Σin=1 xi
θΛ = = Σn x
= ; dengan =x
nr + Σin=1 xi nr + i=n1 i r+x n
r
Jadi calon MLE untuk parameter θadalah: θ = r+x
7. Jika x1 , x2 , ...xn variabel random iid berdistribusi exponensial negatif

dengan parameter θeΩ (0, ∝), Tunjukkan bahwa 1x adalah MLE bagi
parameter θ.
Penyelesaian:
• Xi∼ exponensial negatif, berarti fungsi kepadatan peluangnya

adalah:
f ( x | θ ) = θe−θx ; θ > 0; x > 0

0 ; x ≤ 0; θ > 0
• Logaritma fungsi likehood adalah: L ( x | θ ) = πin=1 θe−θx =

θ n θe−θx
• d
dθ [logL ( x | θ )] = n
θ − Σin=1 xi ; d
dθ [logL ( x | θ )] = − θn2 < 0
• Persamaan likehoodnya adalah : − θnΛ − Σin=1 xi = 0 atau
n − θ Λ Σin=1 xi
= 0 ⇔ n − θ Λ Σin=1 xi = 0
θΛ
n nn 1 Σ n xi
⇒ θΛ = n = Σn x = : dengan i=1 = x
Σ i =1 x i i =1 i x n
n
• Jadi MLe untuk parameter θadalah θ Λ = 1

x
8. Misalkan x1 , x2 , ...xn variabel random iid hdengani p.d.f f (.; θ1 , θ2 )

( x − θ1 )
yang diberikan oleh: f ( x; θ1 , θ2 ) = θ12 exp θ2 ; x > θ1 dimana
θ = (θ1 , θ2 ) εΩ = Rx (0, ∝). Tentukan MLE dari θ1 danθ2 .
Penyelesaian:
• Fungsi padat peluang x1 adalah:

( x − θ1 )

1
f ( x | θ1 , θ2 ) = exp ; x > θ1
θ2 θ2
• Fungsi likehoodnya adalah:

h i h i
( x − θ1 )
L (θ | x ) = πin=1 θ12 exp θ2 h = θ2n exp − θ2 Σii
1 1 n
=1 ( x − θ 1 )
= θ2n exp − θ12 Σin=1 ( x − θ1 )
• Logaritma fungsi likehoodnya adalah:
1 n d n
logL (θ | x ) = −nlogθ2 − Σi=1 ( x1 − θ1 ) ; dan [logl ] (θ | x ) =
θ2 dθ1 θ2
Karena dθd [logl (θ | x )] = θn2 ,maka metode pendiferensialan ti-
1
dak dapt digunakan untuk memperoleh MLE dari θ1 , oleh sebab
itu digunakan cara berikut.
Telah diketahui
h bahwai xi > θ1 ; ∀i , jadi L (θ | x ) =
−n
θ2 exp − θ2 Σi=1 ( x − θ1 ) akan mencapai maksimum apabila
1 n
θ2 Σ i =1 ( x 1
1 n
− θ1 )minimum, ini hanya dicapai apabila θ1 = x(i) .
Jadi parameter θ1 adalah θ1 = x(i) .
d Σin=1 ( x −θ1 )
Selanjutnya, dθ1 [logl (θ | x )] = − θn2 + θ22
• Persamaan likehoodnya adalah:
−nθ2Λ2 + θ2Λ Σin=1 ( x − θ1 )

=⇔ −nθ2Λ2 + θ2Λ Σin=1 ( x − θ1 ) = 0
θ Λ3
atau
Σin=1 ( x − θ1 )
−nθ2Λ + Σin=1 ( x − θ1 ) = 0 ⇒ θ2Λ =
n
Σin=1 xi −nθ1 Σin=1 xi −nx(1) nΣin=1 xi n−nx(1)
θ2Λ = n = n = n
atau nx −nx(1)
= = x − x (1)
n
Untuk membuktikan bahwa θ2Λ = x − x(1) benar-benar maksi-
mum global, harus ditunjukkan:
d
[logL (θ | x )]θ2 =θ Λ < 0; sebagai berikut
dθ1 2

d n 2Σin=1 ( x −θ1 )
dθ1 [logL (θ | x )]θ2 =θ Λ = θ22
− n
2 n
1
nθ2 − 2Σin=1 ( x − θ1 )

= θ22
h i
1
= 3 n x − x (1) − 2Σx i + 2nx (1)
( x − x (1) ) h i
1
= 3 nx − nx (1) − 2Σx i + 2nx (1)
( x − x (1) ) h i
1
= 3 nx − 2nx + nx (1)
( x − x (1) ) h i
1
= 3 − nx + nx (1)
( x − x (1) )
−n
= 3
( x − x (1) )
Karena n > 0dan x − x(1) > 0, maka dθd [logL (θ | x )]θ2 =θ Λ =
1 2
−n
3 < 0.
( x − x (1) )
Dengan demikian disimpulkan bahwa MLE untuk parameter
θ2 adalah: θ2Λ = x − x(1)
9. Jika y1 , y2 , ...y variabel random iid berdidstribusi Poisson dengan

mean θdan distribusi Prior adalah gamma dengan parameter α, β
βα θ α−1 − βθ
π (θ | α, β) = e ;θ > 0
r (α)
Pertanyaan:
(a) tentukan distribusi posterior dari θ; posterior mean dan varian-

sinya.
(b) Myatakan posterior mean, sebagai rata-rata tertimbang dari

MLE θdan prior mean
(c) Tentukan behaviour dari posterior mean dengan membuat va-

riasi αdan n, serta MLE dan prior mean tetap.
Penyelesaian:
θ y e−θ
• yi ∼ P (θ ) , berarti densitas dari y adalah f (y | θ ) = y! ; y =
0, 1, 2...

θ Σyi e−nθ
• Distribusi bersama dari y adalah: f (y | θ ) = πyi ! jadi distri-
busi posterior dari θadalah:

f y | θ .π (y | α, β)
π (y | θ ) = R ∝ (3.79)
0 f y | θ π ( y | α, β ) dθ
Dihitung dulu:
R∝ R∝ θ Σyi e−nθ β θ
α α −1
− βθ
0 f y | θ π ( y | α, β ) dθ = 0 πyi ! . r (α) e
R∝ θ Σyi e−nθ β θ
α α −1
− βθ
= 0 πyi ! . r (α) e
α α −1
− βθ
= 0 πyi ! . r (α) e
(3.80)
α α −1
= 0 πyi ! . r (α)
e− βθ
α α −1
− βθ
= 0 πyi ! . r (α) e
Substitusi 2 ke 1 diperoleh:
a
θ Σyi e−nθ β θ
α α −1

πyi . r(α) .e− βθ
π θ|y = βα r (Σyi +α)
πyi !r (α)(α+ β)Σyi +α
Σyi +α
= (n+ β)
.θ Σyi +α−1 −(n+ β)θ
e
r (Σyi +α)
Atau distribusi Posterior diatas dapat juga dihitung dengan

cara sebagai berikut:

π θ|y α f y | θ π (θ )
βα θ α−1 e− βθ θ Σyi e−nθ (3.81)
α k. r (α)
. πy!
α k1 Σy
θ i + α − 1 −
e (n+ β)θ
n
Karena:
Z ∝
k1 θ Σyi +α−1 eu dθ, maka :
0
Z ∝
ki
Σyi +α
θ Σyi +α−1 eu du = 1
(n + β) 0

ki (n + β)Σyi +α
r (Σyi + α) = 1 ⇒ k1 = (3.82)
(n + β)Σyi +α r (Σyi + α)
4 ke 3 diperoleh:
(n + β)Σyi +α Σyi +α−1 −(n+ β)θ

π θ|y = θ e
r (Σyi + α)
• Sekarang dihitung “posterior mean” dari θ
R∝
E (θ | y) = 0 θπ ( θ | y ) dθ
R ∝ (n+ β)Σyi +α Σy +α− −(n+ β)θ
= 0 r (Σyi +α) .θ
i .e dθ
β)Σyi +α R ∝
Σy+α
= (nr(+Σy . 0 n
u
+ .e−u . (ndu
i +α)
R ∝ Σy+α −u + β)
β
1
= r (Σy +α)(n+ β) 0
u e du
i
r (Σyi +α+1)
= (n+ β)r (Σyi +α)
(Σyi +α)(Σyi +α−1)
= (n+ β)(Σyi +α−1)
(Σyi +α)
E (θ | y) = (n+ β)
• Selanjutnya dihitung “Variansi Posterior” dari θ
(n+ β)Σyi +α R ∝ Σyi +α+1 −(n+ β)θ
E θ2 | y =

r (Σyi +α) 0 θ e dθ
Σyi +α R Σyi +α+1
∝

= (nr(+Σy
β)
0
u
n+ β .e−u . n+d β
i +α)
1
R ∝ Σy +α+1 −u
= 2 0 u
i e du
(n+ β) r (Σyi +α)
r (Σyi +α+2)
=
(n+ β)2 r (Σyi +α)
(Σyi +α+1)(Σyi +α)
=
( n + β )2
Jadi variansi posterior dari θadalah:
n o
2
θ2

V (θ | y) = E | y − E (θ | y)
(Σyi +α+1)(Σyi +α) Σyi +α 2
n o
= 2 − n+ β
(n+ β)
(Σyi +α+1)(Σyi +α)−(Σyi +α)2
=
( n + β )2
Σyi +α
=
( n + β )2
b. Dinyatakan Posterior mean, sebagai rata-rata tertimbang dari

MLE dan prior mean.
• Estimator maksimum likehood dari θadalah:
θ Σyi e−nθ
Fungsi likehood dari y: L (θ | y) = πin=1 f (yi | θ ) = πin=1 yi !

Logaritma dari fungsi likehood y adalah: logL (θ | y) =

Σyi ogθ − nθ − logπyi ,dan
d Σyi
dθ { logL ( θ | y )} = θ − n, syarat perlu adanya maksimum
d
dθ { logL ( θ | y )} = 0, sehingga persamaan likehoodnya adalah:
Σyi
θΛ
− n = 0 ⇔ Σyi = nθ Λ = 0. Jadi calon MLE dari θadalah:
Σy d2 Σyi
θ Λ = n i = y karena dθ 2 { logL ( θ | y )}] θ = θ Λ = − θ Λ < 0, maka
Σy
MLE dari parameter θadalah θ Λ = n i = y.
• Prior Mean dari θadalah:

R∝ βα θ α−1 − βθ
E (θ ) = 0 θ e dθ
R ∝ βrα(θαα) − βθ
= 0 r ( α)
e dθ
α ∝ u α
e−u du
β R
= r (α) 0 β β
1
R ∝ α −u
= r (α) β 0
u e du
1
= r (α) β
r ( α + 1)
αr (α)
= βr (α)
.
α
= β
Σyi +α
Telah diperoleh: Posterior mean dari θ : E (θ | y) = (n+ β)
, MLE
Σy
dari θ : θ = n i = y Prior mean dari θ : E (θ ) = α β. Jadi
Posterior dapat dinyatakan seabgai rata-rta tertimbang dari
MLE dan Prior mean, sebagai berikut:
Σyi +α
(n+ β)
= a Σy
n + bα β ⇒
i
Σyi +α aβΣyi +nbα nβΣyi + nbα = (n + β) aβΣyi +

n+ β = nβ ⇒
(n + β) nb
atau ini dapat disajikan sebagai:
nβ = (n + β) aβdan nβα = (n + β) nβα
atau
n β
a= dan b =
(n + β) (n + β)
Sehingga diperoleh:

Σyi + α Σyi

n β
= + ( α β ) (3.83)
(n + β) (n + β) n (n + β)
Dari persamaan * dapat diamati bahwa.
(i) Jika n besar dengan β tetap, maka Posteriormean sama
dengan MLE dari θ, yaitu
Σyi
n o
n
E (θ | y) = limn→∝ n+ β n + n+β β (α β)
Σy
= (1) n i + (0) ( α β )
Σyi
= n
= y
(ii). Jika β besar dengan n tetap, maka posterior mean sama
dengan mean prior dari θ, yaitu
Σyi
n o
n
E (θ | y) = limn→∝ n+ β n + n+β β (α β)
Σy
= (0) n i + (1) ( α β )
= α β
= E (θ )
Atau Posterior mean E (θ | y) diatas dapat dinyatakan sebagai

berikut:
Σyi
Σyi +1 n. n +α
n+ β = n+ β
Σy
n. n i +α
= n+ βα.α
n.y+α
= n+ E(1θ ) .α
n αβα
= n+ E(αθ )
(y ) + n+ α ( α β )
E(θ )
Dari persamaan terakhir ini dapat dilihat bahwa

(i). Jika n besar dan αtetap, maka Posterior mean sama dengan
MLE dari θ, yaitu:

n αβα
E (θ | y) = limn→∝ (y) + ( α β ) =y
n + α E ( θ ) n + α E ( θ )
(ii). Jika α besar dan n tetap, maka posterior mean sama dengan

mean prior, yaitu

n o
n αβα
E (θ | y) = limn→∝ n + α E ( θ )
(y) + n + α E ( θ )
( α β )
= α β
= E (θ )
10. Misalkan y1 , y2 , ...yn variabel random iid berdistribusi Poisson de-

ngan mean θ, dan distribusi prior adalah Gamma dengan parameter
α, β
βα θ α−1 − βθ
π (θ | α, β) = e
r (α)
Pertanyaan: tentukan estimator Bayes dari θuntuk fungsi-fungsi ke-

rugian berikut,
(i). L ( a, θ ) = ( a, θ )2
(ii). L ( a, θ ) = θ ( a, θ )−12
(iii). L ( a, θ ) = ( a − θ )4
(iv). L ( a, θ ) =| a − θ |
11. Diketahui:x1 , x2 , ...xn variabel random iid berdistribusi

B (l, θ ) , θeΩ = (0, 1). Tunjukkan x adalah UMVU estimator
untuk θ.
Penyelesaian:
• Xi ∼ B (l, θ )maka densitas dari Xi adalah:

f ( xi | θ ) = θ xi (1 − θ )1− xi ; xi = 0, 1; i = 1, 2, ..., n
• Densitas bersama dari xi adalah:
f ( x | B) = πin=1 f ( xi | θ )
= θ Σxi (1 − θ )n−Σxi
= θ Σxi (1 − θ )n (1 − θ )−Σxi
Σxi
= (1 − θ )n 1−θ θ
=
Berdasarkan teorema faktorisasi, T ( x ) = Σxi adalah statistik cu-

kup untuk parameter θ
• Sekarang ditunjukkan T ( x ) = Σxi adalah statistik cukup dan

lengkap
xi ∼ B (1, θ ),Mgfnya adalah Mx (t) = (1 − θ ) + θet
Mgf dari T ( x ) = Σxi adalah:
MT ( x) (t) = MΣxi (t) = { Mx (t)}n , karena xi iid
= (1 − θ ) + θet ini adalah Mgf dari distribusi Binomial (n, θ ).

Jadi diperoleh: xi ∼ B (1, θ ) ⇒ T ( x ) = Σxi ∼ B (n, θ )

Sehingga: densitas dari T ( x ) = Σxi adalah
!
n
f (Σxi | θ ) = θ t (1 − θ )n−t ; dengan t = Σxi , dan t = 0, 1, 2, ..., n
t
!
n
Keluarga distribusi f (Σxi = t | θ ) = θ t (1 − θ )n−t adalah
t
lengkap sebab:
!
n
Eθ [ g (t)] = Σnt=0 g (t) θ t (1 − θ ) n − t
t !
n
= (1 − θ )n Σnt=0 g (t) θ t (1 − θ ) − t
t !
n θ −t
= (1 − θ )n Σnt=0 g (t) 1− θ
t
∀θ : 0 < θ < 1.
!
n −t
n
• Karena (1 − θ ) 6= 0 maka Σnt=0 g (t) θ
1− θ =
t
!
n
Σnt=0 g (t) yt = 0; dengan y = θ
1− θ ,
dan ini adalah poli-
t
!
n
nomial derajat n dalam y. Koefisien yt adalah g (t) , kare-
t
na polinomial!berniali nol ∀y, maka setiap koefisien harus = 0.
n
Karena 6= 0, berarti g (t) = 0, dengan t = 0, 1, 2, ..., n.
t
Dengan demikian, T ( x ) = Σxi adalah statistik cukup dan leng-

kap.
• Selanjutnya, E [ T ( x )] = Σin=1 { xi } = Σin=1 E ( xi ) = Σin=1 θ = nθ
Sekarang, misalkan:
T Σn
∅ ( T ) = = i = x, maka
n n
Σxi

1 1
E [∅ ( T )] = E = Σin=1 E ( xi ) = .nθ
n n n
T
Berdasarkan teorema 1, disimpulkan ∅ ( T ) = n = xadalah
UMVU Estimator untuk parameter θ
12. Misalkan x1 , x2 , ..., xn variabel random berdistribusi gamma dengan

α diketahui dan β = θeΩ = (0, ∝)tidak diketahui.
Tentukan, bahwa UMVUE dari θadalah:
1 n
Σ x
u ( x1 , x2 , ..., xn ) =
nα j=1 j
Dan tentukan variannya, serta batas cramer-Rao.
Penyelesaian:
⇒ Xi ∼ Gamma (α, β = θ ),maka densitas dari xi adalah:
1
f ( Xi | β = θ ) = xiα−1 e− xi θ ; xi > 0, α diketahui , θ > 0
r (α) θ α
⇒Densitas bersama dari xi adalah:
f (x | β = θ ) = πin=1 r(α1)θ α xiα−1 e− xi θ

1 n
Σ x
= 1
π n x α −1 e θ j =1 i
[r (α)]n θ nα i =1 i
πin=1 xiα−1 −nα 1θ Σnj=1 xi
= [r (α)]n θ nα
θ e
Berdasarkan teorema faktorisasi, berarti T ( x ) = Σ1n xi adalah statistik

cukup untuk β = θ.
⇒Ditentukan distribusi dari T ( x ) = Σ1n xi sebagai berikut.
Diketahui bahwa:
Xi ∼ G (α, βθ =)maka, Mgf dari distribusi ibi adalah: Mxi (t) =
(1 − θt)−α .

Selanjutnya Mgf dari T ( x ) = Σ1n xi adalah:

2
MT ( x ) ( t ) = MΣ1n xi ( T )
= [ Mxi (t)]n
h in
= (1 − θt)−α
= (1 − θt)−nα
Bentuk terakhir ini menyatakan T ( x ) = Σxi ∼ G (nα, θ =)
Sehingga densitas dari T ( x ) = Σxi adalah:
1
f (Σxi = t | β = θ ) = nα
tnα−1 e−tθ ; t > 0 (3.84)
r (nα) θ
⇒Sekarang ditunjukkan keluarga distribusi * adalah lengkap, yaitu:
E { g (t)} = 0 ⇒ g (t) = 0
Ru
E { g (t)} = 0 g (t) r(nα1)θ nα tnα−1 e−tθ dt
Ru
= r(nα1)θ nα 0 g (t) tnα−1 e−tθ dt
1
Karena r (nα) > 0, θ nα > 0, maka r (nα)θ nα
> 0,jadi
Z u
1
g (t) tnα−1 e−tθ dt (3.85)
0 r (nα) θ nα
Karena persamaan * merupakan transformasi Laplace da-
ri fungsi g (t) tnα−1 , maka menurut sifat tranformasi ini,
haruslah:g (t) tnα−1 = 0.
Dengan demikian statistik T ( x ) = Σxi adalah statistik cukup dn
lengkap.
E ( T ( x )) = E (Σxi ) = Σin=1 Exi
⇒Dihitung
= Σin αθ = nαθ
Misalkan ∅ ( T ) = nα = nα Σ j=1 x j = U ( x1 , x2 , .., xn )
T 1 n
Maka:
2 karena xi iid

E {∅ ( T )} = E {U (n
x1 , x2 , ..,oxn )}
nα Σx j
1
= E
Σ
1 n

= nα j=1 x j
1
= nα αθn
= θ
Σ j x j adalah estimator tidak

1 n
Ternyata ∅ ( T ) = U ( x1 , x2 , .., xn ) = nα
bias bagi θ
Dengan demikian, U ( x1 , x2 , .., xn ) = ∅ ( T ) = nα Σ j x j adalah UMVU
1 n
estimator untuk θ
⇒Selanjutnya duhitung variansi dari U ( x1 , x2 , .., xn ) = nα Σ j x j yaitu:
1 n

nα Σx j
1
Var (U ( x1 , x2 , .., xn )) = Var
1
ΣVar x j

= n2 α2
= 1
n2 α2
Σαθ 2
1
= n2 α2
nαθ 2
θ2
= nα
⇒Dihitung batas Cramer-Rao:
1
f (x | β = θ ) = x α−1 e− xθ ; x > 0log f ( x | θ )
r (α) θ α
n o
(α)
= log1 − log r (α) θ + (α − 1) logx − xθ
d
= −logr (α) − αlogθ + (α − 1) logx − xθ [log f ( x | θ )]
dθ
2
α x d
= − + 2 [log f ( x | θ )]
θ θ dθ
α x 2 α2 2αx x2
= − + 2 = 2− 3 + 4
θ θ θ θ θ
2
α2 2α

d 1 2
E [log f ( x | θ )] = 2 − 3 E (x) + 4 E x
dθ θ θ θ
α 2 2α 1
= 2 − 3 αθ + 4 αθ 2 + αθ 2
θ θ θ
α 2 2α α α2 α
= 2− 3 + 2+ 2 = 2
θ θ θ θ θ
Karena distribusi gamma memenuhi Teorema Cramer-Rao maka un-

tuk sembarang estimator tak bias untukθ, sebut saja w = h ( x ), ber-
laku:
1
Var (w) ≥ d 2
nE{ dθ [log f ( x |θ )]}
1
= nα
θ2
θ2
= nα
θ 2
Jadi batas Crame-Rao adalah nα .
Terlihat bahwa varians dari estimator tak bias
U ( x1 , x2 , .., xn ) = nα Σ j=1 x j sama dengan batas Cramer-Rao, yai-
1 n

θ2
tu: Var (U ( x1 , x2 , .., xn )) = Var nα Σ j x j = nα
1 n
= batas Cramer-Rao
nα Σ j x j adalah UMVU estimator
1 n
Dengan demikian: U ( x1 , x2 , .., xn ) =
bagi θ.
13. Misalkan x1 , x2 , .., xn variabel random iid, dengan E ( xi ) = µ; E |

xi |2 < ∞,dan Var ( x ) = σ2 .
Tunjukkan: T ( x1 , x2 , .., xn ) = 2 [(n + 1)]−1 Σin ixi estimator konsisten

untuk µ.

Penyelesaian: ⇒
T ( x1 , x2 , .., xn ) = 2
Σn ix
2( n +1) i i
2
= 2( n +1)
{ x1 + 2x2 + 3x3 + .. + nxn }
2
= 2( n +1)
E { x1 + 2x2 + 3x3 + .. + nxn }
2
= 2( n +1)
{ E ( x1 ) + 2E ( x2 ) + 3E ( x3 ) + .. + nE ( xn )}
2
= 2( n +1)
{µ + 2µ + 3µ + ... + nµ}
2
= 2( n +1)
µ {1 + 2 + 3 + ... + n}
n o
2 1
= 2( n +1)
µ 2 n ( n + 1 )
= µ
Jadi T ( x1 , x2 , .., xn )adalah estimator tak bias untuk µ. Dengan kata

lain bias T ( x1 , x2 , .., xn ) = E ( T ( x1 , x2 , .., xn )) − µ = µ − µ = 0.
Jadi :
limn→∞ {bias T ( x1 , x2 , .., xn )} = 0 (3.86)
⇒selanjutnya dihitung Var [ T ( x1 , x2 , .., xn )].n o

Var T ( x1 , x2 , .., xn ) = Var 2(n2+1) Σ0i ixi
4
= [n(n+1)]
Var { x1 + 2x2 + 3x3 + .. + nxn } ,
4
= {Var ( x1 ) + 2Var ( x2 ) + ... + nVar ( x3n )}
n2 ( n +1)2
4
2
σ + 4σ2 + 9σ2 + ... + n2 σ2

= 2 2
n ( n +1)
4
2 2 2 σ2 + 32 σ2 + ... + n2 σ2

= 2 1 σ + 2
n2 ( n +1)
4σ2
2
1 + 22 + 32 + ... + n2

= 2 2
n ( n +1) n o
4σ2 1
= n ( n + 1 ) ( 2n − 1 )
n2 ( n +1)2 6 n o
2σ 2n+1 2
= 3 n ( n +1)
Sekarang diambil limit dari Var { T ( x1 , x2 , .., xn )}untuk n → ∞, yai-
tu:
2n − 1 2n − 1

2 2 2
limn→∞ σ = σ2 limn→∞ =0 (3.87)
3 n ( n + 1) 3 n ( n + 1)
Dari 1 dan 2, berdasarkan teorema, disimpulkan bahwa

T ( x1 , x2 , .., xn ) = 2 [n (n + 1)]−1 Σin ixi adalah barisan estimator

yang konsisten terhadap parameter µ.
14. Misalkan X1 , ..., Xn sampel random dari populasi N (µ, σ2 ). Tunjuk-

kanlah bahwa X adalah UMVUE untuk µ
Bukti
E( X ) = 1/n.nµ = µ. Jadi X estimator tak bias untuk µ. Var ( X ) =

σ2 /n. Sekarang akan dicari batas bawah Cramer-Rao
1 −1 −2 2
f (x) = 1/2
e −2 σ ( x − µ ) ; − ∞ < x < ∞ (3.88)
σ(2π )
1
ln f ( x ) = − ln σ(2π )1/2 − 2
( x − µ )2 (3.89)
2σ
∂ ln f ( x ) 1
= 2 ( x − µ) (3.90)
∂µ σ
Sehingga
" 2 # " 2 #
∂ ln f ( x ) 1 ( x − µ) 1 1
E = 2E = .1 = (3.91)
∂µ σ σ σ2 σ2
1 σ2
h i = (3.92)
n.E (∂ ln f ( x )/∂θ )2 n
σ2
Jadi batas bawah Cramer-Rao adalah n.
2
Karena X estimator tak bias untuk µ dan Var ( X ) = σn sama dengan
batas bawah Cramer-Rao maka menurut akibat teorema Cramer-Rao
X adalah UMVUE
15. Misalkan X1 , ..., Xn i.i.d N (θ, 1). Tunjukkan bahwa barisan estimator
X¯n = ∑ Xni . adalah konsisten.
Jawab:

_
Perhatikan bahwa Xn ∼ N(θ, n1 ), sehingga untuk n→ ∞:
R ε n 1/2 −n/2 y2 R ε√n 1 1/2 −1/2 t2 √
= −ε ( 2π ) e dy = −ε√n ( 2π ) e dt = P(−ε n < z <
√
ε n) → 1
_
Karena itu Xn adalah barisan estimator konsisten untuk θ.
Secara umum perhitungan mendetail seperti di atas tidak perlu dila-

kukan untuk membuktikan konsistensi. Ingat untuk suatu estimator
Tn ketaksamaan Chebychev mengatakan bahwa P(| X̄n − θ | ≥ e) ≤
E( Tn −θ )2
e2
sehingga limit E(Tn − θ )2 = 0 adalah syarat cukup agar sua-
tu barisan T n→∞ konsisten. selanjutnya kita dapat menulis
E( Tn − θ )2 = E(Tn − ETn2 + E Tn − θ)2 =E(Tn − ETn2 )2 + ( ETn − θ)2
= VarTn + [ Bias Tn ]2
16. Diketahui X1 , ..., Xn adalah i.i.d N (µ, σ2 ). Tentukan estimator untuk

µ dan σ2 dengan MME.
Jawab:
n
Disini kita punya, ∑ Xir , m1 = X, µ1 = µ dan µ2 = µ2 + σ2 . Solusi
i =1
n
dari sistem persamaan X = µ dan 1/n ∑ Xir = µ2 + σ2 diperoleh
i =1
σ2 = 1/n ∑in=1 ( Xi − X )2
b = X dan b
estimator metode momen µ
17. Diketahui X1 , ..., Xn sampel random dari N (θ, 1), −∞ < θ < ∞. Ten-
tukan MLE untuk θ
Jawab:
2
f ( x/θ ) = (2π )−1/2 e−1/2( x−θ ) (3.93)
n
L(θ/x ) = Πi=1 f ( xi /θ ) (3.94)
" #
n
= (2π )−n/2 exp −1/2 ∑ ( Xi − θ )2 (3.95)
i =1
n
= −n/2 ln(2π ) − 1/2 ∑ ( Xi − θ )2 (3.96)
i =1

n
∑ (Xi − θ ) = 0 atau θb = X.
d ln L(θ/x )
Persamaan dθ = 0 menghasilkan
i =1
d2 ln L(θ/x )
Perhatikan bahwa dθ 3
|θ =X < 0 Jadi θb = X adalah ELM untuk
θ.
18. Diketahui X1 , ..., Xn sampel random dari

(
1
θ; 0 < x ≤ θ dan 0 < θ < ∞
f ( x; θ ) = (3.97)
Tentukan MLE untuk θ

Jawab:
Fungsi likelihoodnya, L(θ; x1 , ..., xn ) = θ1n ; 0 < xi ≤ θ merupakan
fungsi dari θ yang monoton turun. Disini kita tidak dapat menen-
tukan ELM denga turunan. Perhatikan bahwa, θ ≥ xi ∀i sehingga
θ ≥ max( xi ). Ini berarti, L maksimum dicapai pada statistik terurut
ke-n yaitu max ( xi ). Jadi θb = max( xi ) adalah MLE untuk θ
1. Misalkan x1 , x2 , ...xm ; y1 , y2 , ...yn variabel random independen

masing-masing berdistribusi N (ε, σ2 ) dan N (η, τ 2 ). Tentukan
statistik cukup untuk ketiga kasus berikut:
a) ε, η, σ, τsembarang dengan − ∼< ε, η <∼, τ, σ > 0
b) σ = τdan ε, η, σ adalah sembarang
c) ε = ηdan ε, σ, τ adalah sembarang
2. Diketahui distribusi uniform f ( x : θ ) = 1θ ,0 ≤ x ≤ θ dan bernilai nol

untuk x yang lain. Buktikan bahwa 2X estimator takbias untuk θ.
3. Diketahui θb1 dan θb2 adalah dua estimator takbias untuk θ dari dua
eksperimen yang independent. Buktikan bahwa θb = c1 θb1 + c2 θb2 de-
ngan c1 + c2 = 1 juga estimator tak bias untuk θ.

4. Diberikan sampel random yang berukuran n dari populasi yang

mempunyai mean µ (diketahui) dan variansi σ2 . Perlihatkan bahwa
n
varians sampel S2 = 1
n ∑ (Xi − µ)2 merupakan estimator bias untuk
i =1
σ2
5. Perlihatkan bahwa jika θb estimator tak bias untuk θ dan Var (θb) tidak
sama dengan 0, maka θb2 bukan estimator tak bias untuk θ 2 .
6. Jika θb estimator dari θ dan bias

h estimator ini diberikani oleh b = E(
b b 2
θ ) − θ. Perlihatkan bahwa E (θ − θ ) = Var (θ ) + b
b 2
7. Perlihatkan, jika θb estimator konsisten untuk θ maka k θb (k 6= 0) esti-

mator konsisten untuk kθ
8. Diketahui X1 , ..., Xn berdistribusi identik dan independen dengan

E( Xi ) = µ dan E(| Xi |2 ) < ∞. tunjukkan bahwa T = n(n2+1) ∑in=1 Xi
adalah estimator konsisten untuk µ.
9. Misalkan X1 , ..., Xn sampel dari U (0, θ ). Perlihatkan bahwa T =

n
(∏ Xi )1\n adalah estimator konsisten untuk θe−1
i =1
10. Jika X1 , ..., Xn i.i.d N (µ, σ2 ). Buktikan

p
(n − 1)/2Γ [(n − 1)/2] s/Γ [(n/2)] estimator tak bias un-
( n −1) S2
tuk σ. Petunjuk: gunakan σ2
berdistribusi χ2(n−1) dengan
n
S2 = 1
n −1 ∑ ( Xi − X ) 2
i =1
var (θb2 )
11. Ukuran efisiensi estimator θb1 terhadap θb2 ditunjukkan oleh .
var (θb1 )
b = X1 +2X4 2 +X3 terhadap X jika
Tentukan efisiensi estimator µ
X1, X2 dan X3 sampel random dari N (µ, σ2 )
12. Apakah estimator µ

b pada soal no.10 konsisten?
13. Diketahui X1 , ..., Xn sampel random yang berdistribusi identik dan

independen N (µ, µ); µ > 0. Tentukan estimator tak bias dan konsis-
ten untuk µ2 .

x
14. Buktikan bahwa proporsi sampel n adalah UMVUE untuk parame-
ter Binomial θ.
15. Diketahui X1 , ..., Xn sampel random i.i.d Gama(α, β); α diketahui dan
0 < β < ∞. tentukan UMVUE untuk β
16. Diketahui X1 , ..., Xn sampel random i.i.d Binomial (1, p); p ∈ (0, 1).
Tentukan UMVUE untuk p.
17. Diketahui: x1 , x2 , ...xn variabel random iid berdistribusi exponensial

negative, dengan parameter θeΩ = (0, ∝). Gunakan teorema untuk
menemukan UMVU Estimator dari parameter θ.
18. Misalkan x variabel random berdistribusi binomial negatif dengan

parameternya θeΩ = (∝, 1) .Tentukan UMVU estimator dari g (θ ) =
1θ dan cari variansnya.
19. Diketahui: x1 , x2 , ...xn variabel random iid berdistribusi exponensial

negative, dengan parameter θeΩ = (0, ∝). Gunakan teorema untuk
menemukan UMVU Estimator dari parameter θ.
20. Misalkan x variabel random berdistribusi binomial negatif dengan

parameternya θeΩ = (∝, 1) .Tentukan UMVU estimator dari g (θ ) =
1θ dan cari variansinya.
21. Jika x1 , ..., xn nilai-nilai sampel random yang berukuran n dari popu-
lasi dengan distribusi
2( θ − x )
(
θ2
<x<θ
;0
f ( x; θ ) =
Tentukan estimator untuk θ dengan metode momen
22. Diketahui X1 , ..., Xn berdistribusi identik dan independen (i.i.d) de-

ngan distribusi seperti berikut :
(a) f ( x; θ ) = θx θ −1 ; 0 < x < 1, 0 < θ < ∞, dan nol untuk x yang

lain

(b) f ( x; θ ) = (1/θ ) exp [− x/θ ] , 0 < x < ∞, 0 < θ < ∞, dan nol
untuk x yang lain
(c) f ( x; θ ) = exp [−( x − θ )] , 0 < x ≤ ∞, −∞ < θ < ∞, dan nol un-
tuk x yang lain. Dalam setiap kasus diatas, tentukan estimator
untuk θ dengan metode likelihood maksimum
23. Misalkan x1 , x2 variabel random dengan fungsi padat peluang

f (.; θ )yang diberikan oleh:
2
(θ − x ) I(0,θ ) ( x ) ; θeΩ = (0, ∝)
f (x | θ ) =
θ
Tentukan estimator momen untuk θ.
24. Tentukan estimator momen untuk αdan β, jika x1 , x2 , ...xn variabel

random iid berdistribusi Beta dengan parameter αdan β.
25. Diketahui X1 , ..., Xn berdistribusi identik dan independen poisson

(λ). Tentukan estimator untuk λ dengan metode momen dan like-
lihood maksimum.
26. Diketahui X1 , ..., Xn berdistribusi identik dan independen dengan

distribusi f ( x; θ ) = (θ + 1) x θ ;0 < x < 1 dan nol untuk x yang lain.
Tentukan estimator untuk θ dengan metode momen dan likelihood
maksimum.
27. Diketahui X1 , ..., Xn berdistribusi identik dan independen gama

(α, β). Tentukan bα dan βb dengan metode momen dan likelihood mak-
simum.
28. Diketahui sampel random berukuran n dari populasi normal dengan

mean µ diketahui, tentukan estimator untuk σ dengan metode like-
lihood maksimum
29. Diketahui Sampel random berukuran n dari populsi yang mempu-

nyai distribusi f ( x; θ ) = e−( x−θ ) untuk x > θ dan nol untuk x yang
lain. Tentukan estimator untuk θ dengan metode likelihood maksi-
mum.

30. Dalam banyak kasus, sepertipada distribusi binomial, Poisson, Nor-

mal dan sebagainya terjadi bahwa MLE mean yang diestimasi adalah
mean sampel. Namun kasus ini tidak perlu selalu terjadi seperti pa-
da kasus berikut. Misalkan x1 , x2 , ...xn variabel random independen
dengan distribusi N (θ, θ ) : θeΩ (0, ∝).
Tunjukkan bahwa: MLE dari parameter θadalah:
" 2 #
1 4
θ= 1 + Σin=1 x2j −1
2 n


Bab 4
Estimasi Interval
Memahami konsep dasar estimasi interval dan mampu menerapkan baik

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

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

tahui
4. Menentukan interval kepercayaan beda dua mean
5. Menentukan interval kepercayaan untuk varians
6. Menentukan interval kepercayaan untuk rasio dua varians
117
4.3 Uraian Materi
4.3.1 Konsep Dasar Estimasi Interval
Sejauh ini telah dibicarakan estimasi titik untuk parameter populasi θ, di

mana inferensinya adalah pendugaan harga tunggal terhadap θ. Estima-
tor titik mempunyai kelemahan prinsip yaitu tidak memberikan informasi
tentang ketepatan atau keakuratannya. Misalnya, µ b = X adalah estimator
2
terbaik untuk µ dari N (µ, σ ). Jika sampel random yang berukuran n di-
ambil, dan diperoleh X = 3, 5. Apakah dapat diyakini bahwa µ sudah sa-
ngat dekat dengan 3, 5 itu ? Untuk mengatasi kelemahan ini, diperkenalk-
an tipe estimasi lain yaitu estimasi interval. Dalam estimasi interval, atau
secara lebih umum disebut juga estimasi himpunan yang dijadikan masa-
_
lah utama adalah pernyataan bahwa ”θ ∈ c” dengan c ⊂ Ω dan c = c( x ).
_ _
Ini merupakan himpunan yang ditentukan oleh X = x yang terobservasi.
Bila θ berharga real, maka estimator himpunan c adalah interval.
De f inisi
Estimasi interval untuk parameter θ adalah pasangan fungsi L( x1 , ..., xn )

_ _
dan U(x1 , ..., xn ) dan sampel yang memenuhi L( X ) ≤ U ( X )untuk se-
_ _ _ _ _
mua x ∈ χ. Bila X = x terobservasi, dibuat inverensi L( X ) ≤ θ ≤ U ( X ).
_ _
Interval random [L(X ),U(X )] disebut estimator interval. Seperti definisi
_ _
terdahulu,[ L( X ), U ( X )] untuk estimator interval θ berdasar sampel ran-
_ _ _
dom X = ( x1 , ..., xn ) dan [ L( X ), U ( X )] harga terealisasi dari interval. Mes-
kipun kasus mayoritas yang dibicarakan adalah harga-harga berhingga
untuk Ldan U, kadang-kadang kita juga tertarik pada estimasi interval sa-
_
tu sisi. Sebagai contoh, bila L( x ) = −∞, maka kita mempunyai selang satu
sisi (−∞, U ( x )). Dengan cara yang sama kita dapat mengambil U ( x ) = ∞
_
dan mempunyai interval satu sisi [ L( x ), ∞].
De f inisi
_
Estimasi inteval untuk parameter θ adalah interval yang berbentuk L( X
_ _ _
) < θ < U ( X ) dengan L( X )dan U ( X ) adalah suatu kuantitas yang tak
Bab 4. Estimasi Interval 118 ISBN 978-602-8310-02-4

tergantung pada nilai θ dan distribusi sampling dari θ. Dengan kata lain,
_ _
berdasarkan distribusi sampling θ kita pilih L( X )dan U ( X ) sehingga
_ _
P( L( X ) < θ < U ( X )) = 1 − α dengan 0 < α < 1 (4.1)
_ _
Interval L( X ) < θ < U ( X ) disebut interval kepercayaan (1 − α)100%
_ _
dan (1 − α) disebut koefisien kepercayaan. L( X )dan U ( X ) berturut-turut
disebut limit kepercayaan bawah dan limit kepercayaan atas. Misal-
nya α = 0, 05 memberikan koefisien kepercayaan 0, 95 dan interval ke-
percayaan 95%. Perhatikan bahwa α yang lain bisa dipilih berdasarkan
pertimbangan-pertimbangan statistik. Idealnya, α dipilih sedemikian se-
hingga panjang interval kepercayaan terpendek, tetapi cakupan probabi-
litas (1 − α) mendekati nilai 1 (kepastian)
Contoh
Untuk sampel X1 , X2 , X3 , X4 dan N (µ, 1), estimator interval dari µ adalah

_ _
[ x −1, x +1]. Ini berarti kita menyatakan bahwa µ berada dalam interval
_
ini. Bila kita mengestimasi µ dengan x, P( x̄ = µ) = 0. Tetapi dengan esti-
mator interval, kita mempunyai probabilitas positif untuk benar. Probabi-
_ _
litas bahwa µ tercakup oleh interval [ x −1, x +1]dapat dihitung sebagai
_ _ _ _
P [µ ∈ [ x −1, x +1]] = P( x −1 ≤ µ ≤ x +1)
_
= P(−1 ≤ x −µ ≤ 1)
_
√−µ
x
= P(−2 ≤ 1/4
≤ 2)
= P(−2 < z < 2)
= 0, 9544.
Artinya; lebih dari 95% peluang untuk mencakup parameter (µ) dengan
_ _
menggunakan estimator interval [ x −1, x +1].
Estimator interval digunakan sebagai pengganti estimator titik dengan tu-

juan untuk mendapat jaminan pencakupan parameter yang diselidiki. Ke-
pastian jaminan ini dikuantifikasikan dalam definisi berikut.
De f inisi

_ _
Untuk estimator interval [ L( x ), U ( x )]dari parameter θ cakupan probabi-
_ _ _
litas dari [ L( x ), U ( x )] adalah probabilitas bahwa interval random. [ L( x
_
), U ( x )] mencakup parameter θ. Dalam notasi ini dinyatakan dengan
_ _ _ _
Pθ (θ ∈ [ L( x ), U ( x )|θ ]) atau P (θ ∈ [ L( x ), U ( x )|θ ]).
De f inisi
_ _
Estimator interval [ L( x ), U ( x )] untuk parameter θ, koefisien keperca-
_ _
yaan dari [ L( x ), U ( x )]adalah infimum probabilitas cakupan atau inf
_ _
θ Pθ ([ L ( x ), U ( x )]).
Ada beberapa hal yang perlu diperhatikan dari definisi tersebut.
1. Sangat penting untuk di ingat bahwa interval adalah besaran

random, bukan parameter. Akibatnya, bila kita menulis pernya-
_ _
taan probabilitas seperti Pθ (θ ∈ [ L( x ), U ( x )|θ ]), pernyataan proba-
bilitas tersebut menunjuk ke x bukan θ. Dengan perkataan lain,
_ _
pikirkan Pθ (θ ∈ [ L( x ), U ( x )|θ ]) yang seperti pernyataan tentang
random θ, sebagai sesuatu yang secara aljabar ekivalen dengan
_ _
Pθ ([ L( x ) ≤ θ, U ( x ) ≥ θ ) yaitu pernyataan tentang variabel random
_
X . Estimator interval, bersama dengan ukuran kepercayaan, (biasa-
nya koefisien kepercayaan) dikenal dengan nama interval keperca-
yaan. Interval kepercayaan dengan koefisien kepercayaan sama den-
gan (1 − α) disebut (1 − α) interval kepercayaan.
2. Hal penting lain berhubungan dengan cakupan probabilitas dan ko-

efisien kepercayaan. Karena kita tidak mengetahui harga sebenarn-
ya dari θ, kita hanya dapat menjamin probabilitas cakupannya sa-
ma dengan infimum koefisien kepercayaan. Dalam beberapa kasus
hal ini tidak menjadi soal karena cakupan probabilitas merupakan
fungsi konstan dari θ. Tetapi, dalam kasus yang lain cakupan proba-
bilitas merupakan fungsi dari θ.
Contoh

Jika X1 , ..., Xn adalah sampel random populasi seragam (0, θ ) dan misal-
kan Y = maks{ X, ..., Xn }, jika ingin mencari estimator interval untuk θ.
Pandang dua calon estimator: [ aY, bY ], 1 ≤ a < b dan [Y + c, Y + d], 0 ≤
c < d dengan a, b, c, dan d konstanta. (Perhatikan bahwa θ perlu lebih be-
sar dari Y). Untuk interval pertama didapat:
Pθ (θ ∈ [ aY, bY ]) = Pθ ( aY ≤ θ ≤ bY )

= Pθ 1b ≤ yθ ≤ 1a

= Pθ 1b ≤ T ≤ 1a ; ( T = yθ )
R1
Jadi, Pθ 1b ≤ T ≤ 1a = 1a ntn−1 dt = ( 1a )n − ( 1b )n
b
Cakupan probabilitas interval pertama independen dengan harga θ. Jadi
( 1a )n − ( 1b )n adalah koefisien kepercayaan dari interval.
Untuk interval lain, untuk θ ≥ d, perhitungan sejenis menghasilkan:
Pθ (θ ∈ [Y + c, Y + d]) = Pθ (Y + c ≤ θ ≤ Y + d])

= Pθ 1 − dθ ≤ T ≤ 1 − θc
R 1− θc n−1
= d nt dt
1− θ
= (1 − θc )n − (1 − dθ )n
untuk keadaan ini, cakupan probabilitas tergantung pada θ.
Selanjutnya Limθ →∞ (1 − θc )n − (1 − dθ )n = 0 yang menunjukkan koefisien
kepercayaan estimator interval ini sama dengan nol.
4.3.2 Metode Menentukan Estimasi Interval
Ada dua metode untuk menentukan estimator interval yaitu dengan in-
versi uji hipotesis statistik dan menggunakan besaran pivot.
4.3.2.1 Inversi Uji Statistik
Ada hubungan antara estimasi interval dan uji hipotesis. Secara umum da-
pat dinyatakan bahwa setiap interval kepercayaan berkorespondensi den-
gan uji hipotesis dan sebaliknya. Jadi dari uji hipotesis dapat diturunkan

estimasi interval. Namun karena uji hipotesis baru akan dibahas pada Bab
V, maka pembahasan tentang hal ini disajikan pada Bab V Sub Bab mulai
halaman ...
4.3.2.2 Besaran Pivot
Metode yang paling bagus dalam mengkonstruksikan himpunan estima-

tor dan menghitung cakupan probabilitas adalah penggunaan besaran pi-
vot. Penggunaan besaran pivot (pivotal quantity) untuk mengkonstruksi
himpunan kepercayaan disebut pivotal inverence.
De f inisi
_
Variabel random Q( X , θ ) = Q( x1 , ..., xn , θ ) disebut besaran pivot bila dis-
_
tribusi dari Q( X , θ ) independen (tak mengandung) parameter populasi.
_ _ _
Dengan kata lain: Jika X ∼ F ( x |θ ) maka Q( X , θ ) mempunyai distribusi
yang sama untuk semua harga θ.
_
Fungsi Q( X , θ ) biasanya secara eksplisit memuat parameter dan statistik,
_
tetapi untuk sembarang himpunan A, Pθ Q( X , θ ) ∈ A tidak dapat tergan-
tung pada θ. Cara mengkonstruksikan himpunan kepercayaan dari pivot
tergantung pada kemampuan mendapatkan pivot dan himpunan A sede-
_
mikian hingga himpunan {θ : Q( X , θ ) ∈ A} adalah himpunan estmatator
(interval kepercayaan) dari θ.
Contoh
Dalam kasus lokasi dan skala terdapat banyak besaran pivot. Di sini akan
ditunjukkan beberapa. Misalkan x1 , ..., xn adalah sampel random densitas
_
( dalam tabel ) dan misalkan x dan s adalah mean sampel dan deviasi
standar.
Untuk membuktikan bahwa besaran-besaran di atas merupakan pivot, da-

pat ditunjukkan bahwa densitasnya independen dari parameter.

Table 4.1: Besaran Pivot

Bentuk Densitas Jenis Densitas Besaran Pivot
_
f ( x − µ) lokasi x− _
µ
1 x x
σ f (σ) skala _σ
1 x-µ x −µ
σ f( σ ) lokasi/skala σ
Contoh
Jika
_
x1 , ..., xn sampel random dari populasi N (µ, σ2 ), maka statistik t =
x-µ
√ adalah pivot, karena distribusi statistik t tidak tergantung pada pa-
s/ n
rameter µ dan σ2 .
Contoh
Misalkan x1 , ..., xn iid eksponensial (λ). Maka T = ∑ xi adalah statistik

cukup untuk λ dan T ∼ Gamma(n, λ). Dalam pd f gamma t dan λ muncul
bersama-sama sebagai λt dan kenyataannya bentuk pd f :
t
Gamma(n, λ) = ( P(n)λn )−1 tn−1 e− adalah keluarga skala.
λ
Jika Q( T, λ) = 2T 2

λ maka Q ( T, λ ) ∼ gamma n, λ ( λ ) = gamma(n, 2)
2T
yang tidak tergantung pada λ. Besaran Q( T, λ) = λ adalah pivot den-
gan gamma(n, 2) atau distribusi χ2 .
Kadang-kadang kita dapat melihat bentuk pd f untuk melihat apakah ada
besaran pivot. Dalam contoh di atas, besaran_ λt terlihat dalam pd f dan ia
x-µ
menjadi pivot. Dalam pd f normal, besaran σ terlihat dan besaran ini
juga merupakan pivot.
Secara umum, misalkan pd f statistik T, f (t, θ ) dapat dinya-

∂Q(t,θ )
takan dalam bentuk f (t, θ ) = g ( Q(t, θ )) | ∂t | untuk suatu
fungsi g dan fungsi monoton Q (dalam t untuk setiap θ). Maka
Q(t, λ) merupakan pivot.
Begitu mendapat pivot, selanjutnya bagaimana menggunakannya untuk

_
membangun himpunan kepercayaan?. Bila Q( x, λ) merupakan pivot, ma-

ka untuk harga tertentu α dapat ditemukan bilangan-bilangan adan b yang

tidak tergantung pada θ dan memenuhi:
Pθ ( a ≤ Q(t, θ ) ≤ b) ≥ 1 − α
_ _
Maka untuk setiap θ0 ∈ Ω, A(θ0 ) = { x: a ≤ Q( x, θ0 ) ≤ b}adalah daerah
penerimaan untuk uji taraf α dari H0 : θ = θ0 . Hal ini memberikan hasil
bahwa himpunan kepercayaan (1 − α) untuk θ adalah:
_ _
C ( x ) = {θ0 : a ≤ Q( x, θ0 ) ≤ b}
Contoh
Dalam contoh di muka telah didapatkan interval kepercayaan untuk λ

dari pd f eksponensial dengan menginversikan LRT taraf α dari H0 : λ =
λ0 vs H1 : λ 6= λ0 . Sekarang kita juga melihat bila kita mempunyai sampel
X1 , ..., Xn kita dapat mendefinisikan T = ∑ Xi dan Q( T, λ) = 2λT ∼ X2n
2 .
Bila kita memilih konstantq a dan b sedemikian hingga memenuhi P( a ≤

2 ≤ b ) = 1 − α, maka
X2n
2T
Pλ ( a ≤ λ ≤ b) = Pλ ( a ≤ Q( T, λ) ≤ b)
2 ≤ b)
= P( a ≤ X2n
= 1−α
Dengan menginversikan himpunan:
2T
A(λ) = {t : a ≤ ≤ b}
λ
memberikan C (t) = {λ : 2bt ≤ λ ≤ 2at } yang merupakan interval keper-

2T
cayaan (1 − α). Bila n = ω, interval kepercayaan 95% adalah {λ : 34,17 ≤
2T
λ ≤ 9,59 }. Untuk persoalan lokasi dengan kondisi variansi tidak diketahui
pun pembangunan dan perhitungan interval pivot relatif mudah.

Contoh
_
( x −µ )
Jika X1 , ..., Xn iid N (µ, σ2 ) maka σ / √n adalah pivot. Bila σ2 diketahui, ki-
ta dapat menggunakan pivot ini untuk menghitung interval kepercayaan
untuk µ. Untuk sebarang konstanta a
_
( x −µ )
P(− a ≤ √ ≤ a) = P(− a ≤ Z ≤ a)
σ/ n
_ _
Sehingga interval kepercayaan adalah {µ : x − a √σn ≤ λ ≤ x + a √σn }.
_
( x −√µ )
Bila σ2 tidak diketahui, kita dapat menggunakan pivot skala-lokasi s/ n
.
_
( x −√µ )
Karena s/ n
mempunyai distribusi
_
( x −µ )
P(− a ≤ √ ≤ a) = P(− a ≤ Z ≤ a).
σ/ n
Jadi untuk α tertentu bila kita mengambil a = tn−1, α2 , kita mendapatkan

bahwa interval kepercayaan (1 − α) adalah
_ s _ s
{µ : x −tn−1, α2 √ ≤ µ ≤ x +tn−1, α2 √ }
n n
dan ini merupakan interval kepercayaan (1 − α) klasik untuk µ berdasar

distribusi−t.
4.3.3 Metode Evaluasi Estimasi Interval
Dalam estimasi interval dua besaran dibandingkan satu dengan lainnya

melalui ukuran dan kemampuan akurasi cakupannya. Tentu saja yang di-
inginkan adalah suatu interval yang mempunyai ukuran (panjang) yang
kecil dan cakupan probabilitas besar. Cakupan probabilitas dari interval
kepercayaan pada umumnya merupakan fungsi parameter. Karena itu,
ukuran yang paling banyak digunakan adalah kelakuan koefisien keperca-
yaan, yaitu infimum cakupan probabilitas ukuran dan probabilitas caku-
pan. Permasalahan dapat dirumuskan sbb: diberikan probabilitas cakupan
tertentu, carilah interval kepercayaan terpendek.

Table 4.3: Panjang interval kepercayaan
a b Probabilitas b-a
−1, 34 2, 33 P(z < a) = 0, 09; P(z > b) = 0, 01 3, 67
−1, 44 1, 96 P(z < a) = 0, 075; P(z > b) = 0, 025 3, 40
−1, 65 1, 65 P(z < a) = 0, 05; P(z > b) = 0, 05 3, 30
Contoh
Misalkan X1 , ...,
_
Xn iid N (µ, σ2 )dengan σ diketahui. Telah kita ketahui
x-µ
bahwa Z = σ / √n adalah besaran pivot dengan distribusi normal baku
dan setiap anggota yang memenuhi P( a ≤ Z ≤ b) = 1 − α akan memberi-
kan interval kepercayaan (1 − α)
_ σ _ σ
{µ : x −b √ ≤ µ ≤ x − a √ }
n n
Masalahnya menjadi: Berapa nilai a dan b yang terbaik ?, Dengan kata

lain; Berapa nilai a dan b yang akan meminimumkan panjang interval
kepercayaan dengan tetap mempertahankan cakupan (1 - α)?. Perhatikan
(b− a) σ
bahwa panjang interval kepercayaan sama dengan √n . Karena faktor
√σ adalah bagian dari setiap panjang interval, ia dapat diabaikan dan per-
n
bandingan panjang hanya bisa berdasarkan pada harga b − a.
Sehingga masalah sekarang menjadi; mencari pasangan bilangan a dan b

yang memenuhi P( a < z < b) = 1 − α dan meminimumkan (b − a).
Biasanya diambil a = z − z α2 dan b = z α2 tanpa menyebutkan apa yang

membuat optomal. Jika diambil 1 − α = 0, 90 maka setiap pasangan bilan-
gan berikut memberikan interval 90%.
Pengalaman numerik ini menyarankan bahwa pemilihan a = −1, 65 dan

b = 1, 65 memberikan interval kepercayaan terbaik. Perlu dicatat bahwa

strategi untuk membagi interval dua sama besar (simetris) terbukti opti-
mal dalam contoh di atas, tapi tidak selalu demikian. Untuk kasus di atas
disebabkan oleh kenyataan bahwa tinggi dari pd f -nya adalah sama di −z α2
dan z α2 .
Teorema Unimodal
Misalkan f ( x ) pd f yang unimodal. Bila interval [ a, b] memenuhi
Rb
1. a f ( x )dx = 1 − α
2. f ( a) = f (b) > 0dan
3. a ≤ x ∗ ≤ b, dengan x ∗ modus f ( x ).
maka [ a, b]adalah interval kepercayaan yang terpendek di antara interval-

interval yang memenuhi kreteria nomer 1.
Bukti
Misalkan [ a1 , b1 ] adalah sebarang interval dengan b1 − a1 < b − a.

R b1
Akan ditunjukkan bahwa ini mengakibatkan a1 f ( x )dx < 1 − α. Hasil ini
akan dibuktikan hanya untuk a1 < a. Untuk kasus a < a1 dapat dibukti-
kan secara analog. Juga dua kasus yang perlu diperhatikan adalah b1 ≤ a
dan b1 > a.
Bila b1 ≤ a maka a1 ≤ b1 ≤ a ≤ x ∗ dan

R b1
f ( x )dx ≤ f (b1 )(b1 − a1 ) ≤ f ( a1 )(b1 − a1 ) < f ( a)(b − a) ≤
R ab1
a f ( x ) dx = 1 − α
Bila b1 > a maka a1 ≤ a ≤ b1 < b, karena bila b1 lebih besar atau sama
dengan b, maka b1 − a1 lebih besar atau sama dengan b − a. Dalam keadaan
ini, dapat ditulis:
R b1 Rb Ra Rb
a 1 f ( x ) dx = a f ( x ) dx + [ a 1 f ( x ) dx − b1 f ( x ) dx ]
Ra Rb
= 1 − α + [ a1 f ( x )dx − b1 f ( x )dx ]

dan teorema terbukti bila dapat ditunjukkan bahwa pernyataan dalam

kurung negatif. Sekarang, dengan menggunakan unimodalitas f , urutan
a1 ≤ a ≤ b1 ≤ b, dan didapat:
Ra 1 ) dan b f ( x ) dx ≥ f ( b )( b − b1 )
R
a 1 f ( x ) dx ≤ f ( a )( a − a b1
Jadi
Ra Rb 1 1
a 1 f ( x ) dx − b1 f ( x ) dx ≤ f ( a )( a − a ) − f ( b )( b − b )
= f ( a ) ( a − a1 ) − ( b − b1 )

= f ( a ) ( b1 − a1 ) − ( b − a )

bernilai negatif. q.e.d
Contoh
_
x-µ
Untuk interval kepercayaan normal berdasarkan pivot s / √n , kita menge-
tahui bahwa interval kepercayaan (1 − α) yang mempunyai panjang ter-
pendek mempunyai bentuk
_ _
x −b √sn ≤ µ ≤ x − a √sn mempunyai a = −tn−1, α dan b = tn−1, α . Panjang
2 2
interval merupakan fungsi S, dengan bentuk umum: Panjang(s) = (b −
a) √sn .
Selanjutnya, jika dipandang kriteria harga harapan panjang (s) dan men-
ginginkan untuk mendapatkan interval (1 − α) untuk meminimumkan.
Eσ (panjang (S) ) = (b − a) E√σ nS = (b − a)C (n) √Sn .
Maka Teorema di depan berlaku dan pemilihan a = −tn−1, α2 dan b = tn−1, α2

memberikan interval kepercayaan yang optimal.
4.3.4 Estimasi Interval Kepercayaan Khusus
4.3.4.1 Interval Kepercayaan untuk Mean
1. Interval untuk mean µ, dengan variansi σ2 diketahui. Misalnya X vari-

abel random yang berdistribusi N (µ, σ2 ), dengan µ tidak diketahui.

Jika X adalah nilai mean sampel dari populasi normal dengan me-
an µ dan variansi σ2 (diketahui). Tunjukkan interval kepercayaan
(1 − α)100% untuk µ diberikan oleh:
σ σ
X − zα/2 . √ < µ < X + zα/2 . √ (4.2)
n n
Penjelasan:
X−µ
X ∼ N (µ, σ2 ) ⇒ X ∼ N (µ, σ2 /n) ⇒ Z = √ ∼ N (0, 1) (4.3)
σ/ n
Perhatikan bahwa P (−zα/2 < z < zα/2 ) = 1 − α dengan zα/2 adalah

kuantitas sehingga P( Z > zα/2 ) = α/2
Karena itu
X−µ

P −zα/2 < √ < zα/2 = 1−α (4.4)
σ/ n
atau
σ σ
P( X − zα/2 . √ < µ < X + zα/2 . √ ) = 1 − α (4.5)
n n
Jadi interval kepercayaan (1 − α)100% untuk µ adalah:
σ σ
X − zα/2 . √ < µ < X + zα/2 . √ (4.6)
n n
Untuk sampel besar (n ≥ 30) dapat digunakan TLP, sehingga inte-

val kepercayaan 4.6berlaku juga untuk variabel random sembarang
(bukan distribusi tidak normal).
2. Interval untuk mean µ, dengan variansi σ2 tidak diketahui. Jika x adalah

nilai mean sampel dari populasi normal dengan mean µ dan variansi
σ2 tidak diketahui, maka interval kepercayaan (1 − α)100% untuk µ
adalah:
S S
X − tα/2,n−1 . √ < µ < X + tα/2,n−1 . √ (4.7)
n−1 n−1

Penjelasan:
Karena variansinya σ2 tidak diketahui maka dapat diganti dengan

variansi sampel:
1 n
S = ∑ ( Xi − X ) 2
2
(4.8)
n i =1
sebagai estimator untuk σ2 . Sebab jika xi berdistribusi N (µ, σ2 ) maka

√
nS2 /σ2 berdistribusi χ2(n−1) dan n( x − µ)/σ berdistribusi t(n−1) .
4.3.4.2 Interval Kepercayaan untuk Perbedaan Mean
Sering kali lebih memungkinkan untuk melakukan estimasi interval un-

tuk selisih parameter populasi µ1 − µ2 daripada untuk masing-masing. Mi-
salkan X1 , X2, ..., Xn dan Y1 , Y2, ..., Ym dua sampel random dari dua populasi
yang independen N (µ1 , σ2 ) dan N (µ2 , σ2 ); σ > 0 tidak diketahui. Masa-
lah yang dihadapi sekarang, bagaimana inferensi interval untuk parame-
ter perbedaan mean yaitu µ1 − µ2 ?
Interval untuk mean µ1 − µ2 dengan variansi σ2 > 0 tidak diketahui.
Jika X dan Y berturut-turut mean sampel berukuran n dan m yang saling

independen dari populasi N (µ1 , σ2 ) dan populasi N (µ2 , σ2 ) ;σ2 > 0 tidak
diketahui, maka interval kepercayaan (1 − α)100% adalah:

X − Y − aR < µ1 − µ2 < X − Y + aR (4.9)
r
(nS2 +nS2
dengan a = t(α/2;n+m−2) dan R = (1/n + 1/m) (n+1m−22)
Penjelasan:
Variansi sampelnya berturut-turut S12 dan S22 . Perhatikan bahwa
Xi (i = 1, 2, ..., n) ∼ N (µ1 , σ2 ) ⇒ X ∼ N (µ1 , σ2 /n) (4.10)

dan
Yj ( j = 1, 2, ..., m) ∼ N (µ2 , σ2 ) ⇒ Y ∼ N (µ2 , σ2 /m) (4.11)
akibatnya,
X − Y − ( µ1 − µ2 )
X − Y ∼ N (µ1 − µ2 , σ2 /n + σ2 /m) ⇒ √ ∼ N (0, 1)
σ2 /n + σ2 /m
(4.12)
Karena nS12 /σ2 ∼ χ2(n−1) dan mS22 /σ2 ∼ χ2(m−1) maka (nS12 + mS22 )/σ2 ∼
χ2(n+m−2) . Diperoleh
X − Y − ( µ1 − µ2 ) h 2 2 2
i
T = √ : (nS1 + mS2 )/σ (n + m − 2 1/2 (4.13)
σ2 /n + σ2 /m
X − Y − ( µ1 − µ2 )
= q ∼ t ( n + m −2) (4.14)
nS12 +mS22
(1/n + 1/m n+m−2
Interval kepercayaan (1 − α)100% adalah P(− a < T < a) = 1 − α; dengan

a = tα/2;n+m−2 dan

P( X − Y − aR < µ1 − µ2 < X − Y + aR) = 1 − α (4.15)
dengan s
nS12 + mS22
R= (1/n + 1/m (4.16)
n+m−2
Jadi interval kepercayaan (1 − α)100% untuk perbedaan mean adalah

X − Y − aR < µ1 − µ2 < X − Y + aR

X − Y − aR < µ1 − µ2 < X − Y + aR (4.17)
4.3.4.3 Interval Kepercayaan untuk Variansi
Setelah di drpan dibahas interval kepercayaan untuk mean µ, maka kini

dibahas interval kepercayaan untuk variansi σ2 .

Interval untuk variansi σ2 dengan mean µ yang tidak diketahui.
Jika X1 , X2, ..., Xn sampel random dari distribusi N (µ, σ2 ) dengan µ tidak
diketahui maka interval kepercayaan (1 − α)100% untuk σ2 adalah:
ns2 ns2
< σ2 < (4.18)
χ2(1−α/2,n−1) χ2(α/2;n−1)
Penjelasan:
σ 2 = S2 =
Dengan menggunakan metode likelihood maksimum diperoleh b
n
1/n ∑ ( Xi − X )2 dan variabel random nS2 /σ2 berdistribusi χ2(n−1) karena
i =1
itu,
P(χ2(α/2,n−1) < nS2 /σ2 < χ2(1−α/2,n−1) = 1 − α (4.19)
atau !
ns2 2 ns2
P <σ < = 1−α (4.20)
χ2(1−α/2,n−1) χ2(α/2;n−1)
Jadi interval kepercayaan untuk σ2 adalah
ns2 ns2
< σ2 < (4.21)
χ2(1−α/2,n−1) χ2(α/2;n−1)
4.3.4.4 Interval Kepercayaan untuk Rasio Dua Variansi
Interval kepercayaan untuk σ22 /σ12 dengan µ1 dan µ2 tidak diketahui.
Jika X1 , X2, ..., Xn dan Y1 , Y2, ..., Yn dua sampel random yang saling indepen-
den dari populasi N (µ1 , σ2 ) dan populasi N (µ2 , σ2 ) dengan µ1 dan µ2 tidak
diketahui, maka interval kepercayaan (1 − α)100% untuk σ22 /σ12 adalah
1 mS22 /(m − 1) σ22 mS22 /(m − 1)

< < F(1−α/2;n−1;m−1)
F(1−α/2;m−1;n−1) nS12 /(n − 1) σ12 nS12 /(n − 1)
(4.22)
Penjelasan:

Dengan metode likelihood diperoleh:
n
µ σ12 = S12 = 1/n ∑ ( Xi − X )2
b1 = X, b (4.23)
i =1
dan
n
µ σ22 = S22 = 1/n ∑ (Yi − Y )2
b2 = X, b (4.24)
i =1
nS12 /σ12 ∼ χ2(n−1) .mS22 /σ22 ∼ χ2(m−1) dan independen ⇒
nS12 / σ12 (n − 1)

F= ∼ F(n−1;m−1) (4.25)
mS22 / σ22 (m − 1)

Karena itu
!
nS12 / σ12 (n − 1)

P F(α/2;n−1;(m−1) < < F(1−α/2;n−1;m−1) = 1 − α
mS22 / σ22 (m − 1)

(4.26)
atau
!
mS22 /(m − 1) σ22 mS22 /(m − 1)
P F(α/2;n−1;(m−1) < 2 < F(1−α/2;n−1;(m−1) 2 = 1−α
nS12 /(n − 1) σ1 nS1 /(n − 1)
(4.27)
atau
!
1 mS22 /(m − 1) σ22 mS22 /(m − 1)
P < 2 < F(1−α/2;n−1;m−1) 2 = 1−α
F(1−α/2;m−1;n−1) nS12 /(n − 1) σ1 nS1 /(n − 1)
(4.28)
2 2
Jadi interval kepercayaan (1 − α)100% untuk σ2 /σ1 adalah
1 mS22 /(m − 1) σ22 mS22 /(m − 1)

< < F(1−α/2;n−1;m−1)
F(1−α/2;m−1;n−1) nS12 /(n − 1) σ12 nS12 /(n − 1)
(4.29)

1. Tentukan interval kepercayaan 95 % untuk mean dari N (µ, 9) de-

ngan sampel berukuran 100 dan x = 5
Jawab:
(1 − α)100% = 95% ⇒ (1 − α) = 0, 95
Berdasarkan tabel Z, untuk (1 − α) = 0, 95 diperoleh zα/2 = 1, 96.
Untuk σ2 = 9 dan n = 100 diperoleh zα/2 . √σn = 1, 96.3/10 = 0, 588
Menurut teorema 8, interval kepercayaan 95% untuk µ adalah X −

zα/2 . √σn < µ < X + zα/2 . √σn ⇔ 5 − 0, 588 < µ < 5 + 0, 588 ⇔
4, 412 < µ < 5, 588
2. Diketahui X1 , X2, ..., X10 sampel random dari N (µ, σ2 ) ; µ dan σ2 ke-
duanya tidak diketahui. Misalnya dari hasil eksperimen diperoleh
x = 3, 22 dan s = 1, 05. Tentukan interval kepercayaan 90% untuk µ.
Jawab:
Berdasarkan Tabel t, diperoleh t(0,05;9) = 1, 833. Interval keperca-

yaan 90% untuk µ adalah 3, 22 − 2, 833.1, 05/3 < µ < 3, 22 +
1, 833.1, 05/3 ⇔ 2, 56095 < µ < 3, 87905
3. Diketahui dua sampel random yang independen yang masing-

masing berukuran 10 dan 7 yang diambil dari dua populasi berdis-
tribusi N (µ1 , σ2 ) dan N (µ2 , σ2 ). Misalkan x = 4, 2, y = 3, 4, dan
S22 = 32, tentukan interval kepercayaan 90% untuk µ1 − µ2 .
Jawab:
s r
nS2 + mS22 490 + 224
R= (1/n + 1/m 1 = (1/10 + 1/7) = 3, 4
n+m−2 15
(4.30)

Dari tabel t diperoleh a = t(0,05;15) = 1, 753. Sehingga menurut teore-

ma 11, diperoleh
0, 8 − 1, 753.3, 4 < µ1 − µ2 < 0, 8 + 1, 753.3, 4 ⇔ −5, 16 < µ1 − µ2 < 6, 76

(4.31)
Jadi interval kepercayaan 90% untuk µ1 − µ2 adalah
−5, 16 < µ1 − µ2 < 6, 76 (4.32)
4. Jika dari data yang diobservasi dari populasi normal diperoleh s =

2, 2 dan n − 16. Tentukan interval kepercayaan 98% untuk σ2 !
Jawab:
Dari tabel χ2 diperoleh χ2( 0,01;15) = 5, 23 dan χ2( 0,99;15) = 30, 6 sehing-
ga diperoleh
16(2, 2)2 16(2, 2)2

< σ2 < ⇔ 2, 53 < σ2 < 14, 81 (4.33)
30, 6 5, 23
5. Misalkan dua sampel random yang berukuran 10 dan 5 diambil

dari dua populasi yang independet yaitu N (µ1 , σ2 ) dan populasi
N (µ2 , σ2 ). Dari hasil observasi tersebut diperoleh S12 = 20, 0 dan
σ22
S22 = 35, 6. Tentukan interval kepercayaan 95% untuk σ12
bila kedua
mean populasi tidak diketahui.
Jawab:
Dalam hal ini, 1 − α/2 = 0, 975, n = 10 dan m = 5. Berdasarkan

tabel F, diperoleh F(0,975;9;4) = 8, 90 dan F(0,975;4;9) = 4, 72 sehingga
menurut teorema 12
1 5(35, 6)/4 σ2 5(35, 6)/4

< 22 < (8, 90) (4.34)
4, 72 10(20, 0)/9 σ1 10(20, 0)/9
atau
σ22
0, 4 < < 17, 8 (4.35)
σ12

σ22 σ22
Jadi interval kepercayaan 95% untuk σ12
adalah 0, 4 < σ12
< 17, 8
1. Diketahui nilai observasi mean x dari sampel random yang beru-

kuran 20 dari distribusi n(µ, 80) adalah 81, 2. Tentukan 95% interval
kepercayaan untuk µ
2. Misalkan x mean dari sampel random yang berukuran n dari distri-

busi n(µ, 9). Tentukan n sehingga P( x − 1 < µ < x + 1) = 0, 90
3. Diketahui sampel random yang berukuran 17 dari distribusi normal

N (µ, σ2 ) diperoleh x = 4, 7 dan s2 = 5, 76. Tentukan 90 % interval
kepercayaan untuk µ.
4. Jika X1 , X2, ..., X9 sampel random berukuran 9 dari distribusi N (µ, σ2 )
(a) Jika σ diketahui, tentukan peluang 95% interval kepercaya-

an untuk µ jika interval ini didasarkan pada variabel random
√
9( x − µ)/σ
(b) Jika σ tidak diketahui, tentukan nilai harapan dari panjang 95%
interval kepercayaan untuk µ jika interval didasarkan pada va-
√
riabel random 8( x − µ)/S
5. Diketahui Y berdistribusi Binomial (n, p). Tentukan interval keperca-

yaan (1 − α)100% untuk p. (petunjuk : pertimbangkan Y/n sebagai
estimator untuk p; dengan Y banyak sukses dalan n percobaan
6. Dari soal no 9berapakah n terkecil yang menjamin (dengan probabi-

litas 1 − α) bahwa y/n terletak dalam jarak d dari p
7. Misalkan Y berdistribusi b(300, p). Jika nilai observasi dari Y adalah

y = 75, tentukan interval kepercayaan 95% untuk p

8. Diketahui dua sampel random yang masing-masing berukuran 10

yang dari dua distribusi normal independen N (µ1 , σ2 ) dan N (µ2 , σ2 )
dari observasi diketahui x = 4, 8, S12 = 8, 64, y = 5, 6, S22 = 7, 88.
Tentukan inteval kepercayaan 95% untuk µ1 − µ2 .
9. Tentukan interval kepercayaan untuk perbedaan µ1 − µ2 antara dua

mean dari dua distribusi normal yang independen jika kedua vari-
ansinya diketahui (tidak perlu sama)
10. Diketahui dua variabel random X dan Y yang bebas secara pro-
babilitas dengan distrubusi binomial yang mempunyai parameter
n1 = n2 = 100, dan berurut p1 dan p2 . Dari observasi diperoleh
x = 50 dan y = 40.Tentukan interval kepercayaan 95% untuk p1 −
p2
11. Diketahui X dan Y mean dari dua sampel random yang masing-
masing berukuran n dari distribusi N (µ1 , σ2 ) dan N (µ2 , σ2 ); dengan
σ diketahui. Tentukan n sehingga

P( X − Y − σ/5 < µ1 − µ2 < X − Y + σ/5) = 0, 90 (4.36)
12. Seperti teorema 10, tentukan interval kepercayaan (1 − α)100% un-

tuk σ2 bila µ diketahui
13. Jika 8, 6; 7, 9; 8, 3; 6, 4; 8, 4; 9, 8; 7, 2; 7, 8; 7, 5 adalah nilai yang diobse-

rvasi dari sampel random yang berukuran 9 dari N (8, σ2 ). Tentukan
interval kepercayaan 90% untuk σ2
14. Dari hasil observasi suatu sampel random yang berukuran 15 dari
distribusi N (µ, σ2 ) diperoleh x = 3, 2 dan s2 = 4, 24 . Tentukan inte-
rval kepercayaan 95% untuk σ2
15. Diketahui dua sampel random independent yang berukuran n =

16 dan m = 10 diambil dari populasi independent N (µ1 , σ2 ) dan
N (µ2 , σ2 ) . Misal x = 3, 6 dan s21 = 4, 14 dan Y = 13, 6 dan s22 = 7, 26.
σ2
Tentukan interval kepercayaan 90% untuk σ22 bila kedua mean pupo-
1
lasi tidak diketahui.

16. Seperti teorema 11, tentukan interval kepercayaan (1 − α)100% bila

kedua mean pupulasi diketahui.
17. Misalkan S12 dan S22 notasi variansi sapel random yang beru-
kuran n dan m dari dua distribusi independen N (µ1 , σ2 ) dan
N (µ2 , σ2 ).Tentukan interval kepercayaan (1 − α)100% untuk σ2
18. Misalkan X1 , X2, ..., Xn sampel random yang berikuran 6 dari distri-
nusi Gamma(1 − β); β > 0 tidak diketahui. Tentukan interval keper-
cayaan (1 − α)100% untuk β. Petunjuk : Pertimbangkan distribusi
6
dari2 ∑ Xi /β
i =1
19. Diketahui Y4 = order statistik ke -4 dari sampel random berukuran 4

dari disttribusi uniform (0, θ ). Tentukan a dan b. Dengan 0 < a < b ≤
1 sehingga P( aθ < Y4 < bθ ) = 0, 95. Kemudian tentukan interval
keperayaan 95% untuk θ.

Bab 5
Hipotesis Statistik
Memahami konsep dasar uji hipotesis statistik dan mampu menerapkan-

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

an
5. Menentukan daerah kritis suatu uji hipotesis
6. Menentukan fungsi kekuatan uji hipotesis
139
7. Menggunakan teorema Neyman-Pearson untuk menentukan daerah

kritik terbaik
8. Menentukan uji paling kuat seragam dari suatu uji hipotesis
9. Menentukan uji hipotesis dengan menggunakan uji rasio likelihood
5.3 Uraian Materi
5.3.1 Konsep Dasar Uji Hipotesis
Sejauh ini telah dibahas inferensi titik dan interval. Sekarang diperkenalk-
an metode inferensi yang lain yaitu uji hipotesis
Secara umum dapat didefinisikan bahwa Hipotesa adalah pernyataan ten-
tang parameter populasi. Hal ini dapat berupa pernyataan bahwa µ1 = µ2
vs µ1 6= µ2 dan lain-lain. Sedangkan Hipotesis Statistik adalah pernyataan
tentang distribusi dari satu atau lebih sampel random yang diambil da-
ri populasi. Tujuan dari uji hopotesis statistik adalah untuk memutuskan
berdasarkan sampel, mana dari dua hopetesis (yang saling asing) yang be-
nar. Dua hipotesis yang saling asing itu biasa disebut hipotesis nol ( H0 )
dan hipotesis alteratif ( H1 ). Misal
H0 : g( x ) ∼ N (10, σ2 ) (5.1)
H1 : g( x ) ∼ N (µ, σ2 ), µ 6= 10 (5.2)
Untuk mempermudah kedua hipotesis statistik ini cukup ditulis sbb:
H0 : µ = 10 vs H1 : µ 6= 10
De f inisi
Dua buah peryataan (hipotesa) yang saling asing dalam persoalan uji hi-
potesa disebut hipotesa nol dan hipotesa alternatif. Masing-masing dinya-
takan dengan H0 dan H1 . Bila θ menyatakan parameter populasi, format
umum dari hipotesa nol dan alternatif adalah:
Bab 5. Hipotesis Statistik 140 ISBN 978-602-8310-02-4

H0 : θ ∈ Ω0 danH1 : θ ∈ Ω0c
dengan Ω0 suatu himpunan bagian dari ruang parameter dan Ω0c adalah
komplemennya dimana Ω0 ∪ Ω0c = Ω = {θ; −∞ < θ < ∞} .
Dalam uji hipotesa sesudah mengobservasi sampel, harus ditentukan apa-
kah menerima H0 yang berarti menolak H1 atau menerima H1 yang berarti
menolak H0 .
De f inisi
Himpunan bagian ruang sampel dimana H0 ditolak disebut daerah peno-

lakan atau daerah kritis. Komplemen daerah penolakan disebut daerah
penerimaan. Jika rentang H1 seluruhnya terletak pada satu sisi dari nilai
H0 , alternatif itu dikatakan satu sisi. Jika H1 memuat semua nilai parame-
ter kecuali satu nilai H0 maka alternatif itu disebut dua sisi.
Jika pernyataan suatu hipotesis berkaitan hanya dengan satu distribusi
maka disebut hipotesis tunggal (sederhana), sedangkan jika berkaitan le-
bih dari satu distribusi dinamakan hipotesis majemuk (gabungan). Seba-
gai contoh: H0 : µ ≤ 10 vs H1 : µ > 10 merupakan hipotesis majemuk.
Jika H0 diganti dengan µ = 10 maka diperoleh hipotesis tunggal.
5.3.2 Uji Rasio Likelihood
Metode rasio likelihood atau likelihood ratio test (LRT) dalam uji hipotesis
berhubungan dengan estimator likelihood maksimum dan uji tersebut se-
cara luas dapat diterapkan. Ingat bila x1 , ..., xn adalah sampel random dari
populasi dengan densitas f ( x |θ ) (θbisa berupa vektor), fungsi likelihood
didefinisikan sebagai
_ n
L(θ | x1 , ..., xn ) = f ( x |θ ) =ui=1 f ( xi |θ )
Misalkan Ω dinyatakan ruang parameter. Uji rasio likelihood didefinisik-

an sebagai berikut.

De f inisi
Uji statistik rasio likelihood (LRT ) untuk uji H0 : θ ∈ Ω0 vsH1 : θ ∈ Ω0c

adalah
Sup
Ωo L(θ | x̄ )
λ( x̄n ) = Sup
Ω L(θ | x̄ )
Uji rasio likelihood adalah uji sedemikian hingga daerah penolakan mem-
_ _
punyai bentuk:{ x: λ( x ) ≤ C }dengan C sembarang bilangan yang meme-
nuhi 0 ≤ C ≤ 1.
Contoh
Misalkan x1 , ..., xn adalah sampel random dari populasi N (θ, 1). Pandang
uji hipotesa H0 : θ = θ0 vsH1 : θ 6= θ0 . Di sini θ0 adalah bilangan tertentu.
_
Karena H0 hanya menentukan satu bilangan, maka pembilang dari λ( x )
_
adalah L(θ0 | x ). MLE dari θ untuk ruang parameter tanpa kendala adalah
_ _ _
mean sampel x. Jadi penyebut dari λ( x ) adalah L( x | x ). Sehingga statistik
LRT adalah
(2π )− n/2 exp − ∑( xi − θ0 )2 /2

_
λ( x ) = _
(2π )− n/2 exp [− ∑( xi − x )2 /2]
_
h i
= exp − ∑( xi − θ0 )2 + ∑( xi − x )2 /2
_
Pernyataan untuk λ( x ) dapat disederhanakan, karena:
_
∑ ( x i − θ0 )2 = ∑ ( x i − x )2 + n ( x i − θ0 )2
Jadi, statistik LRT adalah
_
h i
λ( x ) = exp −n( xi − θ0 )2 /2 (5.3)

_
LRT adalah uji yang menolak H0 untuk harga-harga λ( x ) kecil. Dengan
menggunakan 5.3 didapat daerah penolakan:
r
_ _ −2 log c
{ x : λ ( x ) ≤ C } = { x : | x − θ0 | ≥ }
n
q
−2 log c
dimana 0 < c < 1,dan 0 < n < ∞. Jadi LRT adalah uji yang
menolak H0 bila mean sampel berbeda dengan θ0 melebihi harga tertentu
yang ditetapkan.
Bila T ( x ) statistik cukup antara θ dengan densitas g(t|θ ), maka dapat di-
pikirkan untuk mengkonstruksikan LRT berdasar pada Tdan fungsi like-
_
lihoodnya L ∗ (θ |t) = g(t|θ ) sebagai pengganti sampel x dan fungsi likeli-
_
hoodnya L(θ | x ). Misalkan λ∗ (t) menyatakan uji statistik rasio likelihood
_
berdasar T. Hal ini masuk akal karena semua informasi tentang θ dari x
_
termuat dalam T ( x ).
Teorema
_
Bila T ( x ) statistik cukup untuk θ, sedangkan λ∗ (t) dan λ(t) masing-
_ _
masing adalah statistik LRT berdasar T dan x maka λ∗ T ( x ), dimana
_ _
λ( x )untuk setiap x dalam ruang sampel.
Bukti
_ _
Dengan teorema faktorisasi, densitas dari x dapat ditulis sebagai f ( x |θ ) =
_
g ( T ( x |θ ) h( x ) dengan g(t|θ ) adalah densitas dan h( x ) tidak tergantung
pada θ. Jadi,
_ _
SupΩo L(θ | x̄ ) SupΩo g( T ( x )|θ) h( x )
λ( x̄n ) = = _ _
SupΩ L(θ | x̄ ) SupΩ ( g( T ( x )|θ) h( x )
SupΩo f ( x̄ | θ )
=
SupΩ f ( x̄ | θ )
SupΩo g( T ( x̄ ) | θ )
=
SupΩ g( T ( x̄ ) | θ )

SupΩo L∗ (θ | x̄ )
=
SupΩ L∗ (θ | x̄ )
_
= λ∗ T ( x )
Contoh
Misalkan X1 , ..., Xn adalah sampel random dari N (µ, σ2 ); H0 : µ ≤

µ0 vs H1 : µ ≥ µ0 .
σ2 adalah parameter pengganggu.
Statistik LRT adalah
maks L(µ, σ2 | x̄ ) {µ, σ2 : µ ≤ µ0 , σ2 > 0}

λ( x̄ ) =
maks L(µ, σ2 | x̄ )
maks L(µ, σ2 | x̄ ) {µ, σ2 : µ ≤ µ0 , σ2 > 0}

λ( x̄ ) =
maks L(µ̂, σˆ2 | x̄ )
a a2
dimana µ dan σ , adalah MLE dari µ dan σ2 . Selanjutnya, bila µ ≤ µ0 ,
maksimum kendala sama dengan maksimum tanpa kendala, sedang un-
a _
tuk µ> µ0 , maksimum kendala adalah L(µ0 , σ2 | x ).
Jadi

a

1; jika µ ≤ µ0 


_

λ( x ) = a2 _ a 
L ( µ0 , σ | x )
; jika >
µ 


 2
a _
µ 0
L(µ,σ |x)
5.3.3 Metode Uji Evaluasi Hipotesis
Untuk prosedur uji hipotesa λ( x ), fungsi uji adalah fungsi pada ruang
_ _
sampel dengan nilai 1 bila x dalam daerah penolakan, dan nilai 0 bila x
dalam daerah penerimaan.

Table 5.1: Kesalahan dalam Uji Hipotesis
Keputusan
Menerima H0 Menolak H0
Hipotesis Benar H0 Keputusan Benar Kesalahan Tipe I
H1 Kesalahan Tipe II Keputusan Benar
Dalam memutuskan untuk menerima atau menolak hipotesa nol dieva-

luasi dan dibandingkan melalui probabilitasnya membuat kesalahan. Se-
karang dibicarakan bagaimana probabilitas membuat kesalahan tersebut
dapat dikontrol.
5.3.3.1 Probabilitas Kesalahan dan Fungsi Kekuatan Uji
Dalam uji hipotesis H0 : θ ∈ Ω0 vs H1 : θ ∈ Ω0c dapat terjadi salah satu dari

dua jenis kesalahan, yaitu kesalahan tipe I (α) dan kesalahan I I ( β), sbb:
1. Jika θ ∈ Ω0 tetapi uji hipotesis menolak H0 , maka uji telah membuat

kesalahan tipe I.
2. Jika θ ∈ Ω0c tetapi uji menerima H0 , maka uji telah membuat kesa-
lahan tipe I I.
Keadaan ini bisa digambarkan sbb:
Misalkan C daerah kritis (penolakan) untuk suatu uji hipotesis, maka un-
tuk θ ∈ Ω0 uji membuat kesalahan bila X ∈ C, sehingga probabilitas kesa-
lahan tipe I adalah P( X ∈ C ). Untuk θ ∈ Ω0 c probabilitas kesalahan tipe
II adalah P( X ∈ C c ). Karena P( X ∈ C c ) = 1 − P( X ∈ C ) maka P( X ∈ C )
merupakan fungsi θ memuat semua informasi tentang uji dengan daerah
kritis C.
Selanjutnya didapat:

(
P(kesalahan tipe I ), jika θ ∈ Ω0
P( X ∈ C ) =
1 − P(kesalahan tipe I I ), jika θ ∈ Ω0c
De f inisi
Fungsi kuasa (power function) dari uji hipotesis dengan daerah penolakan
C adalah fungsi dari θ yang didefinisikan
K (θ ) = P( X ∈ C ) (5.4)
Nilai fungsi kuasa di suatu titik parameter disebut kekuatan uji dititik ter-
sebut. Fungsi kuasa yang ideal adalah bernilai nol untuk θ ∈ Ω0 dan ber-
nilai satu untuk θ ∈ Ω0c . Namun bentuk ideal ini tidak dapat dicapai. Uji
hipotesis baik bila fungsi kuasa memiliki nilai:
1. mendekati nilai 1 untuk θ ∈ Ω0c dan
2. mendekati 0 bila θ ∈ Ω0
De f inisi
Tingkat signifikansi dari uji (atau ukuran dari daerah kritis C) adalah sup-
remum dari fungsi kekuatan uji kalau hipotesis nol besar.
Berdasarkan definisi ini, tingkat signifikansi uji yang ditulis α merupakan

probabilitas kesalahan tipe I. Jadi tingkat signifikansi uji αmerupakan:
P(kesalahantipeI ) = P(menolakH0 | H0 benar ) = α
Contoh
Uji hipotesis H0 : p = 1/2vsH1 : p > 1/2; dengan p parameter distri-

busi binomial. Jika sampel berukuran 18 dan H0 ditolak untuk x ≥ 13.

Dipertimbangkan tingkat signifikansi uji atau kekuatan uji bila H0 benar

sbb:
P(menolak H0 | H0 benar ) = P( X ≥ 13| p = 1/2) (5.5)

18
18
= ∑ (1/2) x (1 − 1/2)18−x = 0, 05
x =13
x
Jadi tingkat signifinkansi uji atau kekuatan uji di p = 1/2 adalah 0, 05
Contoh
1 1
Misalkan Xn ∼ Binomial (5, θ ). Pandang uji H0 : θ < 2 vs H1 : θ > 2.
Fungsi kuasa untuk uji ini adalah:
β 1 ( θ ) = P ( x ∈ R ) = P ( x = 5) = θ 5
Grafik β 1 (θ )dapat kita lihat dalam gambar di bawah.
Dalam menyelidiki fungsi kuasa ini, walaupun pro-

babilitas
kesalahan tipe I dapat diterima sebagai kecil
β 1 (θ ) ≤ ( 21 )5 = 0, 0312 untuk semua θ ≤ 21 , namun probabilitas ke-

salahan tipe II terlalu tinggi β 1 (θ ) terlalu kecil untuk semua θ > 21 .
Probabilitas kesalahan tipe II kurang dari 12 hanya jika θ > ( 12 )5 = 0, 87.
Untuk mendapatkan probabilitas kesalahan tipe II yang lebih kecil, dapat
dipertimbangkan menggunakan uji yang menolak H0 bila x = 3, 4, atau5 .
Fungsi kuasa untuk uji ini adalah
β 2 (θ ) = ! P( x = 3, 4, 5) ! !
5 5 5
= θ 3 (1 − θ )2 + θ 4 (1 − θ )1 + θ 5 (1 − θ )0 .
3 4 5
Grafik dari β 2 (θ ) juga diperlihatkan dalam gambar di atas. Dalam gambar

tersebut terlihat bahwa uji kedua mempunyai probabilitas kesalahan tipe

II lebih kecil dalam kasus β 2 (θ ) lebih besar untuk θ > 12 . Tetapi probabi-
litas kesalahan tipe I lebih besar untuk uji kedua; β 2 (θ ) lebih besar untuk
θ ≤ 12 . Bila harus memilih diantara kedua tes tersebut, pertimbangannya
adalah mana struktur kesalahan yang digambarkan oleh β 1 (θ ) atau β 2 (θ )
yang lebih diterima.
Contoh
Misalkan X1 , ..., Xn adalah sampel random dari populasi N (θ, σ2 ), dan σ2

diketahui. LRT untuk H0 : θ ≤ θ0 vsH1 : θ > θ0 adalah uji yang menolak
( x̄ −θ )
H0 bila σ/√0n > c. Fungsi kuasa uji ini adalah
_ _
x −√
θ0 x −√
θ0 θ0 −
√θ θ0 −
√θ
β(θ ) = P σ/ n
> c = P σ/ n
> c + σ/ n
= P Z > c + σ/ n
dengan Zvariabel random normal baku. Untuk θ naik dari −∞ sampai ∞,

dapat dilihat bahwa probabilitas normal ini naik dari nilai 0 ke 1. Karena
itu β(θ ) fungsi naik dari θ dengan
limθ →−∞ β(θ ) = 0,limθ →∞ β(θ ) = 0, dan β(θ ) = αbilaP( Z > c) = α
Contoh
Misalkan disyaratkan bahwa kesalahan tipe I maksimum 0, 1 dan kesalah-

an tipe II maksimum 0,2 untuk θ ≥ θ0 + σ. Hendak ditunjukkan bagai-
mana memilih c dan n, untuk mencapai persyaratan di atas menggunakan
( x̄ −θ )
uji yang menolak H0 : θ ≤ θ0 bila σ/√0n > c. Seperti disebutkan di muka
fungsi kuasa uji sedemikian adalah:
θ0 − θ

β(θ ) = P Z > c + √
σ/ n
Karena β(θ ) fungsi naik, maka persyaratannya dipenuhi bila β(θ ) = 0, 1

dan β(θ + σ ) = 0, 8
Dengan memilih c = 1, 28, kita mendapatkan β(θ0 ) = P( Z > 1, 2) = 0, 1

(sebenarnya 0,1003 dari tabel) dan tidak tergantung n. Sekarang ingin
√
dipilih n sedemikian hingga β(θ + σ) = P( Z > 1, 28 − n) = 0, 8.

Tetapi dari tabel P( Z > −0, 84) = 0, 8, sehingga dengan mengambil

√
1, 28 − n = −0, 84 dan menyelesaikan untuk n didapat n = 4, 49. Jadi
dengan mengambil c = 1, 28 dan n= 5 persyaratan di atas dipenuhi.
5.3.3.2 Uji Paling Kuat (Most Powerfull Test)
Seperti yang telah dipaparkan di depan, uji hipotesis berusaha untuk

mengontrol baik kesalahan tipe I yaitu paling besar sama dengan α un-
tuk semua θ ∈ Ω0 . Demikian juga dengan probabilitas kesalahan tipe II,
yaitu mempunyai fungsi kuasa yang besar untuk θ ∈ Ω0c .
De f inisi
Misalkan C adalah kelas uji untuk H0 : θ ∈ Ω0 vsH1 : θ ∈ Ω0c . Uji da-

lam kelas C dengan fungsi kuasa β(θ ), disebut uji uniformly most powerfull
(UMP) kelas C bila β(θ) ≥ β1 (θ) untuk setiap θ ∈ Ω0c dan setiap β1 (θ) yaitu
fungsi kuasa dari uji dalam kelas C .
De f inisi
Daerah kritik C adalah daerah kritik paling kuat seragan ukuran α untuk
uji hipotesis H0 lawan hipotesis alternatif H1 jika himpunan C adalah da-
erah kritik terbaik ukuran α untuk uji H0 lawan hipotesis sederhana H1 .
Suatu uji yang didefinisikan pada daerah kritik ini disebut uji paling kuat
seragam dengan tingkat signifikansi α dari uji hipotesis sederhana H0 law-
an hipotesis gabungan alternatif H1 . Uji paling kuat seragam tidak selalu
ada, tetapi kalau ada teorema Neyman − Person dapat digunakan untuk
mencarinya.
Contoh
Misalkan X1, X2 , ..., Xn sampel random dari distribusi n(0, θ ) dengan va-
rian θ tidak diketahui. Akan diperlihatkan bahwa ada uji paling ku-
at seragam dengan tingkat signifikansi α untuk uji hipotesis sederhana

0 0
H0 : θ = θ dengan θ adalah bilangan bulat posistif lawan
n hipotesis
o ga-
0 0
bungan alternatif H1 : θ > θ .Ruang parameter Ω = θ; θ ≥ θ . Fungsi
kepadatan peluang bersama dari X1, X2 , ..., Xn adalah
n/2 !
∑ xi2

1
L(θ; x1 , x2 , ..., xn ) = exp − (5.6)
2πθ 2θ
Misalkan θ 00 bilangan yang lebih besar dari θ 0 , k bilangan posisif dan C

himpunan titik-titik dengan
L(θ 0 ; x1 , x2 , ..., xn )
≤k (5.7)
L(θ 00 ; x1 , x2 , ..., xn )
maka diperoleh
n/2 " #
θ 00 θ 00 − θ 0 n

θ0
exp −
2θ 0 θ 00 ∑ xi2 ≤k (5.8)
i =1
atau ekivalen dengan
2θ 0 θ 00 n
n 00
θ
∑ xi2 ≥ 00
θ − θ0 2
ln
θ0
− ln k = c (5.9)
i =1
Himpunan ( )
n
C= ( x1 , x2 , ..., xn ) : ∑ xi2 ≥ c (5.10)
i =1
0
adalah daerah kritik terbaik untuk uji hipotesis sederhana H0 : θ0 = θ la-
wan hipotesis sederhana θ = θ 00 . Sekarang tinggal menentukan c sehingga
daerah kritik ini mempunyai ukuran α seperti yang diinginkan. Jika H0 be-
n
nar variabel random ∑ xi2 /θ 0 mempunyai distribusi Khi-kuadrat dengan
i =1
derajat bebas n. Karena
!
n
α=P ∑ xi2 /θ 0 ≥ c/θ ; H00
(5.11)
i =1

c/θ 0 dapat ditentukan dari tabel dan c ditentukan maka C =

( )
n
( x1 , x2 , ..., xn ) : ∑ xi2 ≥ c adalah daerah kritik terbaik ukuran α un-
i =1
0
tuk uji H0 : θ = θ lawan hipotesis θ = θ 00 . Selain itu, untuk seti-
ap bilangan θ 00 yang lebih besar dari θ 0 maka argumen otomatis terpe-
nuhi.
( Jika θ 000 adalah bilangan
) lain yang lebih besar dari θ 0 maka C =
n
( x1 , x2 , ..., xn ) : ∑ xi2 ≥ c adalah daerah kritik terbaik ukuran α untuk
i =1
0 000
uji H0 : θ = θ lawan
( hipotesis θ = θ . Oleh
)karena itu, menurut definisi
n
diatas maka C = ( x1 , x2 , ..., xn ) : ∑ xi2 ≥ c adalah daerah kritik terbaik
i =1
0 0
paling kuat seragam ukuran α untuk uji H0 : θ = θ lawan H1 : θ > θ . Ji-
0
ka x1 , x2 , ..., xn nilai eksperimen dari X1, X2 , ..., Xn maka H0 : θ = θ ditolak
n
∑ xi2 ≥ c.
0
ditingkat signifikansi α dan H1 : θ > θ diterima jika
i =1
5.3.3.3 Teorema Neyman-Pearson
Misalkan H0 : θ = θ0 vs H1 : θ = θ1 dengan densitas yang bersesuaian de-

ngan θi adalah f ( x |θi ), i = 0, 1. Dengan menggunakan uji dengan daerah
penolakan C yang memenuhi kedua hal berikut:
x ∈ C, jika f ( x |θ1 ) > k f ( x |θ0 ) (5.12)
x ∈ C c , jika f ( x |θ1 )k f ( x |θ0 ) (5.13)
untuk suatu k ≥ 0 dan α = Pθ0 ( x ∈ R)

maka
1. Syarat cukup setiap uji yang memenuhi 5.12 dan5.13 adalah uji UMP
taraf α
2. Syarat perlu, jika terdapat uji yang memenuhi kedua kondisi di atas
dengan k > 0 maka setiap uji UMP taraf α adalah uji dengan ukur-

an α, kecuali mungkin pada himpunan A yang memenuhi Pθ0 ( X ∈

A) = 0.
AkibatTeorema
Misalkan kondisi teorema Neyman-Person berlaku, dan jika T ( X̄ ) adalah

statistik cukup untuk θ dan g(t|θ ) adalah densitas T bersesuaian dengan
θi , i = 0, 1. Maka setiap uji berdasar T dengan daerah penolakan S (him-
punan bagian dari ruang sampel T) adalah uji UMP taraf α bila dipenuhi
kedua hal berikut:
1. t ∈ Sbilag(t|θ1 ) > kg(t|θ )
2. t ∈ Sc bilag(t|θ1 ) < kg(t|θ0 )
untuk suatu k ≥ 0, dengan α = Pθ0 ( X ∈ S).
Bukti
_
Dalam sampel asal X̄ uji berdasar T mempunyai daerah penolakan C ={ x:
_
T ( x ) ∈ S} . Dengan teorema faktorisasi densitas dapat ditulis sebagai
_ _ _ _
f ( x |θi ) = g ( T ( x )|θi ) h( x ), i = 0, 1, untuk suatu fungsi tak negatif h( x ).
Dengan mengalikan ketaksamaan pada nomer 1 di depan dengan fungsi
tak negatif ini, didapat C memenuhi
_ _ _ _ _ _
x ∈ Cbila f ( x |θi ) = g ( T ( x )|θi ) h( x ) > kg ( T ( x )|θ0 ) h( x ) = k f ( x |θ0 ).
dan
_ _ _ _ _ _
x ∈ C c bila f ( x |θi ) = g ( T ( x )|θi ) h( x ) < kg ( T ( x )|θ0 ) h( x ) = k f ( x |θ0 ).
Juga dari pernyataan nomer 2 didapat:
_
Pθ0 ( X ∈ R) = Pθ0 (( T ( x ) ∈ S) = α.
Jadi dengan syarat cukup dari Lemma Neyman-Pearson, Uji berdasar T
adalah uji UMP taraf α.q.e.d.
Contoh

Misalkan x ∼ binomial (2, θ ). Uji H0 : θ = 1/2vsH1 : θ = 3/4. Dengan

menghitung rasio densitas didapat:
f (0 | δ = 34 ) 1 f (2 | δ = 43 ) 3 f (1 | δ = 43 ) 9
1
= ; 1
= ; 1
=
f (0 | δ = 2 ) 4 f (2 | δ = 2 ) 4 f (1 | δ = 2 ) 4
Dengan memilih 43 < k < 94 , maka Lemma Neyman-Pearson mengatak-

an bahwa uji yang menolak H0 bila x = 1 atau 2 adalah uji UMP taraf
α = p( x = 1atau2, θ = 1/2) = 43 . Dengan memilih k < 14 atau k > 34
menghasilkan UMP taraf α = 1atauα = 0.
Perhatikan bila k = 43 , maka kita harus menolak H0 untuk titik sampel
x = 2 dan menerima H0 untuk x = 0 dan untuk x = 1 tak menentu. Tetapi
bila kita menerima H0 untuk x = 1 kita mendapatkan uji UMP taraf α = 41
supremium di atas. Bila kita menolak H0 untuk x = 1 kita mendapatkan
uji UMP taraf α = 34 seperti di atas.
De f inisi
Hipotesa yang menyatakan bahwa parameter univariat besar, sebagai con-

toh H : θ ≥ θ0 , atau kecil, sebagai contoh H : θ < θ0 disebut hipotesa satu
sisi. Sedangkan Hipotesa yang menyatakan bahwa parameter bisa besar
atau kecil, sebagai contoh, H : θ 6= θ0 disebut hipotesa dua sisi. Banyak
persoalan yang mempunyai uji UMP taraf α berhubungan dengan uji hi-
potesa satu sisi dan densitas yang mempunyai sifat monotone Likelihood
ratio.
5.3.3.4 Teorema Karlin-Rubin
Pandang uji hipotesa H0 : θ ≤ θ0 vsH1 : θ > θ0 . Misalkan T adalah statistik

cukup untuk θ dan keluarga densitas { g(t|θ ) : θ ∈ Ω} dari T mempunyai
sifat MLR (monotone likelihood ratio). Maka untuk t0 uji yang menolak H0
bhb T > t0 adalah uji UMP taraf α, dengan α = Pθ0 ( T > t0 ).
Bukti

Karena densitas T mempunyai sifat MLR, fungsi kuasa β(θ ) = Pθ0 ( T > t0 )
tidak turun. Sehingga Supθ ≤θ0 β(θ ) = β(θ0 ) = α dan ini adalah uji taraf α.
Dengan menggunakan bagian (b) dan (c) akibat teorema Neyman-Person,
dan didapat:
g(t|θ 1 )
k1 = in f t∈τ
g ( t | θ0 )
dengan τ = {t|t > t0 }dan g(t|θ 1 ) > 0 atau g(t|θ0 ) > 0

Jadi menurut akibat teorema Neyman-Person di depan uji adalah UMP
taraf α. q.e.d.
5.3.3.5 Daerah Kritik Terbaik
Misal C subset dari ruang sampel. C disebut daerah kritik terbaik berukur-
an α untuk uji hipotesis sederhana H0 : θ = θ 0 lawan H1 : θ = θ 00 jika untuk
setiap subset A dari ruang sampel dengan P [( X1, X2 , ..., Xn ) ∈ A; H0 ] = α
berlaku
1. P [( X1, X2 , ..., Xn ) ∈ C; H0 ] = α
2. P [( X1, X2 , ..., Xn ) ∈ C; H1 ] ≥ P [( X1, X2 , ..., Xn ) ∈ A; H1 ]
Cara lain yang dapat digunakan menentukan daerah kritik terbaik adalah
dengan menggunakan teorea Neyman-Pearson.
Teorema Neyman-Pearson
Misalkan X1, X2 , ..., Xn sampel random dari distribusi yang mempunyai

f.k.p f ( x; θ ). Selanjutnya f.k.p bersama dari X1, X2 , ..., Xn adalah
L(θ; x1 , x2 , ..., xn ) = f ( x1 ; θ ) f ( x2 ; θ )... f ( xn ; θ ) (5.14)
Misalkan θ 0 dan θ 00 nilai tertentu dari θ yang berbeda sehingga Ω =

{θ; θ = θ 0 , θ 00 } dan misalkan k bilangan posistif. Jika C subset dari ruang
sampel sedemikian sehingga

L(θ 0 ;x1 ,x2 ,...,xn )

1. L(θ 00 ;x1 ,x2 ,...,xn )
≤ k ; ∀ titik (x1 , x2 , ..., xn ) ∈ C
L(θ 0 ;x1 ,x2 ,...,xn )
2. L(θ 00 ;x1 ,x2 ,...,xn )
> k ; ∀ titik (x1 , x2 , ..., xn ) ∈ C ∗
3. α = P [( X1, X2 , ..., Xn ) ∈ C; H0 ]
Maka C adalah daerah kritik terbaik berukuran α untuk uji hipotesis se-
derhana H0 : θ = θ 0 lawan hipotesis sederhana alternatif H1 : θ = θ 00
Satu hal yang ditegaskan oleh teorema ini adalah bahwa jika C himpunan
dari semua titik-titik ( x1 , x2 , ..., xn ) yang memenuhi
L(θ 0 ; x1 , x2 , ..., xn )
≤ k; k > 0 (5.15)
L(θ 00 ; x1 , x2 , ..., xn )
maka sesuai dengan teorema, C merupakan daerah kritik terbaik. keti-

daksamaanini sering dinyatakan dalam bentuk (dengan c1 dan c2 suatu
konstanta)
u1 ( x1 , x2 , ..., xn ; θ 0 , θ 00 ) ≤ c1 (5.16)
atau
u2 ( x1 , x2 , ..., xn ; θ 0 , θ 00 ) ≤ c2 (5.17)
Pandang bentuk u1 ≤ c1 . Karena θ 0 dan θ 00 suatu konstanta,

u1 ( x1 , x2 , ..., xn ; θ 0 , θ 00 ) suatu statistik dan jika f.k.p dari statistik ini dapat
ditentukan kalau H0 benar maka tingkat signifikansi dari uji H0 lawan H1
dapat ditentukan dari distribusi ini.
Contoh
Diketahui X1, X2 , ..., Xn sampel random dari distribusi yang mempunyai

f.k.p
1 1
f ( x; θ ) = √ exp(− ( x − θ )2 ); −∞ < x < ∞ (5.18)
2π 2
Akan diuji hipotesis sederhana H0 : θ = θ 0 = 0 lawan hipotesis alternatif
H1 : θ = θ 00 = 1. Perhatikan bahwa
√
L(θ 0 ; x1 , x2 , ..., xn ) (1/ 2π )n −(∑ xi2 )/2

= √ (5.19)
L(θ 00 ; x1 , x2 , ..., xn ) (1/ 2π )n exp [−(∑( xi − 1)2 )/2]

uji di θ = θ 00 = 1
Z∞
1 ( x − 1)2
P( x ≥ c1 ; H1 ) = √ √ exp(− dx (5.20)
c1 2π 1/n 2(1/n)
Untuk contoh di depan, jika n = 25 dan jika α = 0, 05 maka dari tabel
ditemukan c1 = 1,645
√ = 0, 329. Kekuatan dari uji ini dari H0 lawan H1
25
adalah 0, 05 kalau H0 benar dan
Z∞ Z ∞
1 ( x − 1)2 1 2 /2
√ √ exp(− dx = √ e−w dw = 0, 999,jika H1 benar.
0,329 2π 1/25 2(1/25) −3,355 2π
1. Misalkan hipotesis yang diuji adalah parameter bernoulli p, yakni
H0 : p = 1/5 lawan H1 : p 6= 1/5
Misalkan pula dilakukan percobaan n = 60000 dengan hasil x =

12489. Dengan menggunakan kriterium daerah kritis 0, 05, hitunglah
x ∗ yang memenuhi
P( X ≥ X ∗ | H0 benar) = 0, 05
Pembahasan :
Untuk lebih memudahkan perhitungan, kita gunakan teorema limit

pusat, sehingga
" #
x − 60000(1/5) X ∗ −60000(1/5
P( X ≥ X ∗ | H0 benar) = P p ≥p
60000(1/5)(4/5) 60000(1/5)(4/5)
x −60000(1/5)
dengan √ berdistribusi normla standar. Karena P( Z ≥
60000(1/5)(4/5)

1, 64) = 0, 05 (dari tabel z), maka X ∗ dapat dihitung dari persamaan
X ∗ −12000
1, 64 = √
9600
Diperoleh X ∗ = 12161. Karena dari data eksperimen kita peroleh

x = 12489 > 12161, maka kita simpulkan H0 ditolak.
2. Diketahui variabel random X dengan f.k.p,
1 − x/θ
f ( x; θ ) = e .
θ
Uji hipotesis H0 : θ = 2 vs H1 : θ = 4. Dengan menggunakan

sampel random X1 dan X2 berukuran 2, diputuskan menolak H0 bi-
la C = {( x1 , x2 ); 9, 5 ≤ x1 + x2 < ∞} . Tentukan fungsi kekuatan uji
dan tingkat signifikani uji.
Pembahasan :
K (θ ) = P {( x1 , x2 ) ∈ C }
Jika H0 benar, θ = 2 maka fkp bersama dari X1 dan X2 adalah
f ( x1 ; 2) f ( x2 ; 2) = 1/4e−( x1 + x2 )/2 ; 0 < x1 < ∞, 0 < x2 < ∞

= 0, untuk x yang lain
dan
P [( x1 , x2 ) ∈ C ] = 1 − P [( x1 , x2 ) ∈ C c ]
Z 9,5Z− x2
9,5
= 1− 1/4e−( x1 + x2 )/2 dx1 dx2 ∼
= 0, 05
0 0
Jika H1 benar, θ = 4, f.k.p bersama dari X1 dan X2 adalah
f ( x1 ; 4) f ( x2 ; 4) = 1/16e−( x1 + x2 )/4 ; 0 < x1 < ∞, 0 < x2 < ∞

= 0 ; untuk x yang lain

Sehingga
Z 9,5Z− x2
9,5
P [( x1 , x2 ) ∈ C ] = 1− 1/16e−( x1 + x2 )/4 dx1 dx2 ∼
= 0, 31
0 0
Jadi, kekuatan uji 0, 05 untuk θ = 2 dan 0, 31 untuk θ = 4. Karena

tingkat signifikansi adalah kekuatan uji bila H0 benar, maka tingkat
signifikansi tes ini adalah 0, 05.
Cara lain, dengan menggunakan tabel χ2 (2). Misalkan x1 + x2 = Y
maka Y berdistribusi χ2 (4). Kekuatan uji kalau H0 benar diberikan
oleh
P(Y ≥ 9, 5) = 1 − P(Y ≤ 9, 5) = 1 − 0, 95 = 0, 05
Kalau H1 benar, variabel random X/2 berdistribusi χ2 (2) sehingga

variabel random Z = ( x1 + x2 )/2 berdistribusi χ2 (4). Kekuatan uji
bila H1 benar adalah
Z∞
P( x1 + x2 ≥ 9, 5) = P( Z ≥ 4, 75) = 1/4ze−z/2 dz ∼
= 0, 31
4,75
Karena tingkat signifikansi adalah fungsi kekuatan kalau H0 benar,

maka α = 0, 05
3. Pandang uji H0 : θ ∈ Ω0 vsH1 : θ ∈ Ω0c . Misalkan uji berdasar statis-

tik cukup T dengan daerah penolakan S memenuhi tiga syarat beri-
kut:
(a) Uji adalah uji taraf α

(b) Terdapat θ0 ∈ Ω0 sedemikian hingga Pθ0 ( T ∈ S) = α
(c) Misalkan g(t|θ ) menyatakan densitas dari T. Untuk θ0 yang sa-
ma seperti dalam (b) dan untuk setiap θ 1 ∈ Ω0c terdapat k1 ≥ 0
sedemikian hingga
t ∈ Sbilag(t|θ 1 ) > k1 g(t|θ0 )dant ∈ Sc bilag(t|θ 1 ) < k1 g(t|θ0 )
Tunjukkan uji ini adalah uji UMP taraf α dari H0 versus H1 .

Pembahasan :

Misalkan β(θ ) adalah fungsi kuasa dari uji dengan daerah penolakan
S. Tetapkan θ 1 ∈ Ω0c . Pandang uji H01 : θ = θ0 vsH11 : θ = θ 1 , menurut
akibat teorema Neyman-Person dan (a), (b), dan (c) mengakibatkan
β(θ 1 ) ≥ β∗ (θ 1 ) dengan β∗ (θ) fungsi kuasa untuk taraf α lain dari H01 ,
yaitu setiap uji yang memenuhi β(θ ) ≤ α. Tetapi, setiap uji tanpa α
dari H0 memenuhi β∗ (θ0 ) ≤ sup β∗ (θ ) ≤ α.
Jadi β(θ 1 ) ≥ β∗ (θ 1 ) untuk setiap uji taraf α dari H0 . Karena θ 1 seba-

rang maka soal terbukti.
4. Jika X1, X2 , ..., Xn sampel random dari distribusi n(θ, 1) dengan me-
an θ tidak diketahui. Perlihatkan bahwa tidak ada uji paling kuat
0
seragam dari hipotesis sederhana H0 : θ = θ dimana θ 0 tertentu la-
0
wan hipotesis gabungan alternatif H1 : θ 6= θ . Ruang sampelnya
Ω = {θ; −∞ < θ < ∞} .
Pembahasan :
Misalkan θ 00 suatu bilangan yang tidak sama dengan θ 0 dan k bilang-

an positif. Perhatikan bahwa
(1/2π )n/2 exp − ∑( xi − θ 0 )2 /2

≤k (5.21)
(1/2π )n/2 exp − ∑( xi − θ 00 )2 /2

atau
( )
n
n h 00 2 i
− θ 00 − θ ∑ xi +0
( θ ) − ( θ 0 )2

exp ≤k (5.22)
i =1
2
atau
n
n h 00 2 i
θ 00 − θ 0 ∑ xi ≥ (θ ) − (θ 0 )2 − ln k

(5.23)
i =1
2
Pertidaksamaan ini ekivalen dengan
n
n 00 ln k
∑ xi ≥ θ + θ 0 − 00 jika θ 00 > θ 0

(5.24)
i =1
2 (θ − θ 0 )

dan ekivalen ke
n
n 00 ln k
∑ xi ≤ θ + θ 0 − 00 jika θ 00 < θ 0

(5.25)
i =1
2 (θ − θ 0 )
0
Kedua ini mendifinisikan daerah kritik terbaik untuk uji H0 : θ0 = θ
lawan H1 : θ = θ 00 bila θ 00 > θ 0 dan θ 00 < θ 0 . Akan tetapi daerah kritik
terbaik uji hipotesis sederhana lawan hipotesis sederhana alternatif
θ = θ 0 + 1 tidak seperti daerah kritik terbaik daerah kritik terbaik
0
H0 : θ = θ lawan hipotesis sederhana alternatif θ = θ 0 − 1. Jadi
dalam kasus ini tidak ada uji paling kuat seragam.
5. Tentukan daerah kritik dari uji rasio likelihood untuk uji hipotesis
nol H0 : µ = µ0 lawan H1 : µ 6= µ0 yang didasarkan sampel random
berukuran n dari populasi normal dengan varians σ2 diketahui.
Pembahasan :
b ) = L(µ0 ). Karena Ω = < maka de-

Karena ω = {µ0 } maka L(ω
b=x
ngan menggunakan metode likelihood maksimum diperoleh µ
sehingga
n " #
1 n

1
L(ω
b) = √ exp − 2 ∑ ( xi − µ0 )2
σ 2π 2σ i=1
dan n " #
1 n

1
L(Ω
b) = √ exp − 2 ∑ ( xi − x )2
σ 2π 2σ i=1
sehingga
n h
2
i
λ = exp − 2 ( x − µ0 )
2σ
Daerah kritiknya adalah
h n i
exp − 2 ( x − µ0 )2 ≤ k
2σ
atau
2σ2
( x − µ0 )2 ≥ − ln k
n
atau q
| x − µ0 | ≥ − (2σ2 ln k) /n
dengan k akan ditentukan sehingga ukuran daerah kritik adalah α.

Jadi daerah kritiknya adalah
q
x : | x − µ0 | ≥ − (2σ2 ln k) /n
6. Diketahui X variabel random dengan distribusi n(θ1 , θ2 ) dan misalk-

an ruang parameter Ω = {(θ1 , θ2 ); −∞ < θ1 < ∞, 0 < θ2 < ∞} . Hi-
potesis gabungan H0 : θ1 = 0, θ2 > 0 dan hipotesis gabungan al-
ternatif H1 : θ1 6= 0. Himpunan ω = {(θ1 , θ2 ); θ1 = 0, 0 < θ2 < ∞}
adalah subset dari Ω dan H0 : (θ1 , θ2 ) ∈ ω. Tentukan uji H0 lawan
H1 .
Pembahasan :
Misalkan X1, X2 , ..., Xn sampel random yang berukuran n > 1 dari

distribusi ini. Distribusi bersama dari X1, X2 , ..., Xn disetiap titik da-
lam Ω adalah
n/2 2
∑ ( x i − θ1 )

1
L(θ1, θ2 ; x1 , x2 , ..., xn ) = exp − = L(Ω)
2πθ2 2θ2
Distribusi bersama dari X1, X2 , ..., Xn disetiap titik dalam ω adalah

n/2 2
∑ ( xi )

1
L(0, θ2 ; x1 , x2 , ..., xn ) = exp − = L(ω )
2πθ2 2θ2
b ) dan L(Ω
Sekarang akan ditentukan L(ω b ). Perhatikan bahwa
d ln L(ω )
= 0
dθ2
2
n ∑ ( xi )
− + = 0
2θ2 2θ2

Diperoleh
1 n
n i∑
θ2 = ( x i )2
=1
Sehingga
!n/2
ne−1
L(ω
b) =
2π ∑ ( xi )2
Dengan cara analog (dengan metode likelihood maksimum) dipero-
leh
n
θ1 = x dan θ2 = ∑ (xi − x)2 /n
i =1
sehingga
n/2
ne−1

L(Ω
b) =
2π ∑(( xi − x )2 /n)
Karena itu,
" #n/2
∑ ( x i − x )2
λ= 2
∑ ( xi )
Jadi daerah kritik rasio likelihood adalah
" #n/2
∑ ( x i − x )2
2
≤k
∑ ( xi )
atau ( )
∑ ( x i − x )2
x: 2
≤ k2/n
∑ ( xi )
7. Misalkan x1 , x2 , x3 random variabel independen berdistribusi

B (1, P). Uji hipotesis H0 : P = 0, 25 dengan tingkat signifikasi α
berdasarkan LR Test Statistic dan dapatkan distribusinya!
Pembahasan :
xi ∼ B (1, P) ⇒ P ( xi = xi ) = p xi (1 − P)1− xi , xi = 0, 1 i = 0, 1, 2, 3

L (P | x) = πi3=1 P ( xi = xi )
= P x1 (1 − P)1−x1 .P x2 (1 − P)1−x2 .P x3 (1 − P)1−x3
= P x1 + x2 + x3 (1 − P)3− x1 .x2 .x3
P Σ i =1 x i ( 1 − P ) 3 − Σ i =1 x i
3 3
=
Diuji hipotesis H0 : P = 0, 25 vs H1 : P 6=, 25
Ω0 = { P = 0, 25}
Pandang Ruang Parameter:
Ω = { P | 0 < P < 1}
Di bawah Ω0 didapat PΛ = P0 = 0, 25 , di bawah Ωdidapat MLE-P

Σ3 x
adalah PΛ = i=31 i
Sebab:
logL ( P | x ) = Σ3i=1 xi .logP + 3 − Σ3i=1 xi logP (1 − p)

d.logL( P| x ) Σ3i=1 x 3 x . −1
Σ

dp = P + 3 − i =1 i 1.p
(1− PΛ )Σ3i=1 x− PΛ (3−Σ3i=1 xi )
0 = P Λ (1− P Λ )
Σ3i=1 xi
PΛ = 3
= x
Sup PeΩ0 L( P| x )
λ (x) = Sup PeΩ L( P| x )
Σ3 x 3− Σ3 x
(0,25) i=1 i (0,75) i =1 i
= 3 − Σ3 x i
Σxi Σx Σxi (0,75) i =1

3 1− 3
Σ3 x i 3− Σ3 x i
i =1 i =1
3(0,25) 3(0,75)
= Σ3i=1 xi 3−Σ3i=1 xi
λ ( x )adalah fungsi ........... dari Σ3i=1 xi
Daerah kritik untuk uji ini adalah
λ < C0
atau
! Σ3 !3− Σ3
i =1 x i i =1 x i
0, 75 2, 25
< C0
Σ3i=1 xi 3 − Σ3i=1 xi
Dibawah H0 Σ3i=1 xi ∼ B (3, P = 0, 25) maka daerah kritik uji ini

adalah berbentuk pasangan.

Σxi < C0∗ dan Σxi > C0∗∗
Dimana C0∗ dan C0∗∗ dapat ditung berdasarkan tingkat signifikasi

αyang ditentukan dan distribusi binomial n − 3 dan p − 0, 25 maka
hubungan:

P Σ3i=1 xi < C0∗
≈ α2 dan

P Σ3i=1 xi > C0∗∗ ≈ α2
Jadi distribusi yang digunakan dalam uji ini adalah distribusi

Binomial dengan trial = 3 dan Probabilitas sukses p = 0, 25. Se-
dangkan untuk n besar dapat digunakan pendekatan −2logλyang
berdistribusi Asimtotik X(21) .
8. Misalkan X1 , X2 , ...., X30 (n = 30) barisan variabel random berdistri-

busi Gamma dengan α = 10 dan β tidak diketahui. Kontruksikanlah
MP test dari hipotesis H0 : β = 2 vs H1 : β = 3, pada level signifikasi
0, 05.
Pembahasan :
(a) Diketahui Xi ∼ G (α, β) maka densitas dari Xi adalah:

f ( Xi | β ) = 1
r (α) βα
x α −1 e − x i β ; x i > 0, α > 0, dan β > 0
Dengan ruang parameter:
Ω0 = {(α, β) | α = 10; β = 2}
Ω = {(α, β) | α = 10; β = 3 > β 0 = 2}
(b) Densitas bersama dari xi pada Ω0 adalah

h i30
f 0 ( x | β 0 ) = r(101)210 πi30 9 − 12 Σ30
i =1 x i
=1 x e
(c) Densitas bersama dari xi pada Ωadalah:

h i30
1
f 1 ( x | β 1 ) = r(10)310 πi30 9 − 13 Σ30
i =1 x i
=1 x e
(d) Rasio Likehoodnya adalah:

f1 (x| β1 )
R ( Z, β 0 , β 1 ) = f0 (x| β0 )
30
1 − 31 Σ30 xi
πi30 9
=1 x e
i =1
r (10)310
= 30
1 30
1
πi30 9 − 2 Σ i =1 x i
r (10)210 =1 x e
1 30 1 30
πi30 9 − 3 Σi =1 xi π 30 x9 e− 2 Σi =1 xi
=1 x e i =1
= 30 . 30
1 1
r (10)310 r (10)210
2 300
.e− 3 Σi=1 xi + 2 Σi=1 xi
1 30 1 30
= 3
2 300 1 Σ30 x
= 3 .e 6 i=1 i > C
(e) Dengan C suatu konstantaa tertentu, jadi dapat ditulis:
300 300
2 1 30
Σ x 2
.e 6 i=1 > C atau
i
3 3
Ambil logaritma kedua ruas, diperoleh:
6 Σ i =1 x i
1 30
> Log C − 300 Log 23
= Log C − 300 (Log 2 − Log 3)
= Log C − 300 (0, 3010 − 0, 4771)
= Log C + 52, 83
Σ30
i =1 x i > 6 (Log C + 52, 83) = C0
Jadi HP testnya berbentuk:
(
1;Jika Σ30
i =1 xi > C0
Ø (Z) =
0; Jika Σ30
i =1 xi ≤ C0
(f) Karena Σxi ∼ G (nβ, α), maka C0 dapat dihitung berdasarkan:

R∞ 1 299 e−Y 2 dy = 0, 05 dengan Y = Σx
C r (300)2300 Y
0
i
9. Misalkan X1 , X2 , ...., X30 (n = 30) variabel random independen ber-

distribusi N µ, σ2 dengan µ tidak diketahui dan σ diketahui. Tun-

jukkan sampel size ndapat ditentukan, sehingga uji hipotesis H0 :

µ = 0 vs hipotesis H1 : µ = 1dapat dilakukan bila nilai-nilai αdan
β telah ditentukan sebelumnya. Berapakah nilai numeris dari n, jika
α = 0, 05, β = 0, 9, dan σ = 1?
Pembahasan

(a) Xi ∼ G µ, σ2 maka densitas dari Xi adalah:

−12 1 (Xi −µ)2

f ( Xi | µ) = 2πσ2 e 2σ2 ;-∞ < x < ∞
Ω0 = α, σ2 | µ = 0; σ > 0

Ω = α, σ2 | −∞ < µ < ∞; σ > 0, µ = 1

(b) Densitas bersama dari xi pada Ω0 adalah:

− n 2 − 1 Σ n x 2
f 0 ( x | µ = 0) = 2πσ2 e 2σ2 i=1 i
(c) Densitas bersama dari xi pada Ωadalah:

− n 2 − 1 Σ n ( x i − 1 ) 2
f 1 ( x | µ = 1) = 2πσ2 e 2σ2 i=1
(d) Rasio Likehoodnya adalah:
f 1 ( x | µ =1)
R ( Z, µ0 , µ1 ) = f 0 ( x | µ =0)
− 12 Σin=1 xi2 − 12 Σin=1 ( xi −1)2
= e 2σ 2σ
− 12 Σin=1 xi2 − 12 Σin=1

(5.26)
= e 2σ 2σ
( xi2 −2xi +1)
− 1
Σn x2 − n2
= e 2σ2 i =1 i σ >C
dengan C suatu konstanta tertentu. Bentuk di atas dapat ditulis:
1 n
Σin=1 xi
e σ2 .e σ2 > C
1 n
Σ x n (5.27)
e σ 2 i =1 i > e σ2
Ambil logaritma kedua ruas diperoleh:
1 n
Σ x
σ 2 i =1 i
> n
σ2
+ LogC
Σin=1 xi > n 2
2 + σ LogC
Σn x 1 σ2
Atau i=n1 i > 2 + n LogC = C0 ⇒ X > C0
(e) Jadi HP testnya berbentuk:

(
1;Jika X > C0 1
Ø (Z) = denganX = Σin=1 xi (5.28)
0; Jika X ≤ C0 n
(f) Karena xi ∼ N µ, σ2 , maka x ∼ N µi , σ2 n ; i = 0, 1..C0

ditentukan dengan:

Eµ0 [Ø ( Z )] = Pµ0 ( x > C0 ) =α

1 − Pµ0 ( x ≤ C0 ) = 0, 05
Pµ0 ( x ≤ C0 ) = 1 − 0, 05
= 0, 95
Atau:

x −µ0x C0 −µ0x
Pµ0 ≤ = 0, 95
σx σx
C −µ
Pµ0 Z ≤ √0 10x = 0, 95
√n
Pµ0 Z ≤ C0 n = 0, 95
(g) Dengan menggunakan tabel distribusi normal starndard dipe-

roleh:
Pµ0 ( Z ≤ 1, 645) = 0, 95 sehingga didapat

√
C0 n = 1, 645 (5.29)
Karena β = 0, 9dan berdasarkan di atas diperoleh:
Eµ1 [Ø ( Z )] = 1 − 0, 9 = 0, 1 (1 − β = P)
tidak menolak H0 | H1 salah.
Pµ1 ( x ≤ C0 ) = 0, 1
x −µ0x C0 −µ0x
Pµ1 ≤ = 0, 1
σx σx
C0 −µ0x
Pµ1 Z ≤ √
1n
= 0, 1
√
Pµ1 Z ≤ C0 n = 0, 1
(h) Dengan menggunakan tabel distribusi normal standard dipero-

leh:
√
Pµ1 Z ≤ C0 n = 0, 1
Sehingga diperoleh:
√
n (C0 − 1) = −1, 28 (5.30)
Dari (3) dan (4) diperoleh:

√ √
C0 n − n = −1, 28
√
1, 64 − n = −1, 28
√
n = 1, 64 +1, 28 = 2, 92
Atau
n = (2, 92)2 = 8, 53 ' 9
Jadi nilai n yang ditanyakan adalah sekitar 9. Jika niali n =

9 disubstitusikan ke (3) diperoleh C0 = 0, 55 sehingga MP
Testnya adalah:
(
1;Jika X > 0, 55 1
Ø (Z) = denganX = Σin=1 xi
0; Jika X ≤ 0, 55 n
Dengan kata lain H0 ditolak apabila X > 0, 55,H0 diterima

apabila X ≤ 0, 55
10. Misalkan x1 , x2 , ..., x30 variabel random independen berdistribusi

N µ, σ2 . Jika x = 3, 2, kontruksilah MP test dari hipotesis H0 :

µ = 3; σ2 = 4vs hipotesis alternatif H1 : µ = 3, 5; σ2 = 4pada level

signifikasi α = 0, 01
Penyelesaian
• Xi ∼ N µ, σ2 densitas dari Xi adalah

−12 − 1 ( xi −µ)2
f Xi | µ, σ2 = 2πσ2

e 2σ2
Ω0 = µ = 3; σ2 = 4

Ω = −∞ < µ < ∞; σ2 > 0, µ = 1

Ω0c = µ = 3, 5; σ2 = 4

• Densitas bersama dari xi pada Ω0 adalah:

2
(2π.4)−50 e− 8 Σi=1 (xi −3)
1 100
f 0 x | µ, σ2

=
2
(8π )−50 e− 8 Σi=1 ( xi −6xi +9)
1 100 2
=
= (8π )−50 e− 8 Σi=1 xi + 8 Σi=1 xi −112,5
1 100 2 6 100 2

• Densitas bersama dari xi pada Ω0c adalah:

2
(2π.4)−50 e− 8 Σi=1 (xi −3,5)
1 100
f 1 x | µ, σ2

=
2
(8π )−50 e− 8 Σi=1 ( xi −7xi +12,25)
1 100 2
=
= (8π )−50 e− 8 Σi=1 xi + 8 Σi=1 xi −153,125
1 100 2 7 100 2
• Rasio Likehoodnya adalah:
f 1 ( x |µ,σ2 )
R (z, µ0 , µ1 ) = f 0 ( x |µ,σ2 )
− 18 Σ100 xi2 + 78 Σ100 xi2 −153,125
(8π )−50 e i =1 i =1
(5.31)
= − Σ1 100 6
x + Σ100 x2 −112,5
2
(8π )−50 e 8 i=1 i 8 i=1 i
= e− 18 Σ100 2
i =1 xi −40,62,5 >C
dengan C suatu konstanta tertentu.
Bentuk (1) diatas dapat ditulis sabagai:
e− 8 Σi=1 xi > e40,62,5 .C

1 100 2
(5.32)
ambil logaritma kedua ruas pertidaksamaan (2), diperoleh:
8 Σ i =1 x i
1 100 2
> 40, 62, 5 + LogC
Σ100 2
i =1 x i > 325 + 8LogC
Σ100 x
i =1 i 8
Jadi diperoleh: 100 > 325 + 100 LogC = C0
Sehingga MP tes dari uji hipotesis diatas berbentuk,
(
1;Jika X > C0 Σ100 xi
Ø (Z) = dengan i=1 = 3, 2
0; Jika X ≤ C0 100
Karena xi ∼ N µ, σ2 dengan n=100, maka

σ2

4
x ∼ N µi , = N µi , : 1 = 0, 1
n 100
C0 ditentukan dengan Eµ0 [Ø ( Z )] = Pµ0 ( x > C0 ) = αdengan
α=0,01
Jadi:

Eµ0 [Ø ( Z )] = Pµ0 ( x > C0 ) = Pµ0 ( x > C0 )

1 − Pµ0 X ≤ C0 = 0, 01

Pµ0 X ≤ C0 = 1 − 0, 01 = 0, 99
Bentuk ini diubah kebentuk distribusi normal standars, sebagai
berikut:

X −µ0X C0 −µ0X
Pµ0 σX ≤ σX = 0, 99
r
Pµ0 Z ≤ Cσ0 −3 = 0, 99 dengan σ = 4 2
= , µ0 = 3
X X 100 10
C0 −3
Ø 210 = 0, 99
Pµ0 ( Z ≤ 5C0 − 15) = 0, 99
Dengan menggunkan tabel distribusi normal standard dipero-
leh
Pµ0 ( Z ≤ 2, 33) = 0, 99, sehingga diperoleh:
5C0 − 15 = 2, 33 ⇒ 5C0 = 17, 33

17,33
C0 = 5 = 3, 466
Jadi MP test dari uji hipotesis diatas adalah:
(
1;Jika X > 3, 466
Ø (Z) =
0; Jika X ≤ 3, 466
Dengan kata lain: Karena X = 3, 2 < C0 = 3, 466maka H0 tidak

ditolak pada tingkat signifikasi α = 0, 01
11. Misalkan X variabel random yang densitasnya uniform

µ (0, 1)disimbolkan dengan f 0 atau berdistribusi triangular pa-
da interval [0, 1]disimbolkan dengan , dimana f 1 berbentuk:


4x ; 0 ≤ x < 12
f1 = 4 − 4x ; 12 ≤ x ≤ 1

0 ; otherwise

yang didasarkan pada observasi tungal X. Konstruksilah MP test da-

ri hipotesis H0 : f = f 0 vs hipotesis H1 : f = f 1 pada level signifikansi

α = 0, 05
Penyelesaian:
• Diuji hipotesis H0 : f 0 ( x ) = 1I[0,1] ( x ) vs H1 : f 1 ( x )

Bentuk: Ω = {θ0 , θ1 }dengan f ( x | θ0 ) = f 0 ( x ); 0 ≤ x ≤ 1dan
f ( x | θ1 ) = f 1 ( x ); 0 ≤ x ≤ 1
X ∼^ (0, 1)maka densitas dari X adalah:
1
f ( x | θ0 ) = f 0 ( x ) = ;0 ≤ x ≤ 1
1−0
Disini: f ( x | θ0 ) = f 0 ( x )dan f ( x | θ1 ) = f 1 ( x )karena observasi
didasarkan pada observasi tunggal pada X.
Rasio Likehoodnya adalah:

4x ; 0 ≤ x < 12
f ( x | θ1 ) f1 (x) 
= = f1 (x) = 4 − 4x ; 12 ≤ x ≤ 1
f ( x | θ0 ) f0 (x) 
0 ; otherwise

f1 (x) > C ⇔ 4x > C atau 4 − 4x > C

Jadi
⇔ x > C4 atau x < 1 − 1/4C
Dengan C suatu konstanta tertentu.
sebut,C4 = C00 dan 1 − 1/4C”maka MP tes dari uji hipotesis
tersebut akan terbentuk:
(
1;Jika X > C4 = C00 atau x < 1 − 1/4C = C0 ”
Ø (Z) =
0; Jika X ≤ C0 dan x ≥ C0 ”
Nilai C00 dan C0 ”dihitung dengan Eθ0 [Ø ( x )] = αdengan α =

0, 05, yaitu
• Eθ0 [Ø ( x )] = 1.Pθ0 ( x > C00 ) + 1.Pθ0 ( x < C0 ”) + 0.Pθ0 ( x ≤ C00 ) +

0.Pθ0 ( x ≥ C0 ”) = 0, 05

⇐⇒
= Pθ0 ( x > C00 ) + Pθ0 ( x < C0 ”) = 005
= Pθ0 ( x > C00 ) + 1 − Pθ0 ( x < C0 ”) = 0, 05
R1 R1
= 0 dx + 1 − dx = 0, 05
R 1co R 1co ”
= c dx + 1 − = 0, 05
4 1− 4c dx
1
[ x ]1c + 1 − 1− c dx
R
= = 0, 05
4 4
= 1 − 4c + 1 − [ x ]11− c = 0, 05
4
1 − 4c + 1 − 1 − 1 − c

= 4 = 0, 05
= 2 − 4c − 1 + 1 − 4c = 0, 05
= 2 − 4c = 0, 05
c
2 = 2 − 0, 05 = 1, 95
atau
C = 2 (1, 95) = 3, 9
Jika harga c=3,9 ini disubstitusikan masing-masing ke
C00 = 4c diperoleh C00 = 3,9
4 = 0, 975dan
c
C0 ” = 1 − 4 = 1 − 0, 975 = 0, 025.
Jadi diperoleh harga C00 = 0, 975 dan C0 ” = 0, 025. Sehingga MP tes
dari uji hipotesis tersebut adalah:



 1 ; Jika x > 0, 975 atau

 x < 0, 025
Ø (x) =


 0 ; Jika x ≤ 0, 975 dan

 x ≥ 0, 025
Dengan kata lain: H0 (Hipotesa nol) ditolak jika x > 0, 975atau
x < 0, 025 dan H0 diterima pada 0, 025 ≤ x ≤ 0, 975. Seperti yang
diilustrasikan gambar berikut:
12. Misalkan x1 , x2 , ..., xn variabel random iid dengan densitas (pdf)

f 0 atau f 1 , diman f 0 berdistribusi P(1) dan f 1 berdistriubusi geome-
tris dengan P = 12 . Tentukan MP tes dari hipotesis H0 : f = f 0 vs
H1 : f = f 1 pada level signifikansi α = 0, 05
Penyelesaian:

e −1
H0 : f = f 0 ( x ) = x! VS
• Diuju hipotesis
1
x −1 x −1 x
H1 : f = f 0 ( x ) = 1− 2 . 12 = 1
2 . 12 = 1
2
e −1
Bentuk Ω = {θ0 , θ1 }dengan f ( x | θ0 ) = f 0 ( x ) = x! dan
x −1
f ( x | θ1 ) = f 1 ( x ) = 12 . 12
• Densitas bersama dari Xi untuk θ0 adalah:
e−n
f ( x | θ0 ) = n
π i =1 x i !
dan densitas bersama dari xi untuk θ1 adalah:
Σn
i =1 x i − n
n
1 1
f ( x | θ1 ) = 2 2
Σ n xi − n n
1 i =1
= 2 . 12 . 21
Σ n xi
1 i =1
= 2
• Rasio Likehoodnya adalah:
f ( x | θ1 )
R ( Z, f 0 , f 1 ) = f ( x | θ0 )
Σ n xi
( 12 ) i =1
= e−n
π n xi !
=1
i
πn x

πin=1 xi ! 12 i=1 i
= e−n
dengan C suatu konstanta tertentu. Atau bentuk diatas dapat

ditulis sebagai:
n
!
1 π i =1 x i
πin=1 xi ! > C.e−n (5.33)
2
Ambil logaritma kedua ruas dari (1) diperoleh:

Logπin=1 xi ! + Σin=1 xi log 12 > logC − n

Σin=1 xi logxi + Σin=1 xi log 12 > logC − n
Σin=1 xi logxi + Σin=1 xi {log1 − log2} > logC − n
Σin=1 xi logxi + Σin=1 xi {0 − 0, 3010} > logC − n
Σin=1 xi logxi − 0, 3010Σin=1 xi > logC − n

Misalkan: logxi = ti maka, xi = eti

Jadi: Σin=1 ti − 0, 3010Σin=1 eti > Log − n
13. Mislakan x1 , x2 , ...., xn variabel random iid dengan

densitas (pdf) sebagai berikut: (i). f (x | θ ) =
θ α α−1 −θx
r (α)
x e I(0,∞) ( x ) ; θeΩ = (0, ∞) α diketahui > 0 (ii). f ( x | θ ) =
!
r + x − 1
θr (1 − θ ) x I A ( x ) ; A = {0, 1, 2...} θeΩ = (0, 1).
x
Tunjukkan densitas bersama dari (i) dan (ii) mempunyai sifat MLR
(Monotone Likehood Ratio) dalam V ( x1 , x2 , ..., xn ).
Penyelesaian:
(i). Densitash bersama
in dari xi adalah:
n
f ( x | θ ) = r(θα) πin=1 xiα−1 e−θΣi=1 xi
α
Keluarga distribusi ini adalah keluarga distribusi eksponensial,

sebab keluarga tersebut dapat ditulis ke dalam bentuk:
f ( x | θ ) = C ( θ ) e Q(θ ) T ( x ) h ( x ) (5.34)
dengan: h in
θα
C (θ ) = r (α)
; Q (θ ) = −θ
T (x) = Σin=1 xi ; h ( x ) = πin=1 xiα−1
Jelas Q (θ ) = −θdecreasing pada (0, ∞), sebab Q (θ ) = −1 < 0. Jadi
berdasarkan proposisi 1 halaman 277 dari Roussas, keluarga ekpo-
nensial diatas memiliki sifat MLR dalam v ( x ) = − T ( x ) = −Σin=1 xi .
(ii). Densitas bersama dari xi adalah:
!
r + x − 1
( 1 − θ ) Σ i =1 x i
n
f (x | θ ) = θ nr π
x !
r+x−1
eΣi=1 xi Log (1 − θ )
n
= θ nr π
x
14. X ∼ Bin (θ, n) . Misalkan Ø ( x )adalah uji UMP untuk H0 : θ ≤

θ0 vs H1 : θ > θ0 . Untuk n=6;θ0 = 0, 25 dan α = 0, 05; 0, 1 dan 0, 2.

Tentukan uji bersama-sama dengan β (θ ) fungsi kuasa untuk θ0 =

0, 3; θ0 = 0, 4.
Penyelesaian:
x ∼ Bin (θ, n), maka densitas dari x adalah:
!
n
f (x | θ ) = θ x (1 − θ n − x )
!x
6
= 0, 25x (1 − 0, 25)6− x
x !
6
= 0, 25x 0, 75x
x
Densitas bersama dari x adalah:
!
6
f ( x | θ ) = πin=1 0, 25Σx 0, 7536−Σx
x !
6 Σ6 x i
0,25
= πi6=1 0, 7536 0,75
xi !
6 Σ6 x i
= πi6=1 0, 7536 13
x!
6
0, 7536 eΣ xi log( 3 )
6 1
= πi6=1
xi
Jelas bentuk terakhir ini adalah berbentuk keluarga ekponensial
dengan:
!
6
c (θ ) = 0, 7536 ; h ( x ) = πi6=1
x
i
T (x) = Σ s xi dan Q (θ ) = Log 1
3
Jadi bentuk UMP tes diatas adalah:


 1
 jika x > c
Ø (x) = γ jika x = c ; dengan Σin==11 xi = X ∼ Binθ

0 bagi yang lain

• Sekarang dilihat untuk H0 : θ < 0, 3vsH1 : θ > 0, 3untuk

α = 0, 05
Eθ0 [Ø ( x )] = Pθ0 ( x > c) + γPθ0 ( x = c) = 0, 05

1 − Pθ0 ( x ≤ c) + γPθ0 ( x = c) = 0, 05
Pθ0 ( x ≤ c) − γPθ0 ( x = c) = 0, 95
Dengan menggunakan tabel binomial untuk n = 6; θ0 =0,3
diperoleh: untuk c = 4 diperoleh P0,3 ( x ≤ c) = 0, 9868
P0,3 ( x = 4) = P0,3 ( x ≤ 4) − P0,3 ( x ≤ 3)
Jadi:
= 0, 9868 − 0, 9192 = 0, 0676
Sehingga diperoleh:
0, 9868 − γ (0, 0676) = 0, 95

γ (0, 0676) = 0, 0368
γ = 0, 5444
Jadi UMP tes diatas menjadi:


 1 jika x > 4
Ø (x) = 0, 54444 ; jika x = 4

0 bagi yang lain

Dengan kata lain:

H0 ditolak apabila x > 4
H0 ditolak dengan kendala 0,54444 Jika x = 4
Power of the test di 0,7 adalah:
β Ø (0, 7) = P0,7 ( x > 4) + 0, 54444P0,7 ( x = 4)
= P0,3 ( x ≤ 1) + 0, 54444P0,3 ( x = 24)
= 0, 3936 + (0, 54444) [ P0,3 ( x ≤ 2) − P0,3 ( x ≤ 1)]
= 0, 3936 + (0, 54444) . (0, 7208 − 0, 3936)
= 0, 3936 + 0, 1781
= 0, 5717
Dengan fungsi kuasa di 0,3
β (θ ) = PθeΩ1 ( x > 4) + 0, 544PθeΩ

! ( 1 (x >
! 4) )
6 6
= Σ6x=4 θ x (1 − θ )6− x + 0, 544 θ 4 (1 − θ )2
x x

• H0 : θ ≤ 0, 3 vs H1 : θ > 0, 3untuk α = 0, 1.
Eθ0 Ø ( x ) = Pθ0 ( x > c) + γ.Pθ0 ( x = c) = 0, 1

= 1 − Pθ0 ( x ≤ c) + γ.Pθ0 ( x = c) = 0, 1 (5.35)
Pθ0 ( x ≤ c) − γ.Pθ0 ( x = c) = 0, 9
Dengan menggunakan tabel binomial untuk n=6;
θ0 = 0, 3untuk c = 3 diperoleh Pθ0 ( x ≤ c) = 0, 9192.
Jadi:
Pθ0 ( x = 3) = Pθ0 ( x = 3) − Pθ0 ( x ≤ 2)
= 0, 9192 − 0, 7208 = 0, 1994
Sehingga, jika nilai-nilai ini disubstitusikan ke * diperoleh:
0, 9192 − γ (0, 1994) = 0, 9
0,9192−0,9
γ = 0,1994 = 0, 0962
Sehingga UMP tes untuk hipotesa ini adalah:


 1 ; jika x > 3
Ø (x) = 0, 0962 jika x = 3

0 bagi yang lain

Dengan kata lain:

H0 ditolak apabila x > 3
H0 ditolak dengan probabilitas 0,0962 jika x = 3
Power of the tes di 0,7 adalah:
β Ø (0, 7) = P0,7 ( x > 3) + 0, 0962P0,7 ( x = 3)
= P0,3 ( x ≤ 2) + 0, 0962P0,3 ( x = 3)
= 0, 7208 + 0, 0962 [ P0,3 ( x ≤ 3) − P0,3 ( x ≤ 2)]
= 0, 7208 + 0, 0962 [0, 9192 − 0, 7208]
= 0, 7399
!
6
Fungsi kuasa: β (θ ) = Σ θ x (1 − θ )6− x +
x
( ! )
6
0, 0962 θ 3 (1 − θ )3
x3
• H0 : θ ≤ 0, 3vs H1 : θ > 0, 3untuk α = 0, 2

Eθ0 Ø ( x ) = Pθ0 ( x > c) + γPθ0 ( x = c) = 0, 2

= 1 − Pθ0 ( x ≤ c) + γPθ0 ( x = c) = 0, 2 (5.36)
Pθ0 ( x ≤ c) − γPθ0 ( x = c) = 0, 8
Dengan tabel distrbusi binomial untuk n = 6 dan
θ0 = 0, 3diperoleh: untuk c = 3, maka P0,3 ( x ≤ c) = 0, 9192.
Jadi:
P0,3 ( x = 3) = P0,3 ( x = 3) − P0,3 ( x ≤ 2)

= 0, 9192 − 0, 7208 = 0, 1994
Harga-harga ini disubstitusikan ke * diperoleh 0,9192-γ0,1994 =
0,8 ⇒
−0,8
γ= 0,9192
0,1994 = 0, 6132
Sehingga UMP test untuk hipotesa ini adalah:


 1 ; jika x> 3
Ø (x) = 0, 6132 ; jika x= 3

0 ; bagi yang lain

Dengan kata lain:

H0 ditolak jika x > 3
H0 ditolak jika x = 3dengan probabilitas 0,6132.
β Ø (0, 7) = P0,7 ( x > 3) + 0, 6132P0,7 ( x = 3)

= P0,3 ( x ≤ 2) + 0, 6132P0,3 ( x = 3)
= 0, 7208 + 0, 0962 [ P0,3 ( x ≤ 3) − P0,3 ( x ≤ 2)]
= 0, 7208 + 0, 6132.0, 1852
= 0, 8344
H0 : θ ≤ 0, 4 VS H1 : θ > 0, 4, dengan α = 0, 05.
Eθ0 Ø ( x ) = P0,4 ( x > c) + γP0,4 ( x = c) = 0, 05

= 1 − P0,4 ( x ≤ c) + γP0,4 ( x = c) = 0, 05
P0,4 ( x ≤ c) − γP0,4 ( x = c) = 0, 95
(5.37)

Dengan tabel distribusi binomial untuk n = 6; θ0 = 0, 4

diperoleh untuk c = 4, maka P0,4 ( x ≤ 4) = 0, 9590. Jadi
P0,4 ( x = 4) = 0, 1382.
Substitusikan nilai-nilai ini * diperoleh:
0, 9590 − γ0, 1382 = 0, 95 ⇒ γ = 0.0651


 1 ; jika x> c=4
Ø (x) = 0, 0651 ; jika x= 4

0 ; bagi yang lain

β Ø (0, 6) = P0,6 ( x > 4) + 0, 0651P0,6 ( x = 4)

= P0,4 ( x ≤ 1) + 0, 0651P0,4 ( x = 2)
= 0, 2333 + 0, 0651.0, 3110
= 0, 2535
Untuk α = 0, 1
Eθ0 Ø ( x ) = P0,4 ( x > c) + γP0,4 ( x = c) = 0, 1

= 1 − P0,4 ( x ≤ c) + γP0,4 ( x = c) = 0, 1 (5.38)
P0,4 ( x ≤ c) − γP0,4 ( x = c) = 0, 9
Dengan tabel distribusi binomial untuk n = 6; θ0 = 0, 4
diperoleh untuk c = 4, maka P0,4 ( x ≤ 4) = 0, 9590. Jadi
P0,4 ( x = 4) = 0, 1382.
Substitusikan nilai-nilai ke ** diperoleh:
0, 9590 − γ.0, 1382 = 0, 9 ⇒ γ = 0, 4269.


 1 ; jika x> 4
Ø (x) = 0, 4269 ; jika x= 4

0 ; bagi yang lain


β Ø (0, 6) = P0,6 ( x > 4) + 0, 4269P0,6 ( x = 4)

= P0,4 ( x ≤ 1) + 0, 4269P0,4 ( x = 2)
= 0, 2333 + 0, 4269.0, 3110
= 0, 3660
Untuk α = 0, 2:
Eθ0 Ø ( x ) = P0,4 ( x > c) + γP0,4 ( x = c) = 0, 2

= 1 − P0,4 ( x ≤ c) + γP0,4 ( x = c) = 0, 2 (5.39)
P0,4 ( x ≤ c) − γP0,4 ( x = c) = 0, 8
Dari tabel distribusi binomial pada n = 6; θ0 = 0, 4 di-
peroleh untuk c = 3, maka P0,4 ( x ≤ 3) = 0, 8208. Jadi
P0,4 ( x = 4) = 0, 2765.
Substitusikan nilai-nilai ke *** diperoleh:
0, 8208 − γ.0, 2765 = 0, 8 ⇒ γ = 0, 0752.


 1 ; jika x> 3
Ø (x) = 0, 0752 ; jika x= 3

0 ; bagi yang lain

β Ø (0, 6) = P0,6 ( x > 3) + 0, 0752P0,6 ( x = 3)

= P0,4 ( x ≤ 2) + 0, 0752P0,4 ( x = 3)
= 0, 5443 + 0, 0752.0, 2765
= 0, 5651
15. Misalkan x1 , x2 , ...., xn variabel random berdistribusi eksponensial de-

ngan parameter lokasi θdan densitas f ( x | θ ) = exp {− ( x − θ )} θ ≤
x < ∞. Tentukan UMP tes untuk H0 : θ ≤ θ30 VS H1 : θ ≤ θ0
Penyelesaian:
f ( xi | θ ) = e−( xi −θ ) ;θ ≤ x < ∞
•
f ( x | θ ) = e−( xi −θ ) I(θ,∞) x(i)

dan densitas bersamanya adalah:

f (θ | x ) = e−Σ( xi −θ ) I(θ,∞) x(i)

= e − Σ ( x i − θ ) nθ
e I(θ,∞) x(i)
Dengan mengambil T ( x ) = x(i) danG ( T | θ ) =

enθ I(θ,∞) x(i) serta h ( x ) = e−Σxi , maka T ( x ) = x(i) adalah
statistik cukup bagi θ. Selanjutnya ditunjukkan keluarga
f ( x | θ )mempunyai sifat MLR (Monotone Likehood Ratio)
dalam T ( x ) = x(i) , yaitu ratio likehood dari f (θ | x )untuk
θ1 < θ2 adalah:
f ( θ2 | x ) ( θ2 − θ1 ) I
f ( θ1 | x )
= e (θ,∞) x(i ) yang merupakan fungsi tidak turun
dalam x(i) , berarti { f θ ; θeΩ}ini memiliki sifat MLR.
Jadi MP tes uji diatas adalah:
(
1 ; jika x (i ) > C
Ø (x) =
0 ; bagi yang lain
C dihitung dari densitas x(i) , seabgai berikut:
Misalkan Y = x(i) = xmin
P (Y = y ) = P ( xmin ≤ y)
= 1 − P ( xmin > y)
= 1 − {1 − P ( x ≤ y)}n
n RY on
= 1 − 1 − θ eθ e− x dx
y n
1 − 1 + eθ e− x |θ

=
n
1 − 1 + eθ e− x − 1

=
= 1 − enθ e−ny
= 1 − e−(y−θ )
d
f y (y) = dy { P (Y = y )}
d nθ e−ny

= 1 − e
Jadi: dy ;θ ≤ y < ∞
1 nθ −ny
= ne e
= n.e−n(y−θ )
Sehingga:

R∞ 1 nθ0 −ny
P (Y > c ) = ne
c e dy = α
1 nθ0 1 −ny ∞
= ne −ne |c = α

1 nθ0 1 −nc
3 = n e − n e = α

n2α n2α
⇒ e−nc = ⇒ −nc = Log Atau −nc =
enθ0 enθ0
1
Log n2 α − nθ
0 ⇒ c = θ0 − n Log n2 α
Kesimpulan: H0 ditolak apabila xmin > θ0 − n1 Log n2 α
16. Misalkan x1 , x2 , ..., x30 random variabel independen berdistribusi

G (α = 10, β),βtidak diketahui. Konstruksikanlah MP tes untuk uji
hipotesa H0 : β = 2VS H1 : β = 3dengan α = 0, 05.
Penyelesaian:
• xi ∼ G (α = 10, β) ⇒ f ( xi | β ) =
1
T(10)
x9 e− xi β Dikonstruksikan MP tes untuk H0 : β = 2VS
β10 i
H1 : β = 3. Berdasarkan Leuma Neyman-Pearson di dapat:
− 31 Σxi 30
f ( x | β =3) πi30 9
=1 x i e ( T(10) ) .(330 )
f ( x | β =2)
= 1
πi30 9 − 2 Σxi T 30
=1 x i e ( (10) ) .(230 )
e − ( 3 − 2 ) Σ i =1 x i
30 1 1 30
2

= 3
2 30 − 16 Σ30 i =1 x i

= 3 e
f ( x | β =3)
6 Σi =1 xi + 30Log 3
1 30 2

Log f ( x| β=2) =
Didapat H0 akan ditolak jika:

1 30 2
Σ x + 30Log >k
6 i =1 i 3

2
Σ30
i =1 x i > 6 k − 30Log =c
3
Selanjutnya dibawah H0 akan dicari distribusi dari Σ30

i =1 x i
−10
xi ∼ G (α = 10, β = 2) ⇒ Mxi (t) = (1 − 2t)

MΣ30 xi (t) = ( Mxi (t))30

h i30
= (1 − 2t)−10
= (1 − 2t)−300
600
= (1 − 2t)− 2
Ini adalah MGF dari x(2600) .
Dengan demikian H0 akan ditolak apabila Σ30 i =1 x i > c
Dimana c dapat dihitung berdasarkan tingkat signifikansi
α = 0, 05 dan distribusi x(2600) , memenuhi:
P Σ30

i =1 x i > c = 0, 05 atau
1 − P Σi=1 xi ≤ c = 0, 05 atau
30

P Σ30

i =1 x i ≤ c = 0, 95
Berdasarkan tabel distribusi x(2600) didapat c ≈ 61, 656

Untuk menguji H0 : β = 2 VS H1 : β = 3dengan tingkat
signikansi α = 0, 05, H0 akan ditolak jika: Σ30
i =1 xi > 61, 656
17. Soal Buku Roussas no 4 halaman 313. Misalkan x1 , x2 , ...., xn random

variabel berdistribusi N µ, σ2 dengan µtidak diketahui dan

σdiketahui. Ingin dilakukan uji hipotesa H0 : µ = 0 VS H1 : µ =

1Untuk α = 0, 05, β = 0, 9, dan σ = 1. Tentukan ukuran dari sampel
n.
Penyelesaian:
− 1 2 − 1 ( x i − µ ) 2
xi ∼ N µ, σ2 ⇒ f ( xi | µ) = 2πσ2

e 2σ2 σ diketahui
Uji hipotesis H0 : µ = 0 VS H1 : µ = 1. Berdasarkan Leuma
Neymman-Pearson di dapat:
2
−1n2 − 12 Σn ( xi −1)
f ( x | µ =1) (2πσ2 ) e 2σ
f ( x | µ =0)
= 1 n 2
−1n2 − 2σ2 Σ ( xi −0)
(2πσ2 ) e
− 12 (Σxi2 −2Σxi +n−Σxi )
= e 2σ
1
− (n−2Σxi )
= e 2σ2
n Σxi
−
= e 2σ2 .e σ2

MP tes memberikan, H0 ditolak jika :
n Σxi
−
e 2σ2 .e σ2 > k
− 2σn 2 + Σxσ2
i
> Logk
Σ i =1 x i
n > σ Logk + σ2 = c
2

Untuk α = 0, 05, β = 0, 9 dan σ = 1, dibawah H0 Σxi ∼ N (n.0, n.1) =

N (n, 0)dan di bawah H1 Σxi ∼ N (n.1, n.1) = N (n, n) .
α = P (Σxi > c)
0, 05 = P (Σx > c)
P(Σx ≤ c) = 0, 95
Σx − 0 c
⇔ P √n ≤ √n = 0, 95

⇔ P Z ≤ √cn = 0, 95

⇔ ∅ √cn = 0, 95
c
Daritabeldistribusi N (0, 1) didapat √ = 1, 64 (5.40)
n
1 − β = P (tidak menolak H0 | H0 salah)

1 − 0, 9 = P (Σx ≤ c)
0, 1 = P Σx√−nn ≤ c√−nn
√
0, 1 = P Z ≤ √cn − n
√
0, 1 = Ø √cn − n
Dari tabel distribusi N (0, 1)didapat:
c √
√ − n = −1, 28 (5.41)
n
Persamaan 1 disubstitusikan pada 2 didapat
√
n = √c + 1, 28 = 1, 64 + 1, 28
n
√
n = 2, 92 ⇒ n = (2, 92)2 ≈ 9
Jadi ukuran sampel adalah n = 9.
18. Misalkan x1 , x2 , ...., x100 variabel independen berdistribusi

N µ, σ2 .Jika x = 3, 2, Konstruksikan MP tes untuk hipotesis


H0 : µ = 3, σ2 = 4 VS H1 : µ = 3, 5, σ2 = 4pada tingkat signifikansi

α = 0, 01.
Penyelesaian:
−12 − 1 ( xi −µ)2
xi ∼ N µ, σ2 ⇒ f ( xi | µ) = 2πσ2

e 2σ2 akan dikon-
struksikan uji MP untuk: H0 : µ = 3, σ = 4 VS H1 : µ = 3, 5, σ2 = 4.
2
Lueman Neymaman-Pearson memberikan:

2
− 1 Σ100 ( xi −3,5)
f ( x |µ=3,5) (2π (4))−50 .e 2(4) i =1
f ( x | µ =3)
= − 1 Σ100 ( x −3)
2
(2π (4))−50 .e 2(4) i=1 i
− 18 [(Σxi2 −7Σx +(3,5)2 (100))−(Σxi2 −6Σx +(9)(100))]
= e
e− 8 [−Σx+325]
1
=
325 Σx
= e− 8 + 8
325 Σx
H0 akan ditolak jika:e− 8 + 8 > k yaitu:
Σx
8 − 325
8 > Logk
Σx > 8 Logk + 325

⇔ 8 = c
Σx
(5.42)
⇔ 100 > c
100 = c∗
⇔ x > c∗
Dimana c∗ dapat dihtung berdasarkan tingkat α = 0, 01dan dsitribusi
N µ = 3, σ2 = 2 (dibawah H0 ), yang memenuhi hubungan:

α = P ( x > c∗ )
⇔ 0, 01 = P ( x > c∗ )
⇔ 0, 99 = ∗
P ( x ≤ c ∗)
⇔ 0, 99 = P 2x−10
3
≤ 2c−103

c ∗ −3
⇔ 0, 99 = P Z ≤ 210
∗
⇔ 0, 99 = Ø 2c−103
Berdasarkan distribusi N (0, 1)didapat:
c ∗ −3
210 = 2, 33 ⇒ c∗ = 2
10 (2, 33) + 3
⇒ c∗ = 3, 466
Dari 1 telah didapat, H0 ditolak jika:

x > c∗
Karena x = 3, 2 < c∗ = 3, 466maka H0 tidak ditolak pada tingkat

signifikansi α = 0, 01
19. Misal x sampel random berdistribusi U(0,1) sebut f 0 atau berdistri-

busi dengan p.d.f segitiga pada [0, 1]sebut f 1 , yaitu:


 4x ; 0 ≤ x < 21
f1 = 4 − 4x ; 12 ≤ x ≤ 1

0 ; yang lain

Berdasarkan satu observasi x, konstruksikan MP tes untuk hipotesis

H0 : f = f 0 VS H1 : f = f 1 dengan tingkat signifikansi α = 0, 05.
Penyelesaian:
H0 : f = f 0 VS H1 : f = f 1
Lueman Neymaman-Pearson memberikan:

 4x
 ; 0 ≤ x < 21
f (x| f1 )
f (x| f1 )
= 4 − 4x ; 12 ≤ x ≤ 1

0 ; yang lain

Terlihat bahwa ratio ini untuk 0 ≤ x ≤ 12 fungsi λmemotong naik

dan pada 21 ≤ x ≤ 1merupakan fungsi dari x yang memotong turun.
Dengan demikian H0 akan ditolak jika:
4x < C1 atau 4x − 4 > cC2
Yang ekivalen dengan:
x < C1∗ atau x > C2∗
Dengan C1∗ dan C2∗ dapat dihitung berdasarkan tingkat signifikansi

α = 0, 05dan distribusi uniform yang memenuhi:
α α
P ( x < C1∗ ) = atau P ( x < C2∗ ) =
2 2
R C1∗ 0,05
⇒ 1dx = ⇒ C1∗ = 0, 025 atau
R01 2
0,05
C ∗ 1dx = 2 ⇒ 1 − C2∗ = 0, 025 ⇒ C2∗ 0, 975
2
• H0 ditolak jika: x < 0, 025atau x > 0, 975
20. Misalkan x1 , x2 , ...., xn random variabel iid berdistribusi dengan

p.d.f

f 0 atau f 1 , dengan f 0 adalah P (1)dan f 1 adalah geometrik P = 21 .
Dapatkan MP test untuk hipotesis H0 : f = f 0 VS H1 : f = f 1 untuk
tingkat signifikansi α = 0, 05.
Penyelesaian:
f 0 = P (1) ⇒ f ( xi | θ0 ) = xe!! , xi = 0, 1, 2...
i xi
f 1 = geometrik P = 21 ⇒ f ( xi | θ1 ) = 12 21 , xi = 0, 1, 2.
akan dicari MP test untuk H0 : f = f 0 VS H1 : f = f 1 :
Σxi
1 1
f (x | f1 ) 2 2 1 π n xi !
= en
= . i=Σ1n x
f (x | f0 ) πxi !
2 en .2 i=1 i
Lueman Neymaman-Pearson memberikan, daerah penolakan

H0 adalah:
1 πin=1 xi !
. >k
2 en .2Σi=1n xi
yang ekivalen dengan Σin=1 xi > c∗
dibawah H0 , Σin=1 xi ∼ P (n)sehingga c∗ dapat dihitung berdasarkan
tingkat signifikansi α = 0, 05dan distribusi P (n)yang memenuhi:
P (Σxi > c∗ ) = 0, 05
P Σ i =1 x i ≤ c
n ∗

= 0, 95
∗ t − n
Σct=0 n .et! = 0, 95
6. Soal Roussas no 9 halaman 314
Misalkanx1 , x2 , ...., xn random variabel dengan p.d.f diberikan diba-
wah ini. Pada setiap kasus. Perlihatkan bahwa p.d.f bersama dari x
adalah MLR dalam V = V ( x1 , x2 , ...., xn ).
x
a. f ( x; θ ) = Tθ(α) x α−1 e−θx .I(0,∞) ( x ) ; θe (0, ∞) ; α > 0 diketahui

!
v + x − 1
b. f ( x; θ ) = θ v (1 − θ ) x .I A ( x )
x
A = {0, 1, 2, ...} , θeΩ = (0, 1)
Penyelesaian:
x
a. f ( x; θ ) = Tθ(α) x α−1 e−θx .I(0,∞) ( x ) ; θe (0, ∞) ; α > 0 diketahui
θx
f ( x; θ ) = π n x α−1 .e−θΣx
( T (α))n i =1
πin=1 x α−1 −θΣx +Σxlogθ
= n .e
( T (α)) n
= πin=1 x α−1 T (1α) .eΣx(logθ −θ )
dengan berdasarkan pada proposisi 1, hal. 277 (Roussas) dan

dengan mengambil:
Q (θ ) = Logθ − θdanV ( x1 , x2 , ...., xn ) = ΣxQ (θ )adalah fungsi
turunan monoton dalam...........sebab.

0
Q (θ ) = 1
θ −1 < 0, untuk θe (0, ∞)dengan demiki-
an keluarga { g (t; θ ) , θeΩ = 0}adalah keluarga MLR dalam
V = −V ( x ) = −Σin=1 xi !
v + x − 1
b. f ( x; θ ) = θ v (1 − θ ) x .I A ( x )
x
A = {0, 1, 2, ...} , θeΩ = (0, 1)
!
r + x − 1
1 − θ Σxi
i
f ( x; θ ) = θ nr πin=1

xi !
r + xi − 1
θ nr eΣi=1 xlog(1−e)
n
= πin=1
xi
Dengan berdasarkan pada proposisi 1. Buku Rossas halaman 277
dan dengan mengambil :
Q (θ ) = Log (1 − θ )
V (x) = Σx
Maka Q (θ )adalah fungsi monoton turunan sebab:
−1
Q0 (θ ) = 1− θ
−1
= θ −1 < 0, untuk θe (0, 1)

sehingga keluarga distribusi { g (t, θ ) , θe (0, ∞)}adalah keluarga

MLR dalam V ( x ) = −V ( x )
21. Misalkan x1 , x2 , ...., xn sampel random dari distribusi exponensial de-

ngan parameter lokasi θdan densitas f ( x | θ ) = e−( x−θ ) , θ ≤ x < ∞.
Tentukan UMP test untuk H0 : θ ≤ θ0 , H1 : θ ≤ θ1 .
Penyelesaian:
xi ∼ f ( xi | θ ) = e−( xi −θ )
f ( x | θ ) = πin=1 e−( xi −θ ) = e−Σxi +nθ
Akan ditentukan UMP test untuk H0 : θ ≤ θ0 , H1 : θ ≤ θ1 .
• Keluarga distribusi { g (t, θ ) , θeΩ}adalah keluarga MLR, sebab

untuk θ > θ1
f ( x |θ ) eΣxi +nθ
f ( x |θ )
= Σxi +nθ1
1 e
= e n ( θ − θ1 ) , θ ∗ = θ1
∗
= enθ I(θ ∗ ,∞) ( x(i) )
Ratio ini adalah fungsi monoton naik dalam x(i) =
Min ( x1 , x2 , ...., xn )
• Selanjutnya T ( x ) = x(i) = Min ( x1 , x2 , ...., xn )adalah statistik
cukup untuk θsebab:
f ( x | θ ) = eΣxi +nθ , θ < xi < ∞; θ < x(i)≤ x(n) < ∞

= eΣx ene I(θ,∞) x(i)
Bersarkan teorema faktorisasi didapat:
T ( x ) = x(i) = Min ( x1 , x2 , ...., xn )
Adalah statistik cukup untuk θ

Selanjutnya berdasarkan teorema Karlin-Rubin dapat dikon-
struksi UMP test untuk hipotesis:
H0 : θ ≤ θ0 , H1 : θ ≤ θ0
Kaerna keluarga distribusi { g (t, θ ) , θeΩ}adalah MLR dari

T ( x ) = x(i) dan T ( x )adalah statistik cukup untuk θ, maka

berdasarkan teorema Karlin-Rubin terdapat c0 yang menolak

H0 bhb T > c0 merupakan UMP taraf αdengan : α = Pθ0 ( T > c0 )
Dengan kata lain, untuk H0 : θ ≤ θ0 , H1 : θ ≤ θ0 terdapat uji
UMP taraf α, yang menolak H0 jika x(i) > c0 dengan c0 dapat
ditentukan berdasarkan tingkat signifikansi αyang diberikan
dan distribusi dari x(i) yang memenuhi Pθ0 ( T > c0 ) = αkarena:
1 − F (t) = [ P ( x > t)]n

n
∞ −( x −θ )
R
= t e dx
n
= e−t .eθ
F (t) = 1 − enθ e−nt
f (t) = F 0 (t)
enθ e−nt
= n
e−n(t−θ )
= n ;t ≥e
Sehingga c0 dihitung berdasarkan hubungan :
Z ∞
1 − n ( t − θ0 )
e dt = α
t n
22. Jika x ∼ B (n, θ ), misalkan Ø ( x ) adalah uji UMP untuk H0 :
θ ≤ θ0 VS H1 : θ > θ0 . Untuk n = 6 , θ0 = 0, 25, dan α =
0, 05 ; 0, 01 ; 0, 02. Tentukan uji bersama-sama dengan β (θ ) fungsi
kuasa untuk θ0 = 0, 3 , θ0 = 0, 25 , dan θ0 = 0, 5.
Penyelesaian: !
n
x ∼ B (n, θ ) ⇒ f ( x | θ ) = θ x (1 − θ )n− x , x = 0, 1, 2...H0 : θ ≤
x
θ0 VS H1 : θ >  θ0 
 n  x n− x
  θ1 (1− θ1 )
f ( x |θ ) x
f ( x | θ1 )
=   , untuk θ1 > θ0
 n  x n− x
  θ0 (1− θ0 )
x
x nx
θ1 1− θ1
=
θ0
1−θ0
f ( x |θ ) − θ1
Log f ( x|θ ) = xLog θθ01 + (n − x ) Log 11−
1 θ0
(1− θ1 ) − θ1
= x Log θ0 − Log (1−θ ) + Log 11−
θ1
θ0
0


f ( x |θ )
Sehingga untuk: Log f ( x | θ1 )
> Log k
Ekivalen dengan:
1− θ1

Logk−nLog 1− θ0
x > c0∗ = ( θ1 )

1− θ1

Log − Log 1− θ0
( θ0 )
UMP tes memberikan:
∗

 1 ; jika x > c0

Ø (x) = γ ; jika x = c0∗
0 ; jika x < c0∗


dimana c0∗ dapat ditentukan berdasarkan hubungan Eθ0 (Ø ( x )) =

P ( x > c0∗ ) + γP ( x = c0∗ )
• Untuk n = 6, θ0 = 0, 25, α = 0, 05
α = P ( x > c0∗ ) + γP ( x = c0∗ )

= 1 − P ( x ≤ c0∗ ) + γP ( x = c0∗ )
P ( x ≤ c0∗ ) − γP ( x = c0∗ ) = 1−α
(5.43)
Dari tabel Binomial (n = 6, θ0 = 0, 25)didapat:
P0,25 ( x ≤ c0∗ ) = 0, 9624
P0,25 ( x = c0∗ ) = P0,25 ( x ≤ c0∗ ) − P0,25 ( x ≤ c0∗ − 1)
Untuk c0∗ =⇒ = P0,25 ( x ≤ 3) − P0,25 ( x ≤ 2)
= 0, 9624 − 0, 8306
= 0, 1318
Persamaan 1 menjadi:
0, 9624 − γ0, 8306 = 0, 95

γ = 0, 094
• Untuk n = 6, θ0 = 0, 25, α = 0, 01
Dari tabel B (n = 6, θ0 = 0, 25, α = 0, 01)didapat untuk c0∗ = 4

P0,25 ( x ≤ 4) = 0, 9954
P0,25 ( x = 4) = P0,25 ( x ≤ 4) − P0,25 ( x ≤ 3)
= 0, 9954 − 0, 9624
= 0, 033
0, 9954 − γ (0, 033) = 0, 99

γ = 0, 164
• Untuk n = 6, θ0 = 0, 25, α = 0, 02
Dari tabel B (n = 6, θ0 = 0, 25, α = 0, 012)didapat c0∗ = 4
P0,25 ( x ≤ 4) = 0, 9954 dan P0,25 ( x = 4) = 0, 033
0, 9954 − γ (0, 033) = 0, 98

γ = 0, 467
Selanjutnya akan dihitung uji kuasanya:
β (θ ) = Eθ (Ø ( x ))
(5.44)
β (θ ) = Pθ1 ( x > c0∗ ) + γPθ1 ( x = c0∗ )
• Untuk θ1 = 0, 3, c0∗ = 3 dan γ = 0.094

β 0,3 (θ ) = 1 − P ( x = 0) − P ( x = 1) − P ( x = 2) + γ.P ( x = 3)
= 1 − 0, 1176 − 0, 3025 − 0, 3341 + 0, 094. (0, 1852)
= 0, 273
• Untuk θ1 = 0, 3 , c0∗ = 4 dan γ = 0, 164
β 0,3 (θ ) = P ( x = 5) + P ( x = 6) + 0, 164 ( P ( x = 4))
= 0, 0102 + 0, 0007 + 0, 164. (0, 0595)
= 0, 0206
• Untuk θ1 = 0, 3 , c0∗ = 4 dan γ = 0, 467
β 0,3 (θ ) = P ( x = 5) + P ( x = 6) + 0, 467 ( P ( x = 4))
= 0, 0102 + 0, 0007 + 0, 467. (0, 0595)
= 0, 0387

• Untuk θ1 = 0, 4 , c0∗ = 3 dan γ = 0, 094

β 0,4 (θ ) = P ( x = 4) + P ( x = 5) + P ( x = 6) + γP ( x = 3)
= 0, 1382 + 0, 0369 + 0, 0041 + 0, 094. (0, 2765)
= 0, 205
• Untuk θ1 = 0, 4, c0∗ = 4 dan γ = 0, 164
β 0,4 (θ ) = P ( x = 5) + P ( x = 6) + γP ( x = 4)
= 0, 0369 + 0, 0041 + 0, 164. (0, 1382)
= 0, 064
• Untuk θ1 = 0, 4 , c0∗ = 4 dan γ = 0, 467
β 0,3 (θ ) = P ( x = 5) + P ( x = 6) + γP ( x = 4)
= 0, 0369 + 0, 0041 + 0, 467. (0, 1382)
= 0, 106
• Untuk θ1 = 0, 5 , c0∗ = 3 dan γ = 0, 094
β 0,5 (θ ) = P ( x > 3) + γP ( x = 3)
= 1 − P ( x ≤ 2) + γP ( x = 3)
= 1 − 0, 3437 + 0, 094 (0, 3125)
= 0, 686
• Untuk θ1 = 0, 5 , c0∗ = 4 dan γ = 0, 164
β 0,5 (θ ) = P ( x > 4) + γP ( x = 4)
= 1 − P ( x ≤ 3) + γP ( x = 4)
= 1 − 0, 6562 + 0, 164 (0, 2344)
= 0, 382
• Untuk θ1 = 0, 5 , c0∗ = 4 dan γ = 0, 467
β 0,5 (θ ) = 1 − P ( x ≤ 3) + γP ( x = 4)
= 1 − 0, 6562 + 0, 164 + 0, 467 (0, 2344)
= 0, 453
1. Misalkan X mempunyai f.k.p berbentuk f ( x; θ ) = θx θ −1 ; 0 < x < 1

dan 0 untuk x yang lain, dengan θ ∈ {θ; θ = 1, 2} . untuk uji hipotesis

sederhana H0 : θ = 2, gunakan sampel random X1 , X2 dan didefi-

nisikan daerah kritis C = {(( x1 , x2 ); 3/4 ≤ x1 x2 } .Tentukan fungsi
kekuatan dari uji.
2. DiketahuiX berdistribusi binomial dengan parameter n = 10 dan

p ∈ { p; p = 1/4, 1/2} Hipotesis H0 : p = 1/2 ditolak, dan hipotesis
alternatif H1 : p = 1/4 diterima, jika nilai observasi X1 sampel ran-
dom berukuran 1 lebih kecil atau sama dengan 3. Tentukan fungsi
kekuatan dari uji.
3. Diketahui X1 , X2 sampel random berukuran n = 2 dari distribusi

yang mempunyai f.k.p f ( x, θ ) = 1θ e− x/θ , 0 < x < ∞ dan 0 untuk
yang lain. Kita tolak H0 : θ = 2 dan terima H1 : θ = 1 jika nilai
observasi dari X1 , X2 katakan X1 , X2 sedemikian sehingga
f ( x1 ; 2) f ( x2 ; 2) 1
≤ (5.45)
f ( x1 ; 1) f ( x2 ; 1) 2
Jika ruang parameter Ω = {θ; θ = 1, 2} , tentukan tingkat signifikan-

si dari uji dan kekuatan uji kalau H0 salah.
4. Diasumsikan ketahanan dari suatu ban dan mill, katakan X, ber-

distribusi normal dengan mean θ dan standar deviasi 5000. Berda-
sarkan pengalaman masa lalu diketahui bahwa θ = 30.000. Peru-
sahaan mengklaim membuat ban dengan proses baru dengan mean
θ > 30.000, dan misalkan θ = 35.000. Untuk mengecek ini kita uji
H0 : θ ≤ 30.000, lawan H1 : θ > 30000. Kita observasi n nilai yang
independen dai X, misalnya x1 , x2 , ..., xn dan kita tolak H0 (terima
H1 ) jika dan hanya jika x ≥ c. Tentukan n dan c sehingga fung-
si kekuatan K (θ ) dari uji mempunyai nilai K (30.000) = 0, 01 dan
K (35.000) = 0, 98.
5. Misalkan X mempunyai distribusi Poisson dengan mean θ . Diper-

timbangkan hipotesis sederhana H0 : θ = 1/2. dan hipotesis ga-
bungan alternatif H1 : θ < 1/2. Misalkan Ω = {θ; 0 < θ ≤ 1/2}
Misalkan X1, X2 , ..., X12 sampel random yang berukuran 12 dari dis-

ribusi ini. Kita tolakH0 jika dan hanya jika nilai observasi dari
Y = X1 + X2 + ... + X12 ≤ 2. Jika K (θ ) adalah fungsi kekuatan uji,
tentukan kekuatan dari K ( 12 ), K ( 31 ), K ( 14 ), K ( 16 ) dan K ( 12
1
). Sket grafik
dari K (θ ). Berapakah tingkat signifikasnsi dari uji?
6. Dalam contoh 4 diatas , misalkan H0 : θ = θ 0 = 0 dan H1 : θ = θ 00 =

−1. Perlihatkan bahwa uji terbaik dari H0 lawan H1 dapat menggu-
nakan statistik x dan jika n = 25 dan α = 0, 05 maka kekuatan uji
adalah 0, 999 kalau H1 benar.
7. Misalkan variabel random x mempunyai f.k.p f ( x; θ ) = 1θ e− x/θ ; 0 <

x < ∞ dan 0 untuk x yang lain. Pertimbangkan hipotesis sederhana
H0 : θ = θ 0 = 2 dan alternatif H1 : θ = θ 00 = 4. jika x1 , x2 sampel
random yang berukuran 2 dari distribusi ini . Perlihatkan bahwa uji
terbaik dari H0 lawan H1 dapat menggunakan statistik x1 + x2 .
8. Ulangi soal 2 kalau H1 : θ = θ 00 = 6. Kemudian tentukan bentuk

umum ini untuk setiap θ 00 > 2
9. Misalkan X1, X2 , ..., X10 sampel random berukuran 10 dari distribusi

normal n(0, σ2 ). Tentukan daerah kritik terbaik ukuran α = 0, 05 un-
tuk uji H0 : σ2 = 1 lawan H1 : σ2 = 2. Apakah ini merupakan daerah
kritik terbaik ukuran 0,05 untuk uji H0 : σ2 = 1 lawan H1 : σ2 = 4?
lawan H1 : σ2 = 1?
10. Jika X1, X2 , ..., Xn adalah sampel random dari distribusi yang mem-
punyai f.k.p dari bentuk f ( x; θ ) = θx θ −1 ; 0 < x < 1 dan 0 untuk yang
lain. Perlihatkan bahwa daerah kritik terbaik untuk uji H1 : θ = 1
n
lawan H1 : θ = 2 adalah C = ( x1 , x2 , ..., xn ) ; c ≤Πi=1 xi
11. Misalkan X1, X2 , ..., X10 sampel random dari distribusi n(θ1 , θ2 ). Ten-
0
tukan uji terbaik dari hipotesis sederhana H0 : θ1 = θ1 = 0, θ2 =
0 00 00
θ2 = 1 lawan hipotesis alternatif H1 : θ1 = θ1 = 1, θ2 = θ2 = 4
12. Misalkan X1, X2 , ..., Xn sampel random dari distribusi normal

n(θ, 100). Perlihatkan bahwa C = {( x1 , x2 , ..., xn ); c ≤ x }adalah da-
erah kritik terbaik untuk uji H0 : θ = 75 lawan H1 : θ = 78 Tentukan

n dan c sehingga
P [( X1, X2 , ..., Xn ) ∈ C; H0 ] = P ( x ≥ c; H0 ) = 0, 05 (5.46)
dan
P [( X1, X2 , ..., Xn ) ∈ C; H1 ] = P ( x ≥ c; H0 ) = 0, 90 (5.47)
13. Misalkan X1, X2 , ..., Xn sampel random dari distribusi yang mempu-
nyai f.k.p f ( x; p) = p x (1(− p)1− x ; x = 0, 1 dan 0 untuk
) x yang lain.
n
Perlihatkan bahwa C = ( x1 , x2 , ..., xn ); ≤ ∑ xi ≤ c adalah daerah
i =1
kritik terbaik untuk uji H0 : p = 1/2 lawan H1 : p = 1/3. Gunakan
teorema limit pusat untuk menentukan n dan c sehingga
! !
n n
P ∑ xi ≤ c; H0 ∼
= 0, 10 dan P ∑ xi ≤ c; H1 ∼
= 0, 80 (5.48)
i =1 i =1
14. Dua sampel random yang independen masing-masing berukuran n

dari dua disribusi. Kita tolak H0 : θ = 0 dan terima H0 : θ > 0 jika
dan hanya jika x − y ≥ c. jika K (θ ) adalah kekuatan fungsi dari uji
ini tentukan n dan c sehingga K (0) ∼= 0, 05 dan K (10) ∼
= 0, 09.
0
15. Dalam contoh 5 diatas, H0 : θ = θ dengan θ 0 bilangan tertentu dan
H1 : θ < θ 0 , perlihatkan bahwa himpunan
( )
n
( x1 , x2 , ..., xn ) : ∑ xi2 ≥ c (5.49)
i =1
adalah daerah kritik paling kuat seragam uji H0 lawan H1 .

0
16. Dalam contoh 6 , H0 : θ = θ dengan θ 0 bilangan tertentu dan H1 :
0
θ 6= θ , perlihatkan bahwa tidak ada uji paling kuat seragam untuk
uji H0 lawan H1 .
17. Misalkan X1, X2 , ..., X25 sampel random berukuran 25 dari distribusi

normal n(θ, 100). Tentukan daerah kritik paling kuat seragam dari
ukuran α = 0, 01 untuk uji H0 : θ = 75 lawan H1 : θ > 75
18. Misalkan X1, X2 , ..., Xn sampel random darid istribusi normal

n(θ, 16). Tentukan sampel berukuran n dan uji paling kuat seragam
dari H0 : θ = 25 lawan H1 : θ < 25 dengan kekuatan fungsi K (θ )
sehingga K (25) ∼
= 0, 10 dan K (23) ∼
= 0, 90.
19. Diketahui suatu distribusi dengan f.k.p f ( x; θ ) = θ x (1 − θ )1− x ; x =

0, 1 dan bernilai 0 untuk x yang lain. Misalkan H0 : θ = 1/20 dan
H1 : θ > 1/20.Gunakan teorema limit pusat untuk menentukan
sampel berukuran n dari sampel random sehingga uji paling kuat
seragam dari H0 lawan H1 mempunyai fungsi kekuatan K (θ ) dengan
K (1/20) ∼
= 0, 05 dan K (1/10) ∼
= 0, 09
20. Dalam n percobaan binomial dengan parameter p akan diuji
H0 : p = 1/2, lawan H1 : p 6= 1/2 (5.50)
Tunjukkan bahwa daerah kritik uji rasio likelihood adalah
x ln x + (n − x ) ≥ k (5.51)
dengan x menyatakan banyak sukses.
21. Dalam soal no 1, tunjukkan bahwa daerah kritiknya juga dapat di-
tulis x − n2 ≥ c, dengan c suatu konstanta yang tergantung pada

ukuran daerah kritik.
22. Suatu sampel random yang berukuran n digunakan untuk menguji

hipotesis nol dari populasi eksponensial dengan parameter θ sama
dengan θ0 lawan hipotesis alternatif tidak sama θ0 . Tunjukkan daerah
kritik uji rasio likelihood adalah
xe− x/θ0 ≤ k (5.52)

23. Suatu sampel random yang berukuran n dari populasi normal de-
ngan mean dan varians tidak diketehui digunakan untuk uji hipo-
tesis µ = µ0 lawan alternatif µ 6= µ0 . Perlihatkan bahwa nilai dari
statistik rasio likelihood dapat ditulis
−n/2
t2

λ= 1+ (5.53)
n−1
x − µ0
dengan t = √
s/ n
24. Dalam contoh 2 diatas, bila n = 10, dan misalkan diperoleh x =

10
0, 6 dan ∑ (xi − x)2 = 3, 6. Jika uji sama dengn contoh apakah kita
i =1
menolak atau menerima H0 : θ1 = 0 pada tingkat signifikansi 5%.

Daftar Pustaka
1. Billingsley, P. (1979) Probability and Measure, John Wiley &

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

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

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

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

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

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

gyakarta
9. Walpole, Ronald.E. & Myers, Raymond H. & Myers, Sharon L.& Ye,
Keying (2002) Probability and Statistics for Engineers & Scientists,
Prentice Hall,Inc, USD
199
Daftar Pustaka Statistika Matematis II/ Edisi E-book
10. Walpole, Ronald.E. & Myers, Raymond H. (1986) Ilmu Peluang dan
Statistika untuk Insinyur dan Ilmuan, Penerbit ITB, Bandung.
11. Beberapa e-book dan e-text, terutama dari portal MIT Open Course Wa-
re (http://ocw.mit.edu/OcwWeb/Mathematics/index.htm)
Bab 5. Daftar Pustaka 200 ISBN 978-602-8310-02-4

Ebook Statmat II 2013 1 PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ebook Statmat II 2013 1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA MATEMATIS II

Jurusan Pendidikan Matematika

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa

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

Singaraja, Februari 2013

I Gusti Putu Sudiarta

2 Konvergensi Variabel Random 27

2.3.3 Jenis-Jenis Konvergensi Variabel Random . . . . . . . 30

4 Estimasi Interval 117

5 Hipotesis Statistik 139

5.3.3.2 Uji Paling Kuat (Most Powerfull Test) . . . . . 149

Daftar Pustaka 199

1.1 Standar Kompetensi

Memahami konsep dasar distribusi pendekatatan suatu barisan variabel

1.2 Indikator Hasil Belajar

1. Menjelaskan konsep dasar distribusi pendekatatan suatu variabel

2. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-

3. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-

4. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-

5. Memecahkan masalah yang berkaitan dengan distribusi pendekatan

1.3 Uraian Materi

1.3.1 Konsep Dasar Distribusi Pendekatan

Pada kuliah Statistika Matematis I, telah dibahas distribusi variabel ran-

1.3.2 Menentukan Distribusi Pendekatan

Ada tiga cara dalam menentukan distribusi pendekatan tersebut yaitu

1.3.2.1 Melalui Fungsi Distribusi

Bab 1. Distribusi Pendekatan 2 ISBN 978-602-8310-02-4

Untuk t = 0 digunakan dalil L’Hospital

Bab 1. Distribusi Pendekatan 3 ISBN 978-602-8310-02-4

gn (y) = n( F (y))n−1 f (y) ; a < y < b

Fungsi distribusi dari Yn adalah:

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

Misalkan X mempunyai fungsi distribusi berbentuk:

Bab 1. Distribusi Pendekatan 5 ISBN 978-602-8310-02-4

Sekarang ambil fungsi distribusi dari X adalah :

Ternyata Limn→∞ Fn ( x ) = F ( x ) untuk setiap nilai kontinu dari F ( x ).

Bab 1. Distribusi Pendekatan 6 ISBN 978-602-8310-02-4

Kita akan menentukan fungsi kepadatan peluang dari Zn dengan meng-

Fungsi kepadatan peluang dari Zn adalah:

Bab 1. Distribusi Pendekatan 7 ISBN 978-602-8310-02-4

Limn→∞ Kn (z) = 0 ; z≤0

Penentuan distribusi pendekatan dengan menggunakan fungsi distribusi

1.3.2.2 Melalui Fungsi Pembangkit Momen

Selain menggunakan fungsi distribusi, penentuan disribusi pendekatan

Berikut ini diberikan sebuah teorema yang dikemukakan oleh Curtiss

Bab 1. Distribusi Pendekatan 8 ISBN 978-602-8310-02-4

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

M (t; n) = E(e! tyn )

Bab 1. Distribusi Pendekatan 9 ISBN 978-602-8310-02-4

Ternyata bentuk di atas merupakan fungsi pembangkit momen dari

Misalkan variabel random Zn berdistribusi chi-kuadrat dengan derajat ke-

Fungsi kepadatan peluang dari Zn adalah

MZn (t) = E(etzn )

Misalkan: u = zn ((1/2) − t) ; du = ((1/2) − t)dzn

= (1 − 2t)−n/2 ; t < 1/2

Bab 1. Distribusi Pendekatan 10 ISBN 978-602-8310-02-4

Fungsi pembangkit momen dari Yn adalah:

M (t; n) = MYn (th) = tYn )

Bab 1. Distribusi Pendekatan 11 ISBN 978-602-8310-02-4

1.3.2.3 Melalui Teorema Limit Pusat

Berikut ini akan dijelaskan beberapa teorema limit pusat, sbb:

Bab 1. Distribusi Pendekatan 12 ISBN 978-602-8310-02-4

MYn (t) = M (t; n) = E(etyn )