PENDAHULUAN
*****
Dalam bab ini terlebih dahulu akan dibahas tentang ruang parameter
(parameter space), statistik cukup (sufficient statistics), sifat kelengkapan
(completeness), sifat ketakbiasan (unbiasedness) dan keluarga
eksponensial (exponential family). Topik-topik yang dibahas dalam bab ini
akan memberikan dasar-dasar dalam melakukan estimasi, khususnya
estimasi titik.
Contoh II.1
Misalkan variabel random X berdistribusi seragam pada ( , ) .
Bila diambil 1 , 2 maka diperoleh (1 , 2 ) t sehingga ruang
parameternya adalah {(1 , 2 ) t 1 , 2 R 2 ,1 2 } dan fungsi
kepadatan probabilitas dari variabel random X adalah
1
f ( x; )
2 1
untuk 1 x 2 . Jika diketahui dan maka ruang parameternya
adalah ( , ) dan fungsi kepadatan probabilitas dari variabel random
X adalah
1
f (x; )
untuk x atau
1
f ( x; ) A ( x)
dengan A ( , ) dan A ( x) 1 untuk x A dan A ( x) 0 untuk x A
merupakan fungsi indikator.
Jika diketahui dan maka ruang parameternya ( , )
dan fungsi kepadatan probabilitas dari variabel random X adalah
1
f (x; )
untuk x atau
1
f ( x; ) ( x)
A
dengan A ( , ) .
Contoh II.3
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
identik (independent and identically distribution) yaitu Binom(1, ). Hal
itu berarti fungsi probabilitas dari X i adalah
f ( xi ; ) xi (1 )1 xi A ( xi )
n
dan i 1, 2, ....., n, A { 0,1 } dan ( 0, 1 ) . Misalkan T i 1 X i .
Karena X i berdistribusi Binom(1, ) maka T berdistribusi Binom(n, )
sehingga fungsi probabilitas dari T adalah
n
f r (t; ) t (1 )1t B (t )
t
dengan B { 0, 1, ....., n } .
P( X 1 x1 ,..., X n xn T t )
n t
(1 )1t
t
n n
(1 ) i 1 i
x n x
i 1 i
n t
(1 )1t
t
1
.
n
t
Jika x1 x2 ... xn t dan bernilai 0 untuk yang lain, sehingga untuk
semua x1 , x2 ,..., xn dengan xi 0 atau 1 untuk i 1,2,..., n dan untuk
n
x t berlaku sifat
i 1 i
Definisi II.1
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) dan
(1 , 2 ,..., r ) t R r .
Misalkan T (T1 , T2 ,..., Tm ) t dengan
T j T j ( X 1 , X 2 ,..., X n )
untuk j 1, 2, ..., m statistik. Statistik T dinamakan statistik cukup
dimensi- m untuk keluarga F { f ( x; ) } untuk parameter jika
distribusi bersyarat ( X 1 , X 2 ,..., X n )t diberikan T t tidak bergantung pada
untuk semua nilai t .
Dengan menggunakan teorema berikut ini, identifikasi statistik
cukup dengan mudah dapat dilakukan.
Akibat II.1
Misalkan : R m R m fungsi terukur dan tidak bergantung pada
serta fungsi korespondensi satu-satu sehingga 1 ada. Jika statistik cukup
untuk maka (T) juga merupakan statistik cukup untuk dan juga
merupakan statistik cukup untuk ( ) dengan : R r R r merupakan
fungsi terukur dan korespondensi satu-satu.
Contoh II.4
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dari U (1 , 2 ) . Fungsi kepadatan probabilitas dari X i
adalah
1
f ( x; )
2 1
untuk 1 x 2 . Bila x ( x1 , x2 ,..., xn ) t dan (1 , 2 ) t maka fungsi
kepadatan probabilitas bersamanya adalah
n
1
f ( x1 , x2 ,..., xn ; ) = (1 , 2 ) ( xi ) ,
i 1 2 1
1
f ( x1 , x 2 ,..., x n ; ) = 1 X (1) X ( n ) 2 ,
( 2 1 ) n
1
f ( x1 , x 2 ,..., x n ; ) = [ , ) ( X (1) ) ( , 2 ) ( X ( n ) ) ,
( 2 1 ) n 1
1
f ( x1 , x 2 ,..., x n ; ) = g1 ( X (1) , ) g 2 ( X ( n ) , ) ,
( 2 1 ) n
dengan g1 ( X (1) , ) [ 1, )
( X (1) ) dan g 2 ( X ( n ) , ) [ 1 , ) ( X (1) ) ( , 2 ) ( X ( n ) ) .
Akibatnya dengan menggunakan Teorema Faktorisasi Fisher-Neyman
diperoleh ( X (1) , X ( n ) ) merupakan statistik cukup untuk dengan
X(1) = min{ X 1 , X 2 ,..., X n } dan X(n) = max{ X 1 , X 2 ,..., X n }. Khususnya
jika 1 diketahui dan 2 maka X (1) merupakan statistik cukup
Contoh II.5
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dari N ( , 2 ) . Bila x= ( x1 , x 2 ,..., x n ) t , 1 , 2 2
dan (1 , 2 ) t maka fungsi kepadatan probabilitas X i adalah
1 ( x 1 ) 2
f ( x i ; )
exp
2 2 2 2
sehingga fungsi kepadatan probabilitas bersamanya adalah
n
1 1
f ( x i ; ) exp (x i 1 ) 2 .
( 2 2 ) n 2 2 i 1
Tetapi, karena
n n n
( xi 1 ) 2 [( xi x ) ( x 1 )]2 ( xi x ) 2 n( x 1 ) 2
i 1 i 1 i 1
Definisi II.2
Keluarga F dikatakan lengkap (complete) jika untuk setiap g
berlaku sifat
E [ g ( X )] 0
untuk semua menyebabkan g ( X ) 0 kecuali mungkin pada
himpunan N sehingga P X N 0 untuk semua .
Contoh II.6
Misalkan
n x n x
F { f ( x; ) f ( x; ) (1 ) A ( x), (0,1)}
x
Contoh II.7
e x
Misalkan F { f ( x; ) f ( x; ) A ( x ), (0, )} dengan
x
A { 0,1, 2, 3, ...} . Karena
e
g ( x) x
E[ g ( X )] g ( x ) e 0
x 0 x! x 0 x!
dengan (0, ) maka g ( x ) 0 untuk. Hal ini ekuivalen dengan
g ( x ) 0 untuk x 0,1, 2,... . Akibatnya keluarga distribusi Poisson F
merupakan keluarga yang lengkap.
Contoh II.8
1
Misalkan F { f ( x; ) f ( x; ) ( , ) ( x), (0, )} , Karena
E [ g ( X )] 0 untuk semua ( , ) maka g ( x ) dx 0 untuk semua
a
Contoh II.9
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
N ( , 2 ) . Jika diketahui dan maka keluarga distribusi normal
(x )2
1
F { f ( x ; ) f ( x ; )
exp , R}
2 2 2 2
merupakan keluarga yang lengkap. Sedangkan jika diketahui dan
2 maka keluarga distribusi normal
1 (x )2
F { f ( x; ) f ( x; ) exp , (0, )}
2 2
tidak lengkap. Karena g ( x ) x maka
E[ g ( X )] E[ X ] 0
untuk semua (0, ) sedangkan g ( x ) 0 berlaku hanya untuk x .
Akhirnya, jika dan 2 tidak diketahui maka dapat ditunjukkan bahwa
keluarga distribusi normal
F { f ( x; , 2 ) | R, (0, ) }
dengan
(x )2
1
f ( x; , 2 )
exp
2 2 2 2
adalah lengkap maka statistik cukupnya juga merupakan statistik cukup
untuk ( , 2 ) yang lengkap.
Teorema II.2
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) dengan
R r dan
T (T1 , T2 ,..., Tm ) t
Contoh II.10
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
N ( , 2 ) dengan 2 diketahui. Statistik X merupakan statistik cukup
n
2 i 1
( X i X )2
untuk dan S suatu statistik. Perhatikan bahwa
n
n n 2
(X i X) 2
X i X
i 1 i 1
n
( X i ) 2 n( X ) 2 2( X )n( X )
i 1
n
( X i ) 2 n( X ) 2 2( X )n( X )
i 1
n
( X i ) 2 n ( X ) 2 2 n( X ) 2
i 1
2
Karena X i ~ N 0, 2 untuk j 1,2,..., n dan X ~ N , sehingga
n
berakibat maka distribusi dari S 2 tidak tergantung pada . Dengan
menggunakan Teorema Basu diperoleh bahwa X dan S2 saling bebas.
Definisi II.3
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) dengan
R dan T (T1 , T2 ,..., Tm ) t dengan T j T j ( X 1 , X 2 ,..., X n ) untuk
j 1, 2, ..., m adalah statistik cukup untuk . Statistik U dikatakan
statistik tak bias untuk jika E [U ] untuk setiap .
Definisi II.4
Statistik tak bias untuk yang mempunyai variansi minimum dalam
kelas semua statistik tak bias dari dinamakan UMVU (uniformly
minimum variance unbiased).
Contoh II.11
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan distribusi Binom(1, ) dengan ( 0,1 ) .
n
Statistik T i 1 X i merupakan statistik cukup untuk dan juga
T
lengkap. Karena X merupakan statistik tak bias untuk maka X
n
merupakan statistik tak bias dengan variansi minimum untuk .
Contoh II.13
Misalkan X 1 , X 2 , X 3 variabel random saling bebas dan berdistribusi
identik dengan fungsi kepadatan probabilitas f x; exp x untuk
x 0 . Misalkan 1 sehingga fungsi kepadatan probabilitas dari X
menjadi
1 1
f x; exp x .
Diperoleh E[ X i ] dan Var X i untuk i 1, 2, 3 . Hal itu berarti
2
Contoh II.14
Misalkan
n
f ( x; ) x (1 ) n x A ( x)
x
dengan A 0, 1, 2, ..., n . Fungsi probabilitas tersebut dapat dinyatakan
sebagai
n
f ( x; ) (1 ) n expln A ( x)
1 x
sehingga distribusi Binomial merupakan anggota keluarga eksponensial
dengan
n n
c 1 , Q ln , T ( x ) x, h( x) A ( x).
1 x
Contoh II.15
Misalkan variabel random X berdistribusi N ( , 2 ) . Jika
diketahui dan maka fungsi kepadatan probabilitas dari X adalah
1 2 1 2
f x; exp 2
exp 2 x exp 2
x
2 2 2
dengan R sehingga distribusi tersebut merupakan anggota keluarga
eksponensial dengan
Teorema II.6
Misalkan X variabel random dengan fungsi kepadatan
probabilitas f ( x; ) dengan R seperti tersebut di atas. Keluarga
G {g ( x; ) }
dengan adalah fungsi kepadatan probabilitas dari T ( X ) maka G lengkap
asalkan mengandung interval non degenerate.
Teorema II.7
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan fungsi kepadatan probabilitas merupakan
anggota keluarga eksponensial 1 parameter.
n
1. Statistik T * i 1T ( X i ) merupakan statistik cukup untuk .
2. Fungsi kepadatan probabilitas dari T * selalu berbentuk
g t ; [c( )] n exp Q t h * t
Teorema II.8
Keluarga G {g ( x; ) } lengkap asalkan mengandung
interval non degenerate.
Dalam hal ini G {g ( x; ) } dengan g ( x; ) adalah keluarga
fungsi kepadatan probabilitas dari statistik cukup T * .
Teorema II.9
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dengan
fungsi kepadatan probabilitas N ( , 2 ) yang merupakan anggota
keluarga eksponensial dalam . Statistik
1 n
X Xi
n i 1
merupakan statistik cukup untuk sedangkan
n
2 i 1
( X i X )2
S
n
merupakan statistik lain yang tidak tergantung pada maka dengan
menggunakan Teorema II.3 diperoleh bahwa X dan S 2 saling bebas.
Contoh II.17
Misalkan X 1 , X 2 ,..., X n variabel random X berdistribusi
N (1 , 2 ) . Fungsi kepadatan probabilitas X dapat dinyatakan sebagai
1 ( x 1 ) 2
f ( x;1 , 2 ) exp
2 2 2 2
atau
1 2 1 2
f x;1 , 2 exp 1 x exp 1 x x .
2 2 2 2 2 2 2
Hal ini berarti keluarga distribusi normal merupakan anggota keluarga
eksponensial dengan
1 1 2 1 1
c( ) exp x , Q1 , Q2 ,
2 2 2 2 2 2 2
dan
T1 ( x) x, T2 ( x ) x 2 , h ( x ) 1.
Dalam hal ini (1 , 2 ) .
Soal II.1
Dakam setiap kasus berikut, tuliskan fungsi kepadatan probabilitas dari
variabel random X dan spesifikasikan ruang parameter Ω.
a. Variabel random X berdistribusi Poisson ( ).
b. Variabel random X berdistribusi Gamma ( , ).
c. Variabel random X berdistribusi eksponensial dengan parameter
.
d. Variabel random X berdistribusi Beta ( , ).
Pembahasan
a. Karena X berdistribusi Poisson maka fungsi probabilitasnya
e x
f ( x) (0, ) .
x!
Ruang parameter : Ω = { R | > 0 } = (0, ) .
b. Karena X berditribusi Eksponensial() maka fungsi kepadatan
probabilitasnya :
f ( x) e x (0, ) untuk x > 0 dan > 0.
Ruang parameter : Ω = { R | > 0 } = (0, ) .
c. Karena X berdistribusi Gamma ( , ) maka fungsi kepadatan
probabilitasnya :
1
f ( x; , )
x 1e x / untuk x > 0, > 0, > 0 .
( , )
Ruang parameter : Ω = ( , ), R 2 | 0, 0 .
d. Karena X berdistribusi Beta(,) maka fungsi kepadatan probabi-
litasnya :
( ) 1
f ( x; , ) x (1 x ) 1 , 0 < x <1, > 0, > 0.
( , )
Ruang parameter : Ω = ( , ), R 2 | 0, 0 .
xi
e n i 1
= n .
i 1 xi!
n
= e xi
i 1
n
= n e i 1 i .
x
n 1
1 n 1 n
= i
x exp x .
i
( ) i 1 i 1
Dengan Teorema II.1 diperoleh bahwa :
n 1
1 n 1 n
g[t(x1, …………., xn)] =
xi exp x ,i
( ) i 1 i 1
t
n n
T(x1, …………., xn) = xi , xi ,
i 1 i 1
h(x1, …………., xn) = 1.
t
n n
Oleh karena xi , xi merupakan statistik cukup untuk
i 1 i 1
( , ) t dengan menggunakan Teorema II.1, Akibat II.1 dan
dengan mendefinisikan fungsi g : R2 R2 dengan g(x,y) = (x, y/n)
t
n
maka xi , X merupakan statistik cukup untuk ( , ) t .
i 1
d. Karena Xi berdistribusi Beta ( , ) maka fungsi kepadatan
probabilitasnya adalah :
( ) 1
f ( xi ) xi (1 xi ) 1
( )( )
untuk 0 < xi < 1 sehingga fungsi kepadatan probabilitas
bersamanya adalah
n
( ) 1
xi (1 xi ) 1
i 1 ( ) ( )
n 1
n n n 1
xi (1 xi ) .
i 1
n
i 1 i 1
x (1 x )
11
i i
n 1
n n 1
g T x1 ,.......xn ; , xi 1 xi ,
n
i 1 i 1 x (1 xi )
i 1 i
t
n n
T ( xi ,.....xn ) xi , 1 xi ,
i 1 i 1
h xi ,.......xn 1 .
t
n n
Oleh karena itu xi , i 1 1 xi merupakan statistik cukup
i 1
t
untuk , .
Soal II.3
Jika X1, X2, .........., Xn sampel random dari distribusi N , 2 dengan
R maka tunjukkan bahwa n
i 1
X i ,i 1 X i
n 2
atau X , n
i 1
Xi
2
merupakan statistik cukup untuk .
Pembahasan :
Karena Xi berdistribusi N , 2 maka fungsi kepadatan probabilitas dari
variabel random Xi adalah :
x 2
1
f xi
exp i 2
2 2
sehingga fungsi kepadatan probabilitasnya adalah :
n
1 ( x )2
exp i 2
i 1 2 2 2
n 2 n
1
n/2
i 1
xi 2
i 1
xi
2
exp exp exp 2 2
2 2 2 2 2
n 2 n
n/2 i x xi
1
exp
i 1
exp i 1 exp n
2 2 2
2
Dengan Teorema II.1 diperoleh bahwa :
n 2 n
n/2 i x xi
1
g T ( x1 , x2 ,...., xn ; ) exp
i 1
exp i 1 exp n
2 2 2
2
n n
2
T ( x1 ,...., xn ; ) xi , xi
i 1 i 1
h( x1 ,...., xn ) 1.
sehingga n
i 1
n
X i ,i 1 X i
2
merupakan statistik cukup untuk . Bila
2 2
didefinisikan f : R R dengan f(x,y) = (x/n, y) dan dengan
menggunakan Akibat II.1 maka X , n
i 1
Xi
2
merupakan statistik untuk
.
Soal II.4
Jika X1 , X2, ............, Xn sampel random ukuran n dengan fungsi kepadatan
probabilitas
f x; e x
untuk x > dan R maka tunjukkan bahwa X(1) = min X 1 , ............, X n .
n
exp xi n untuk X(1) >
i1
n
exp xi n untuk u[ X(1) , ]
i1
dengan
u[ X(1) , ]
= 1 untuk X(1) > ,
= 0 untuk yang lain.
Dengan menggunakan Teorema II.1 diperoleh :
g T x1 ,.........xn ; exp n u xi , ,
T x1 ,.........xn X (1 ) ,
n
hx1 ,.........xn exp i 1 xi .
Akibatnya X(1) = min X 1 , ....., X n merupakan statistik cukup untuk .
Soal II.5
Jika X1, ..........., Xn random saling bebas dengan fungsi kepadatan
probabilitas f x ; maka tentukan statistik cukup untuk .
a. f(x ; ) = x - 1 untuk 0 < x < 1 dan (0, ).
b. f(x ; ) = 2 ( - x) / 2 untuk 0 < x < dan (0, ).
c. f(x ; ) = x3 exp(- x/)/(6 4 ) untuk 0 < x < dan (0, ).
d. f(x ; ) = ( /c) (c/x) + 1 untuk c < x < dan (0, ).
Pembahasan
a. Karena X mempunyai fungsi kepadatan probabilitas f x; maka
fungsi kepadatan probabilitas bersama X1 , X2, ............, Xn adalah :
i 1
n
T ( x1 ,.........xn ) xi
i 1
1
n
h( x1 ,.........xn ) xi .
i1
n
Akibatnya X
i 1
i merupakan statistik cukup untuk .
dengan
h[ x(n) ; ] = 1 untuk x(n) < ,
= 0 untuk yang lain.
Dengan menggunakan Teorema II.1 maka diperoleh :
T x1 ,...........xn X ( n ) ,
h x1 ,...........xn 1.
Akibatnya X ( n ) maxX 1 , X 2 ,..........., X n merupakan statistik
cukup untuk .
c. Karena X mempunyai fungsi kepadatan probabilitas f x; maka
kepadatan fungsi probabilitas bersama dari X1 , X2, ............, Xn
adalah :
n
g T x1 ,.........xn ; f x;
i 1
n
1 3
4 xi e xi /
i 1 6
n
1 n 1 n
4 xi3 exp xi .
6 i 1 i 1
Dengan menggunakan Teorema II.1 maka diperoleh :
n
1 1 n
g T x1 ,.........xn ; 4 exp xi ,
6 i1
n
T x1 ,.........xn x , i
i 1
n
h x1 ,.........xn xi3 .
i 1
n
Akibatnya i 1
X i merupakan statistik cukup untuk .
d. Karena X mempunyai fungsi kepadatan probabilitas f x; maka
kepadatan fungsi probabilitas bersama dari X1 , X2, ............, Xn
adalah :
n ( 1) n
c
1 .
c n
xi
i 1
Dengan menggunakan Teorema II.1 maka diperoleh :
n
n ( 1)
c
g T x1 ,........., xn ; 1 ,
c n
xi
i 1
n
T x1 ,........., xn xi ,
i 1
1
n
h x1 ,........., xn xi .
i 1
n
Akibatnya X
i 1
i merupakan statistik cukup untuk .
Soal II.6
Jika X1 , X2, .........., Xn sampel random ukuran n dari distribusi Poisson( )
maka buktikan bahwa X merupakan statistik tak bias UMV yang tunggal
untuk parameter .
Pembahasan :
Karena X statistik untuk dan lengkap serta =
EX merupakan
statistik tak bias untuk . Dengan menggunakan Teorema II.5 diperoleh
bahwa X statistik tak bias UMV yang tunggal untuk .
Soal II.7
Tunjukkan bahwa dalam setiap kasus distribusi tersebut merupakan
anggota keluarga eksponensial.
a. Variabel random X berdistribusi Poisson .
atau
1
f x; e ln x x 1e x / .
Soal II.8
Misalkan variabel random saling bebas dengan fungsi kepadatan
probabilitas f x; dinyatakan dengan
1 x
f x; x exp
untuk 0 x dengan parameter 0 dan diketahui.
du x 1
Dimisalkan u = x / maka sehingga berakibat
dx
1
x
u
x exp dx e du 1 .
Berarti f x; merupakan fungsi kepadatan probabilitas.
b. Ditentukan fungsi kepadatan probabilitas bersama dari X1, X2, ....., Xn
adalah :
n
f ( x1 , x2 ,...., xn ) f ( xi ; )
i 1
1 x
n
xi e
i 1
n
1
n xi
n n
1
x x
i 1
i
i 1
i e i 1
atau
1 x
f x; exp1 ln x x 1 .
1 21
2
Hal itu berarti
1
C , T1 ( x) ln( x), T2 ( x) ln x,
1 21
1
h( x) x 1 , Q1 1 , Q2 ( ) .
2
Akibatnya distribusi Gamma , merupakan keluarga eksponensial dua
parameter.
b. Misalkan 1 , 2 dengan 1 , 2 , fungsi kepadatan
probabilitasnya Gamma , adalah :
1 2 1 1 1
f x; x 1 x 2
1 2
atau
1 2
exp1 ln x 2 ln(1 x) x 1 1 x .
1
f x;
1 2
Hal itu berarti :
1 2
C , T1 ( x) ln( x), T2 ( x) ln(1 x),
1 2
h( x) x 1 (1 x) 1 , Q1 1 , Q2 ( ) 2 .
Soal II.10
Buktikan bahwa keluarga F tidak lengkap dengan
1
F f x;
untuk ( 0, ).
Pembahasan :
Karena ada g(x) = x, sehingga
1
Eg x x dx 0
2
maka akibatnya keluarga f tidak lengkap.
n n
b. xi &
i 1
ln x
i 1
i ; xi > 0
n n
2 n n
c. xi , xi & xi , ( xi x ) 2
i 1 i 1 i 1 i 1
n n
3 n n
d. xi , xi & xi , ( xi x ) 3
i 1 i 1 i 1 i 1
4. Diketahui X1 , X2, ............, Xn sampel random dari distribusi dengan
fungsi kepadatan dengan kepadatan probabilitas dinyatakan dengan
1 x
f x, , exp
jika x , & 0.
a. Jika diketahui maka tentukan statistik cukup untuk .
b. Jika diketahui maka tentukan statistik cukup untuk .
c. Tentukan statistik cukup untuk ( , ).
5. Misalkan X1, X2, ............, Xn sampel random dari populasi
berdistribusi Geometrik(p) yaitu
f ( x; p ) p (1 p ) x1
untuk x = 1, 2, ..... Tentukan statistik cukup untuk p.
6. Misalkan X1 , X2, ............, Xn sampel random dari populasi
n
berdistribusi normal N(0, ). Tunjukkan bahwa distribusi i 1
Xi
tidak tergantung pada .
*****
Definisi III.1
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) .
Sebarang statistik
U U ( X 1 , X 2 ,..., X n )
yang digunakan untuk menaksir kuantitas yang tidak diketahui dinamakan
estimator dari g . Nilai dari U ( x1 , x2 ,..., xn ) untuk nilai-nilai
pengamatan ( x1 , x 2 ,..., x n ) t dinamakan estimasi dari g .
Definisi III.2
Misalkan g fungsi real dan terukur. Estimator
U U ( X 1 , X 2 ,..., X n )
dinamakan estimator tak bias (unbiased estimator) dari g jika
E U U ( X 1 , X 2 ,..., X n ) g
untuk semua . Fungsi g dikatakan tertaksir (estimable) jika g
mempunyai estimator tak bias.
Definisi III.3
Misalkan g tertaksir. Suatu estimator
U U ( X 1 , X 2 ,..., X n )
dikatakan estimator UMVU untuk g jika U tak bias dan mempunyai
variansi minimum di antara kelas semua estimator tak bias dari g
dengan . Jika U U ( X 1 , X 2 ,..., X n ) adalah sebarang estimator tak
bias dari g maka
Var (U 1 ) Var U
untuk semua .
Dalam banyak kasus, estimator UMVU ada. Untuk
memperolehnya terdapat 2 metode yaitu metode pertama yang digunakan
bila tersedia statistik cukup yang lengkap dan metode kedua digunakan
bila tidak tersedia statistik cukup yang lengkap. Pada metode kedua,
terlebih dahulu ditentukan batas bawah semua estimator dan kemudian
memilih suatu estimator yang mempunyai variansi sama dengan batas
bawah tersebut.
Misalkan
T (T1 , T2 ,..., Tr ) t
dengan T j T j ( X 1 , X 2 ,..., X n ) untuk j 1, 2, ..., r adalah statistik cukup
untuk dan U U ( X 1 , X 2 ,..., X n ) estimator tak bias dari g dengan
g fungsi real. Misalkan T E U T . Estimator merupakan estimator
tak bias dari g dan Var Var U untuk semua dengan
kesamaan dipenuhi bila U merupakan fungsi dari T .
Jika tersedia statistik cukup maka Teorema Rao-Blackwell
mengatakan bahwa pencarian estimator UMVU untuk g cukup
dibatasi pada kelas estimator tak bias yang hanya tergantung pada T . Jika
T lengkap maka dengan menggunakan Teorema Lehman-Scheffe,
estimator tak bias T adalah estimator unik yang mempunyai variansi
minimum seragam dalam kelas semua estimator tak bias. Metode ini tidak
hanya menjamin keberadaan estimator tetapi juga menghasilkannya.
Teorema III.1
Misalkan g fungsi terukur dan real. Misalkan terdapat estimator
tak bias U U ( X 1 , X 2 ,..., X n ) dari g dengan variansi berhingga. Jika
T (T1 , T2 ,...,Tr ) t
dengan T j T j ( X 1 , X 2 ,..., X n ) untuk j 1, 2, ..., r adalah statistik cukup
untuk , lengkap dan T E U T maka estimator UMVU untuk
g dan tunggal.
Contoh III.1
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi Binom 1, dan akan ditentukan estimator UMVU dari
variansi X . Karena X berdistribusi maka variansi dari X adalah
Var X g 1 . Jika
( X i X )2 X i n X . 2
2
i 1 i 1
1 T2
sehingga U T . Karena T merupakan statistik lengkap dan
n 1 n
juga merupakan statistik cukup untuk maka dengan mengingat Teorema
III.1, U merupakan estimator UMVU untuk g 1 .
Contoh III.2
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
N , 2 dengan dan 2 tidak diketahui. Akan ditentukan estimator
UMVU untuk dan 2 . Misalkan , 2 , g1 dan
n n 2
g1 2 . Jika X i 1 X i dan X
i 1 i
merupakan statistik yang
lengkap. Jika U 1 X dan
2
1 n
S2 X i X
n i 1
maka X , S 2
merupakan statistik yang lengkap. Jika U 1 X dan
U 2 nS 2 maka E U 1 dan
E nS 2 / 2 n 1 sehingga
E[ nS 2 /(n 1)] 2 .
... f x ; ... f x ;
s s
1 n
berlaku Var U
g ' 2 dengan dan g ' dg / d .
n
Definisi III.4
E f x; / 2
dinamakan informasi Fisher sedangkan
n adalah informasi yang terkandung dalam sampel X 1 ,..., X n .
Contoh III.3
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
Binom 1, dengan 0,1 . Fungsi probabilitas dari variabel random
X yang berdistribusi Binom 1, adalah
1 x
f x; x 1
atau ln f x; x ln 1 x ln(1 ) sehingga
ln f x; 1 1 x
.
1
Akibatnya
2
ln f x; 1 2 1
2x 1 x 2 2 x 1 x .
1 2
1
Karena E X 2 0 dan E (1 X ) 2 0 serta E X 1 X 0
maka informasi Fisher adalah
2
ln f x; 1 1 2
E
2
2EX
1 2
2
E 1 X
1
E X 1 X
1 1
2
1
1 2
1 1
1
1
.
1
Hal itu berarti batas bawah Cramer-Rao untuk g adalah
Contoh II.4
Misalkan X 1 ,..., X n variabel random saling bebas dan
berdistribusi Poisson ( ) dengan > 0. Fungsi probabilitas dari variabel
random X yang berdistribusi adalah
e x
f x;
x!
atau ln f x; x ln ln x! sehingga
ln f x; x
1
dan
2
ln f x ; 1 2 2
1 2 x x.
Karena E X dan E X 2 1 maka
ln f x ; 2 1
E E1
2
E X 2
2 E X
1 2
1 2
1
1
1 1 2
1
1 1
1
.
CRLB
g ' 2
1
.
n n
1 n
Karena X merupakan estimator tak bias untuk dan variansinya adalah
Var X yaitu sama dengan batas bawah CRLB maka X merupakan
n
estimator UMVU untuk .
Contoh III.5
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
N , 2 dengan R dan 2 0 .
Kasus 1
Misalkan bahwa 2 diketahui dan . Fungsi kepadatan
probabilitas X yang berdistribusi N , 2 adalah
1 x 2
f x ; exp
2 2
2 2
atau
1 x 2
ln f x ; ln
.
2 2
2 2
Akibatnya
ln f x; 1 x
atau
2
ln f x; 1 x
2
2 .
2
2
X 2 X 2
Var E
2 1 3.
Oleh karena itu
ln f x;
2
1
2
1 x 1 x 4
E 2 E 1 2 E
4 2 E
4 2
sehingga
2
ln f x; 1 1 3
E 2 2 2
4 2 4
1
2.
2
Karena batas bawah Cramer-Rao untuk g adalah
[ g ' ] 2 1 2 2
CRLB .
n 1
n 2 n
2
Karena variabel random X i berdistribusi N , untuk i 1, 2, ..., n
2
Xi X
maka berdistribusi N 0,1 sehingga i berdistribusi chi-
( X i )2
kuadrat dengan derajat bebas 1. Dengan mengingat saling
n ( X i )2
bebas untuk i 1, 2, ..., n maka i 1
berdistribusi chi-kuadrat
2 2
sama dengan CRLB. Hal itu berarti merupakan estimator UMVU
n
untuk .
Kasus 3
Bila dan 2 tidak diketahui maka 1 dan 2 2
sehingga estimator UMVU untuk 1 adalah X dan estimator UMVU
untuk 2 adalah
2
1 n
ˆ2 X i X .
n 1 i 1
n X1 X
Karena berdistribusi chi-kuadrat dengan derajat bebas
i 1
2
n 1 maka variansi dari ˆ2 adalah 2 2 n 1 . Hal itu berarti estimator
UMVU untuk 2 mempunyai variansi lebih besar dari batas bawah
Cramer-Rao.
Estimator UMVU untuk g dinamakan estimator efisien untuk
g . Jika u estimator UMVU untuk dan U * sebarang estimator tak
bias untuk g maka kuantitas mengukur efisiensi relatif U * terhadap
u . Jelas bahwa efisiensi relatif mempunyai nilai dalam interval (0,1].
Definisi III.5
Estimasi x1 , x2 ,..., xn dinamakan MLE (maximum likelihood
estimator) dari jika
L x1 , x2 ,..., xn = max {L x1 , x2 ,..., xn }
dan x1 , x2 ,..., xn dinamakan MLE untuk .
Karena fungsi y ln x, x 0 merupakan fungsi naik tajam maka
untuk memaksimumkan L x1 , x2 ,..., xn terhadap cukup dengan
memaksimumkan
ln L x1 , x2 ,..., xn .
Contoh III.6
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
Poisson ( ). Fungsi kepadatan probabilitas dari X i adalah
e xi
f xi ;
xi !
sehingga fungsi likelihoodnya adalah
1
L x1 , x2 ,..., xn exp[ n ]
xi
n
.
x!
i 1 i
i
2
.
Akibatnya
n
ln L 2 n
X i X
2 2 i 1 2
dan
n
ln L n 1
2
2 2
4
X
i 1
i 0
1 n 2
sehingga diperoleh ̂ X dan 2
i 1
X i X . Jika 2 diketahui
n
dan maka ̂ x adalah MLE untuk sedangkan jika
1 n
diketahui dan 2 maka ˆ i 1
X i X 2 adalah MLE untuk 2 .
n
Contoh III.8
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
U , . Fungsi kepadatan probabilitas dari U , adalah
1
f x;
untuk x dengan , t . Fungsi likelihoodnya adalah
n
L x1 , x2 ,..., xn f xi ;
i 1
n
1
i 1
Teorema III.3
Misalkan X 1 ,..., X n variabel random saling bebas dengan fungsi
kepadatan probabilitas f ( x; ) dan T (T1 ,...,Tr ) t dengan
T j T j ( X 1 ,..., X n ) untuk j 1,2,..., r merupakan statistik cukup untuk
(1 ,..., r ) t . Jika ˆ (ˆ1 ,...,ˆr ) adalah MLE yang tunggal untuk dan
ˆ merupakan fungsi dari T .
Teorema III.4
Misalkan X 1 ,..., X n variabel random saling bebas dengan fungsi
kepadatan probabilitas f ( x; ) dan R r . Jika didefinisikan
Contoh III.9
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
t
N , 2 dengan parameter , 2 . Berdasarkan Contoh III.7,
1 n
( X i X )2
n i 1
merupakan MLE untuk 2 . Misalkan didefinisikan : * dengan
( ) dan * R R 0 yang merupakan fungsi
korespondensi satu-satu. Dengan menggunakan Teorema III.4, diperoleh
bahwa
1 n
X i X 2
n i 1
merupakan MLE untuk .
n
E X 2 Var ( X ) ( E[ X ]) 2 2 2 ,
Contoh III.11
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
U , dengan dan tidak diketahui. Dengan metode momen
diperoleh sistem persamaan
n
i 1
Xi
X E X
,
n 2
n
i 1
X i2 2 2 2 2 2
X E[ X ] Var( X ) ( E[ X ]) ,
n 12 4
sehingga diperoleh
2X ,
2
2
X (X ) 2
2
12 12
atau
2X ,
S 12 .
Akibatnya estimator momen untuk dan berturut-turut adalah
Definisi III.6
Fungsi keputusan adalah fungsi terukur yang didefinisikan dari
R n ke R . Nilai x1 , x2 ,..., xn dari pada dinamakan keputusan
(decision).
Definisi III.7
Untuk mengestimasi berdasarkan X 1 , X 2 ,..., X n dan
menggunakan keputusan . Fungsi kerugian (loss function) adalah fungsi
non negatif dari dan x1 , x2 ,..., xn yang menyatakan kerugian yang
diakibatkan bila mengestimasi dengan x1 , x2 ,..., xn .
Fungsi kerugian yang biasa digunakan adalah
L[ ; ( x1 , x2 ,..., xn )] = x1 , x2 ,..., xn
atau secara umum
L[ ; ( x1 , x2 ,..., xn )] = x1 , x2 ,..., xn k
Definisi III.9
Estimator dari dikatakan admisible jika tidak ada estimator
*
lain dari sehingga untuk semua R[ ; * ] R[ ; ] untuk semua
.
Definisi III.10
Kelas dari estimator D dikatakan essentially complete jika untuk
sebarang estimator * dari tidak dalam D sehingga
R[ ; ] R[ ; * ]
untuk semua .
Definisi III.11
Dalam kelas D yaitu semua estimator yang mempunyai sifat
R[ ; ] berhingga untuk semua , estimator dikatakan minimaks
(minimax) jika untuk sebarang estimator * yang lain berlaku sifat
sup{ R[ ; ] ; } sup{ R[ ; * ] ; }.
Misalkan R dan adalah variabel random dengan fungsi
kepadatan probabilitas yaitu fungsi kepadatan probabilitas prior
R( ) E [ R ( ; ) R[ ; ] ( )d atau
R[ ; ] ( ).
Definisi III.12
Dalam kelas D 2 estimator dikatakan estimator Bayes (dalam
teori keputusan dan berkaitan dengan fungsi kepadatan probabilitas prior
pada ) jika R ( ) R ( * ) untuk semua estimator * yang lain.
Teorema III.5
Estimasi Bayes dari yang bersesuaian dengan fungsi kepadatan
probabilitas pada sehingga
f ( x ; ) f ( x ; ) ..... f ( x , ) ( ) d
1 2 n
dan
f ( x ; ) f ( x ; ) ..... f ( x , ) ( ) d
1 2 n
t
berhingga untuk setiap x1 , x2 ,..., xn diberikan oleh
( x1 , x2 ,...., xn )
f ( x ; ) f ( x ; ) .... f ( x ; ) ( ) d
1 2 n
f ( x ; ) f ( x ; ) .... f ( x ; ) ( ) d
1 2 n
asalkan kontinu.
Jika nilai pengamatan dari X i adalah xi untuk i 1,2,..., n maka
akan ditentukan fungsi kepadatan probabilitas bersyarat dari bila
diberikan X 1 x1 , X 2 x2 ,..., X n xn merupakan fungsi kepadatan
posterior dari . Fungsi kepadatan posterior dari adalah
f x1 ; f x2 ; ... f xn ; f x;
h x
h x h x
f x1 ; f x2 ; ... f xn ;
h x
dengan
h x f x; ( )d f x1 ; f x2 ; ... f xn ; ( )d
untuk kontinu.
Estimator Bayes untuk yaitu x1 , x2 ,..., xn adalah harapan dari
berkaitan dengan fungsi kepadatan probabilitas posteriornya. Estimator
Bayes yang lain dari adalah median dari h x atau modus dari
h x jika ada.
1 xi
1 n xi 1 1 1 d
0
1 xi 1
1 n xi 1 d
0
n
i 1 xi n i1 xi n
n
dan
1 f x1 ; f x2 ; ... f xn ; d
1 xi
1 n xi 1 1 1 d
0
1 xi 11
1 n xi 1 d
0
n
i 1 xi 1 n i1 xi
.
n
n 1
Diperoleh estimator Bayes adalah
( x1 , x2 ,...., xn )
f ( x ; ) f ( x ; ) .... f ( x ; ) ( ) d
1 2 n
f ( x ; ) f ( x ; ) .... f ( x ; ) ( ) d
1 2 n
n n x n
i 1 i
n
i 1 xi
.
n
Bila 1 maka distribusi priornya merupakan distribusi
seragam pada (0,1) sehingga diperoleh estimator Bayes
n
1 i 1 xi
x1 , x2 ,..., xn .
2n
asalkan kontinu.
Teorema III.6
Misalkan terdapat fungsi kepadatan probabilitas pada
sehingga untuk estimasi Bayes yang didefinisikan dengan
( x1 , x2 ,...., xn )
f ( x ; ) f ( x ; ) .... f ( x ; ) ( ) d
1 2 n
f ( x ; ) f ( x ; ) .... f ( x ; ) ( ) d
1 2 n
Contoh III.12
Misalkan variabel random saling bebas dari distribusi Binom(1, )
dengan =(0,1). Fungsi kepadatan probabilitas priornya dipilih
berdistribusi Beta(,). Jika X in1 X i maka X berdistribusi Binom(n,)
sehingga E[ X ] n dan Var ( X ) n 1 serta
E[ X 2 ] Var ( X ) ( E[ X ]) 2 n (1 ) (n ) 2 n (1 n ).
Bila
n
i 1 X i X
x1 , x2 ,..., xn
n n
digunakan untuk mengestimasi maka akan mempunyai resiko
X
R[ ; ] E
n
2
n X
E
n
n 2 2n EX EX
2 2
n 2
n2 2n 2n 2 2 2n n EX 2 2 EX 2
n 2
2 2 n 2 2 2 2 n n 2 n2 2 2
n 2
2
2 n 2 2 2 2 n 2
n 2
2
[ 2 n] 2 [2 2 2 n] 2
.
n 2
1
Bila n dan dimisalkan * hasil estimasi dari maka
2
2 n 0 dan 2 2 2 n 0 sehingga
Contoh III.13
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi N , 2 dengan 2 tidak diketahui. Misalkan 2 = .
Estimator UMVU untuk adalah
1 n 2
U Xi
n i 1
2 2 2 2
dan variansinya adalah yaitu R[ ;U ] = .
n n
Misalkan estimatornya adalah U . Resiko yang terjadi jika
digunakan untuk mengestimasi adalah
R[ ; ] EU
2
E (U ) 1
2
2 EU 2 1 E U E 1 2 . .
2
2
Karena U estimator tak bias untuk maka E[U ] sehingga
2 2 2 2
E (U ) 0 dan akibatnya E[U ] E[U E (U )] Var (U ) .
n
Hal itu berarti
0 0 2
2
R[ ; ] 2 2
n
2
n
2 2
n 2 2n n
2
n
n 2 2
2 n n .
Definisi III.12
Barisan estimator dari , Vn Vn X 1 , X 2 ,..., X m dikatakan
konsisten dalam probabilitas (konsisten lemah) jika
Vn
untuk n dan untuk semua . Demikian juga barisan estimator
dari , dikatakan konsisten hampir pasti (konsisten kuat) jika
Vn
untuk n dan untuk semua .
Teorema III.7
Jika E Vn dan Var Vn untuk n maka Vn .
Definisi III.13
Barisan estimator dari , yang sudah dinormalkan dikatakan normal
secara asimptotik ke N 0, 2 jika
d
n (Vn ) X
untuk n dan untuk semua dengan X berdistribusi normal
N 0, 2 (di bawah P ).
Definisi III.14
Barisan estimator , dikatakan BAN (best asimptotically normal)
jika
1. Estimator tersebut normal secara asimptotik.
2. Variansi 2 ( ) dari distribusi normal limitnya terkecil untuk semua
dalam kelas semua barisan estimator yang memenuhi (1).
Barisan estimator BAN juga dinamakan efisien secara asimptotik.
Teorema III.8
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) dengan
R . Jika syarat-syarat 1 sampai 6 pada pasal III.2 dipenuhi maka
persamaan likelihood
ln L( x1 , x2 ,..., xn ) 0
mempunyai akar n* * ( X 1 , X 2 ,..., X n ) untuk setiap n , sehingga barisan
{ n* } dari estimator adalah BAN dan variansinya dari distribusi normal
limitnya sama dengan invers informasi Fishernya yaitu
2
ln f ( x; )
E
dengan X mempunyai distribusi di atas.
Contoh III.15
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
1 n
Binom (1, ) . MLE dari adalah X X i dan dinotasikan dengan
n i 1
X n . Dengan menggunakan Hukum Bilangan Besar Kuat (Strong Low of
Contoh III.16
Misalkan X 1 ,..., X n variabel random saling bebas berdistribusi
1 n
X i dan dinotasikan dengan
Poisson ( ). MLE dari adalah X
n i 1
X n . Dengan menggunakan Hukum Bilangan Besar Kuat dan Hukum
Bilangan Besar Lemah, X mempunyai sifat konsisten kuat dan konsisten
lemah serta dengan Teorema Limit Pusat, n ( X n ) berdistribusi normal
secara asimptotik dengan variansi sama dengan 1 ( ) .
Contoh III.17
Misalkan X 1 ,..., X n variabel random saling bebas dan berdistribusi
N , 2 dengan tidak diketahui sedangkan 2 diketahui. MLE untuk
adalah X n . Jika 2 tidak diketahui dan diketahui maka MLE
1 n
untuk 2 adalah ( X i ) 2 . Variansi dari n ( X n ) yang
n i 1
berdistribusi normal adalah 1 ( ) 2 . Limit variansi dari
1 n
n i 1 ( X i ) 2 2
n
yang berdistribusi normal adalah 1 ( 2 ) 2 2 .
Contoh III.18
Misalkan X 1 ,..., X n variabel random saling bebas berdistribusi
Binom (1, ) . Estimator UMVU untuk adalah
n
1
Un Xn X
n
X
i 1
i .
Soal III.1
Jika X1, X2, X3, . . . , Xn sample random dari distribusi Binom(1,θ) dengan
θ Ω = (0,1) maka tentukan estimator UMVU untuk parameter θ.
Pembahasan
Karena X statistik cukup tak bias yang lengkap untuk θ maka X
estimator UMVU untuk θ.
Soal III.2
Jika X1, X2, . . . , Xn sampel random dari distribusi U(0, θ) dengan
θ Ω = (0, ).
Tentukan estimator tak bias untuk mean dan variansi dari X yang hanya
tergantung pada statistik cukup dari parameter θ.
Pembahasan
Karena X mempunyai distribusi U(0, θ) maka E[X] = θ/2 dan
Var(X)= θ 2 / 12.
Statistik cukup untuk θ adalah Y = mak{ X1, X2, . . . , Xn}. Fungsi distribusi
dari Y adalah
Fy ( y) = P(Y y) = P(max{ X1, X2,. . . , Xn} y)
= P(X1 y, X2 y, . . . , Xn y)
n
= P ( X y )
= Fx ( y )
n
n
y
=
untuk 0 y θ, sehingga fungsi kepadatan probabilitas dari Y adalah
dF y n 1
f ( y) n n
dy
untuk 0 y θ. Akibatnya
n y n 1 n
y n 1
E[Y ] y n n dy n .
0 n 1 0 n 1
Karena itu estimator tak bias untuk meannya yaitu adalah
2
Soal III.3
Diketahui X1, X2, … , Xn sampel random saling bebas dari distribusi
Gamma( , ) dengan diketahui dan tidak diketahui. Tunjukkan
bahwa estimator UMVU dari θ yaitu.
1 n X
U{X1, . . . , Xn} =
n i 1
Xi
dan variansinya mencapai batas bawah Cramer-Rao.
Pembahasan
Misalkan θ = dengan θ Ω = (0, ). Karena Xi berdistribusi
Gamma( ,θ) maka
1
f ( x1 , x 2 , ... , x n ; ) xi 1e xi /
untuk xi > 0 sehingga fungsi kepadatan probabilitas bersamanya adalah
n
f ( x; , ) f ( xi ; , )
i 1
n
1 1 xi /
xi e
i 1
n 1
1 n 1 1 n
xi 1
exp xi
( ) i 1 i 1
Dengan menggunakan Teorema Faktorisasi Fisher-Neyman diperoleh
n
bahwa i 1 X i merupakan statistik cukup untuk θ. Karena E[Xi] = θ
Soal III.4
Diketahui X1, X2, X3, . . . , Xn sampel random dari distribusi U(θ, 2θ)
dengan θ Ω = (0, ). Tentukan estimator tak bias untuk θ.
Pembahasan
Soal III.5
Diketahui X1, X2, . . , Xn sampel random dari distribusi Poisson(θ) dengan
θ Ω = (0, ). Tentukan estimator UMVU untuk θ dan tentukan variansi
serta batas bawah Cramer-Rao.
Pembahasan
Dari Bab II, dapat dilihat bahwa X merupakan statistik cukup yang
lengkap sehingga dengan menggunakan Teorema Lehman-Scheffe
diperoleh bahwa X estimator UMVU dengan variansi θ/n. Pada sisi lain,
karena X mempunyai distribusi Poisson(θ) maka fungsi probabilitasnya
adalah
e x
f ( x ; )
x!
untuk x = 0, 1, 2, . . . , sehingga logaritma natural dari f(x; θ) adalah
f(x ; θ) = - θ + x lnθ – ln(x!).
Dengan mendiferensialkan terhadap θ diperoleh
x
f ( x ; ) 1
sehingga
2
2x x2 .
f ( x ; ) 1
2
Akibatnya
2
2 E[ X ] E[ X 2 ]
E f ( x; ) 1
2
2 Var ( X ) ( E[ X ]) 2
1
2
Soal III.6
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Binom(1,θ)
dengan = (0, ). Tentukan MLE untuk θ.
Pembahasan
Karena Xi berdistribusi Binom(1,θ) maka fungsi probabilitasnya adalah
f ( xi ; ) xi (1 ) n xi
dengan xi = 0, 1, 2, . . . , n sehingga fungsi likelihoodnya adalah
n
L ( | x 1 , x 2 , ... , x n ) i 1
f ( x i ; )
n
xi
(1 ) n x i
i 1
n n
i 1 i (1 ) i 1 i .
x n x
i 1
xi
X.
n
Hal itu berarti MLE untuk θ adalah X .
Soal III.7
Diketahui X1, X2, . . . , Xn sampel random dari distribusi eksponensial yaitu
dengan fungsi kepadatan probabilitas.
f ( x ; ) e x
dengan θ Ω = R. Tentukanlah MLE untuk θ.
Pembahasan
Fungsi likelihoodnya adalah
n
L( | x1 , x2 , ...., xn ) f ( xi , )
i 1
n
e xi
i 1
n
xi
n e i 1
sehingga logaritma natural dari fungsi likelihoodnya adalah
n
l ( ) n ln xi .
i 1
n
n
.
i1 xi
Hal itu berarti MLE untuk θ adalah ˆ 1 / X .
Soal III.8
Diketahui X1, X2, . . . , Xn sampel random dari distribusi N ( , 2 ) dengan
dan 2 tidak diketahui. Tentukan MLE untuk θ.
Pembahasan
Karena X berdistribusi N ( , 2 ) maka fungsi kepadatan probabilitasnya
adalah
(x )2
1
f ( x ; ; )
exp
2 2 2 2
sehingga fungsi likelihoodnya adalah
n
L ( | x1 , x 2 , ... , x n ) f ( xi ; )
i 1
n
1 ( xi ) 2
exp
i 1 2 2 2 2
n
1 n
(x )2
exp i 1 i 2
2 2
2
n
n
1 x 2 in1 x i n 2
exp i 1 2 i
2 2 2 2
2 2
2
dengan θ = ( , 2 ) . Akibatnya logaritma natural dari fungsi
likelihoodnya adalah
X
i 1
i
2
atau .
n
Soal III.9
Diketahui X1, X2, . . . , Xn sampel random dari distribusi dengan fungsi
kepadatan probabilitasnya adalah
x 1
1
f ( x ;1 , 2 )
exp , x 1 .
2 2
Tentukan MLE untuk θ1 dan θ2.
Pembahasan
Fungsi likelihoodnya adalah
n
L ( , x1 , x 2 , . . . , x n ) i 1
f ( xi ; )
n
1 x 1
exp i
2
i 1 2
n
1 n ( x 1 )
exp i 1 i
2 2
l ( ) ln f ( x ; 1 ; 2 ) n ln( 2 )
i 1
xi
n
1
2 2
untuk min{X1, X2, . . . , Xn} > θ1. Fungsi likelihood mencapai maksimum
bila ˆ 1 = min{X1, X2, . . . , Xn} dan MLE untuk θ2 diperoleh dengan
menyelesaikan persamaan berikut:
n
2l n xi n
2
2 i 12 1 0 .
2 2 2 2
Diperoleh
n
i 1
xi
n( 2 1 )
2
2 22
atau ˆ2 X + min{ X1, X2, . . . , Xn}.
Soal III.10
Diketahui X1, X2, . . . , Xn sampel random dari distribusi U( - θ, θ) dengan
θ Ω = (0, ). Tentukan estimator momen untuk θ.
Pembahasan
Karena momen pertama dari X yaitu E(X) = 0 maka digunakan
momen kedua X yaitu E[X2] = θ2 / 3. Akibatnya estimator momen untuk
θ merupakan penyelesaian dari
n
2 i 1
xi2
3 n
^
yaitu 2 3 X 2 .
Soal III.11
Diketahui X1, X2, X3, . . . , Xn sampel random dari distribusi N(θ, θ) dengan
θ Ω = (0, ). Tentukan MLE untuk θ.
Pembahasan
Karena X berdistribusi N(θ, θ) maka fungsi kepadatan probabilitasnya
adalah
n
1 (x )2
exp i
i 1 2 2
n/2
1 n (x )2
exp i 1 i
2 2
Soal III.13
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Gamma(, ).
Tentukan estimator momen untuk dan .
Pembahasan
Karena X1 berdistribusi Gamma(,) maka E[X1] = dan Var(X1) = 2
sehingga estimator momen tersebut merupakan penyelesaian dari sistem
persamaan
2
X X S 2 2
X S
2 2 2
X X
Akibatnya estimator momen adalah ˆ S 2 / X dengan
1 n
S2 (X i X )2 .
n i 1
dan estimator momen untuk adalah ˆ ( X ) 2 / S 2 .
Soal III.14
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Beta(, ).
Tentukan estimator momen untuk dan .
Pembahasan
Karena X1 berdistribusi Beta(, ) maka E[X1] = dan
V (X1) 2
( ) ( 1)
sehingga
E ( X 12 ) V ( X 1 ) ( E ( X 1 )) 2
( ) ( 1) ( ) 2
2
.
( )( 1)
Soal III.16
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Binom(4, θ)
dengan θ (0, 1). Tentukan estimator Bayes untuk θ bila priornya adalah
(θ) = 1 untuk 0 < θ < 1.
Pembahasan
Fungsi probabilitas dari X adalah
f (x| )
4
x
x
(1 ) 4 x
untuk x = 0, 1, 2, 3, 4. Distribusi posterior dari θ bila diberikan X yaitu
(θ|x) adalah
Soal III.17
Diketahui X1, X2, . . . , Xn variabel random saling bebas dengan fungsi
kepadatan probabilitas.
f ( x ; ) x 4 x
dengan θ > 0. Bila distribusi prior dari θ adalah
1
( ) r
r 1e /
( r )
untuk θ > 0. Tentukan estimator Bayes untuk parameter θ .
Pembahasan
Distribusi posterior dari θ bila diberikan sampel random X1, X2, . . . , Xn
adalah
( | x1 , x 2 , ... , x n ) f ( x1 | ) f ( x 2 | ) ... f ( x n | ) ( )
atau sebanding dengan
1
n
n n r 1 / n
[(1 / ) ln x i ]
xi xi e e n r 1e i 1
i 1 i 1
n
[(1 / ) ln x i ]
n r 1e i 1
.
Berarti distribusi posteriornya Gamma n r , . Akibatnya
n
1 i 1 ln xi
mean dari distribusi posterior yaitu
( n r )
ˆ n
1 i 1 ln xi
merupakan penaksir Bayes untuk θ.
Bayes untuk θ.
Soal II.19
Diketahui X1, X2, . . . , Xn variabel random saling bebas dengan fungsi
kepadatan probabilitas
n
1
exp ( 2 xi ( n 1) 2 2 0 )
2 i 1
Definisi IV.1
Suatu pernyataan berkenaan dengan parameter seperti
dinamakan hipotesis (statistik) tentang dan biasanya dinotasikan dengan
H atau H 0 . Demikian juga pernyataan bahwa c dengan
c adalah hipotesis (statistik) tentang yang dinamakan
alternatif dari H atau ditulis dengan A atau H a . Hal itu berarti
H (H0 ) : c .
Seringkali hipotesis berasal dari klaim bahwa produk baru, teknik
baru dan sebagainya lebih efisien dari yang telah ada. Dalam konteks ini
H atau H 0 adalah suatu pernyataan yang meniadakan klaim ini dan
dinamakan hipotesis nol (null hypothesis).
Jika mengandung hanya satu titik yaitu { 0 } maka H
dinamakan hipotesis sederhana (simple hypothesis) dan jika mengandung
lebih dari satu titik maka dinamakan hipotesis komposit (composite
hypothesis). Hal yang sama juga berlaku untuk alternatif. Bila hipotesis
Definisi IV.2
Uji random atau statistik (fungsi uji atau test function) untuk
pengujian hipotesis H melawan alternatif A adalah fungsi terukur
yang didefinisikan pada R n ke [0,1] dan mempunyai interpretasi berikut
ini. Jika ( x1 , x2 ,..., xn ) t adalah nilai pengamatan dari ( X 1 , X 2 ,..., X n ) t dan
( x1 , x2 ,..., x n ) y
maka hal ini dapat digambarkan sebagai suatu koin, yang mempunyai
probabilitas untuk mendapatkan ‘muka’ sebesar y , dilempar satu kali dan
bila memperoleh ‘muka’ maka H akan ditolak dan bila memperoleh
‘belakang’ maka H akan diterima. Dalam kasus khusus, y dapat
bernilai 0 atau 1 untuk semua ( x1 , x2 ,..., xn ) t sehingga uji dinamakan uji
yang tidak random (non randomized test). Hal itu berarti uji non random
berbentuk
1 jika ( x1 , x2 ,..., xn ) t B
( x1 , x2 ,..., xn ) t c
.
0 jika ( x1 , x 2 ,..., x n ) B
Dalam hal ini, himpunan Borel B R n dinamakan daerah kritik
(daerah penolakan – rejection region) dan B c dinamakan daerah
penerimaan (acceptance region). Dalam pengujian hipotesis, kita dapat
menghilangkan salah satu dari 2 jenis kesalahan berikut yaitu kesalahan
yang terjadi karena H ditolak padahal H benar yaitu parameter yang
tidak diketahui terletak dalam atau kesalahan yang terjadi karena
menerima H padahal H salah.
Definisi IV.3
Misalkan ( ) P [menolak H ] sehingga
1 ( ) P [menerima H ]
dengan . Hal itu berarti bahwa ( ) dengan adalah
probabilitas untuk menolak H di bawah anggapan H benar.
Untuk , ( ) adalah probabilitas kesalahan tipe I. Besaran
Definisi IV.4
Uji tingkat yang memaksimumkan kuasa uji diantara semua uji
tingkat dikatakan uji paling kuasa seragam (uniformly most powerful –
UMP). Jadi adalah uji UMP tingkat jika
1. sup[ ( ) ]= .
2. ( ) ( ) , c untuk sebarang uji yang memenuhi (1).
*
Jika c hanya terdiri dari satu titik maka UMP hanya dinamakan uji
paling kuasa (most powerful – MP).
Dalam kasus ini, ruang parameter hanya terdiri dari 2 titik yang
dapat dituliskan sebagai 0 dan 1 yaitu
{ 0 ,1}.
Misalkan f0 dan f1 fungsi kepadatan probabilitas yang diketahui.
Misalkan dituliskan f 0 = f ( x; 0 ) , dan X 1 , X 2 ,..., X n variabel random
saling bebas dengan fungsi kepadatan probabilitas f ( x; ) , .
Akan dilakukan pengujian hipotesis H : { 0 } melawan
alternatif A : {1} pada level (0 < < 1). Misalkan
f ( x1;1 ) f ( x2 ;1 ) ..... f ( xn ;1 )
R( z; 0 ,1 )
f ( x1; 0 ) f ( x2 ; 0 ).... f ( xn ; 0 )
dan uji yang didefinisikan sehingga
Akibat IV.1
Jika didefinisikan seperti (1) dan (2) maka ( ) . Dalam
contoh-contoh berikut, { 0 ,1} akan diuji hipotesis sederhana
melawan alternatif sederhana dengan tingkat keberartian .
Contoh IV.1
Misalkan X 1 , X 2 ,..., X n sampel random dari populasi yang
berdistribusi Binom(1, ). Berdasarkan sampel tersebut akan diuji
hipotesis H : = 0 melawan alternatif A : = 1 pada level dengan
anggapan 0 < 1 . Diperoleh
f ( x1 ;1 ) f ( x2 ;1 ) ..... f ( xn ;1 )
R( z; 0 ,1 )
f ( x1 ; 0 ) f ( x2 ; 0 ).... f ( xn ; 0 )
1x (1 1 )1 x 1x (1 1 )1 x .....1x (1 1 )1 x
1 1 2 2 n n
x
0 (1 0 )1 x 0 x (1 0 )1 x .... 0 (1 0 )1 x
1 1 1 2 n
n n
1 1 1
xi n xi
i 1 i 1
0 1 0
sehingga
n n
1 1
ln R ( z; 0 ,1 ) X i ln 1 n X i ln .
i 1
0 i 1 1 0
X
i 1
i > c0
dengan
1 1
ln c n ln
1 0
c0 = .
1 1 0
ln
0 1 1
Hal itu berarti uji MP dinyatakan sebagai
n
1 jika X i c0 ,
i 1
n
( z ) jika X i c0
i 1
n
0 jika X i c0 .
i 1
sehingga haruslah
n
P 0 ( X i co ) 0,95.
i 1
n
Untuk itu dipilih c0 sehingga P0 (i 1 X i co ) 0,95 tetapi paling
dekat dengan 0,95. Berdasarkan tabel kumulatif distribusi Binom(25, 0,5)
n
diperoleh bahwa c0 = 17 sehingga P0 (i 1 X i co ) dan berlaku
n n n
P 0 ( X i co ) P 0 ( X i 17) P 0 ( X i 16)
i 1 i 1 i 1
= 0,9784 – 0,9461
= 0,0323.
Akibatnya
n n
0,95 P 0 ( X i 17) P 0 ( X i 17)
i 1 i 1
= 0,9784 - 0,0323
diperoleh = 0,8792. Oleh karena itu uji UMP menjadi
1 jika X i 17 ,
i 1
n
( z ) 0 ,8792 jika X i 17
i 1
n
0 jika X i 17 .
i 1
Contoh IV.2
Misalkan X 1 ,..., X n sampel random dari populasi yang
berdistribusi Poisson( ). Berdasarkan sampel random tersebut akan diuji
hipotesis H : = 0 melawan alternatif A : = 1 pada level dengan
anggapan 0 < 1 . Diperoleh
f ( x1;1 ) f ( x2 ;1 ) ..... f ( xn ;1 )
R( z; 0 ,1 )
f ( x1; 0 ) f ( x2 ; 0 ).... f ( xn ; 0 )
1x e 1x e
1 1 2 1
1x e
n 1
...
x1! x2 ! xn !
x1 0 x2 0 xn 0
e 0 e
0 e
... 0
x1! x2 ! xn !
n
i 1
xi
0 exp n(1 0 )
1
sehingga
n
ln R ( z;1 , 0 ) ln 0 n(1 0 ).
i 1 1
Karena R( z;1 , 0 ) > c maka ln R( z; 1 , 0 ) > ln c sehingga
1 jika X i c0 ,
i 1
n
( z ) jika X i c0
i 1
n
0 jika X i c0 .
i 1
= 0,0413.
Oleh karena itu, ditentukan sehingga 0,9574 – 0,0413 = 0,95 atau
= 0,1791. Uji UMP menjadi
n
1 jika X i 10 ,
i 1
n
( z ) 0,1791 jika X i 10
i 1
n
0 jika X i 10 .
i 1
Contoh IV.3
Misalkan X 1 ,..., X n sampel random dari populasi yang berdistribusi
N ( ,1). Berdasarkan sampel tersebut akan diuji hipotesis H : = 0
Contoh IV.4
Misalkan X 1 ,..., X n sampel random dari populasi yang berdistribusi
N (0, ). Berdasarkan sampel tersebut akan diuji hipotesis H : = 0
n 2
1
(z )
jika x c0
i 1 i
0 yang lain
dengan c0 ditentukan sehingga
n
E0 [ ( z )] P0 xi2 c0
i 1
1 n
dan i 1
X i2 ~ n2 untuk i 0,1.
Sebagai gambaran, akan diuji hipotesis H : = 4 melawan A : = 16
dengan = 0,01 dan n = 20. Akan ditentukan c0 sehingga
n
P0 ( xi2 co ) 0,01
i 1
yaitu
n
1 n 2 1
P0 ( xi2 c0 ) P(
xi 4 c0 ) 0,01.
i 1 4 i 1
Berdasarkan tabel distribusi chi-kuadrat dengan derajat bebas 20
diperoleh c0 /4 = 37,566 atau c0 = 150,264. Akibatnya, uji UMP menjadi
n
1 jika xi2 150,264
(z ) i 1
0 yang lain
dan kuasa ujinya adalah
n
1 n 150,264
P 16 ( xi2 150,264) = P 16 ( xi2 )
i 1 16 i 1 16
= P 16 ( 20 9,3915)
= 0,9779.
Definisi IV.5
Keluarga { g ( x; ) } dikatakan mempunyai sifat MLR (monoton
likelihood ratio) dalam V jika himpunan z sehingga g ( z; ) > 0 tidak
bergantung pada dan terdapat fungsi terukur V yang didefinisikan dari
R n ke R , sehingga bila , r dengan < t maka berlaku sifat :
1. g ( x; ) dan g ( x; ' ) berbeda.
2. g ( x; ' ) / g ( x; ' ) fungsi naik dari V z .
Keluarga terpenting dari fungsi kepadatan probabilitas yang
mempunyai sifat MLR adalah keluarga eksponensial 1 parameter.
Proposisi IV.1
Misalkan keluarga eksponensial
f x; C ( ) exp Q T x h x
dengan C 0 untuk semua R dan himpunan positif dari h
tidak tergantung pada . Jika Q fungsi naik maka keluarga
{ g ( x; ) }
n
mempunyai sifat MLR dalam V dengan V z i 1 T X i dan g ( x; )
dinyatakan dengan
g ( z ; ) = f ( x1 ; ) f ( x 2 ; ) ... f ( xn ; ) .
Jika Q fungsi turun maka keluarga { g ( x; ) } mempunyai
sifat MLR dalam V t V .
Akibat IV.2
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dengan fungsi
kepadatan probabilitas dapat dinyatakan sebagai
f x ; C ( ) expQ T x hx
dengan Q fungsi naik/turun tajam. Untuk pengujian hipotesis
H : { 0 }
1 jika V ( z ) c
( z ) jika V ( z ) c ,
0 jika V ( z ) c
dengan c dan ditentukan sehingga
E0 [ ( z )] P 0 V z c P 0 V z c .
Demikian juga, untuk menguji hipotesis
H : { 0}
melawan alternatif A : c pada tingkat keberartian , terdapat uji
yang bersifat UMP di dalam kelas semua uji dari tingkat . Jika Q
turun maka digunakan uji
1 jika V ( z ) c
( z ) jika V ( z ) c ,
0 jika V ( z ) c
dengan c dan ditentukan sehingga
E0 [ ( z )] P 0 V z c P 0 V z c .
Sebaliknya, jika Q naik maka digunakan uji
1 jika V ( z ) c
( z ) jika V ( z ) c ,
0 jika V ( z ) c
dengan c dan ditentukan sehingga
E0 [ ( z )] P 0 V z c P 0 V z c .
Teorema IV.3
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dengan
fungsi kepadatan probabilitas f ( x; ) dapat dinyatakan sebagai
f x; C ( ) exp Q T x h x
dengan Q fungsi monoton tajam dan R . Misalkan
{ 1 atau 2}
dengan 1 , 2 dan 1 2 . Uji hipotesis H : melawan alternatif
A : c adalah uji UMP . Jika Q fungsi naik maka dinyatakan
dengan
1 jika c1 V z c2
( z ) jika V z ci (i 1,2) dan c1 c2
0 yang lain
dengan c1 , c2 dan 1 , 2 ditentukan sehingga
E1 [ ( z )] P1 c1 V z c2 1 P1 V z c1 2 P1 V z c2 .
dan
E 2 [ ( z )] P 2 c1 V z c2 1 P 2 V z c1 2 P 2 V z c2 .
n
dengan V z i 1T ( X i ) .
Sebaliknya, jika Q fungsi naik maka dinyatakan dengan
Contoh IV.5
Misalkan X 1 ,..., X n sampel random saling bebas dari distribusi
Binom(1, ) dengan (0,1) . Fungsi probabilitas dari X yang
berdistribusi Binom (n, ) adalah
f ( x; ) n (1 ) n x A ( x)
dengan A 0, 1, 2,..., n . Fungsi probabilitas tersebut dapat dinyatakan
sebagai
f ( x ; ) (1 ) n x exp ln A ( x)
1
sehingga distribusi distribusi binomial merupakan anggota keluarga
eksponensial dengan
c 1 , Q ln T ( x ) x, h( x) ( x).
n
, A
1
Karena Q ln merupakan fungsi naik dan
1
n
V z i 1T ( X i ) maka uji UMP untuk hipotesis H : 0 melawan
A : 0 adalah
1 jika X i c,
i 1
n
( z ) jika X i c,
i 1
n
0 jika X i c.
i 1
0,6711.
Contoh IV.6
Misalkan X 1 ,..., X n sampel random saling bebas dari distribusi
Poisson ( ) dengan (0, ) . Fungsi probabilitas dari X yang
berdistribusi Poisson ( ) adalah
x e
f x;
x!
untuk x 0, 1, 2,... . Fungsi probabilitas tersebut dapat dinyatakan sebagai
e x ln e 1
f x; e e x ln
x! x!
n
sehingga Q( ) ln dan V z i 1 ( X i ) . Karena Q( ) merupakan
fungsi naik maka uji UMP untuk hipotesis H : 0 melawan A : 0
adalah
1 jika X i c,
i 1
n
( z ) jika X i c,
i 1
n
0 jika X i c.
i 1
0.4
0.2
0.0
theta
Contoh IV.7
Misalkan X 1 ,..., X n sampel random saling bebas dari distribusi
N ( , 2 ) dengan R . Fungsi probabilitas dari X yang
berdistribusi N ( , 2 ) adalah
x 2
1
f x;
exp 2
2 2 2
untuk x R . Fungsi probabilitas tersebut dapat dinyatakan sebagai
1 x 2 2x 2
f x; exp
2 2 2 2
atau
2 1 x2
f x; exp
2
exp 2 x exp
2
2 2 2
2
Contoh IV.8
Misalkan X 1 ,..., X n sampel random saling bebas dari distribusi
N ( , ) dengan (0, ) . Fungsi kepadatan probabilitas dari X
yang berdistribusi N ( , ) adalah
0 yang lain
dengan c ditentukan sehingga
n
E0 [ ( z )] P0 ( X i ) 2
i 1
1 n
dan i 1
( X i ) 2 ~ n2 . Kuasa uji dari uji ini adalah
n n
( ) = P ( X i ) 2 c 1 P ( X i ) 2 c
i 1 i 1
1 n c
1 P ( X i ) 2
i 1
c
1 P n2 .
Sebagai gambaran, berdasarkan sampel X 1 , X 2 ,..., X 25 dari distribusi
N ( , ) dengan diketahui, dan akan diuji hipotesis H : 4
melawan A : > 4 adalah
n
1 jika i 1
( X i )2 c
(z ) n
0 jika ( X i )2 c
i 1
i 1
Definisi IV.6
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x, ) ,
dan R r . Untuk pengujian H : melawan alternatif
Definisi IV.7
Suatu uji dikatakan UMPU (uniformly most powerfull unbiased)
jika uji tersebut UMP dalam kelas semua uji yang tidak bias.
Catatan : Uji UMP selalu UMPU. Uji UMP tak bias karena UMP paling
sedikit mempunyai kuasa yang sama dengan . Uji UMP merupakan uji
UMPU karena uji UMP merupakan UMP dalam kelas yang meliputi kelas
uji tak bias.
Teorema IV.4
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dan fungsi
kepadatan probabilitasnya dinyatakan dengan
f x; C ( ) expQ T x hx
dengan R . Misalkan
{ ;1 2 }
dengan 0 ,1 , 2 dan ' { 0 } dengan 1 2 .
Untuk menguji hipotesis H : melawan alternatif A : c
dan hipotesis H : ' melawan alternatif A': 'c pada level
terdapat uji UMP yang diberikan oleh
1 jika V z c1 atau V z c2
( z ) i jika V z ci (i 1,2) dan c1 c2
0 yang lain
dengan c1 , c2 dan 1, 2 ditentukan dengan E1 [ ( z )] dan
E 2 [ ( z )] untuk H dan
Contoh IV.9
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dari
N ( , 2 ) dengan 2 diketahui dan . Akan diuji hipotesis
H : 0 melawan A : 0 . Fungsi kepadatan probabilitas N ( , 2 )
adalah
x 2
1
f x; exp 2
2 2 2
untuk x R . Fungsi probabilitas tersebut dapat dinyatakan sebagai
1 x 2 2x 2
f x; exp
2 2 2 2
atau
2 1 x2
f x; exp exp 2
2
x exp
2
2 2 2 2
1 n nX
sehingga Q( ) dan V z 2 Xi . Oleh karena itu uji
i 1
2
UMPU adalah
nX nX
1 jika 2
c1 atau c2
(z ) 2
0 yang lain
c1 n 0 c2 n 0
dengan c'1 dan c' 2 .
n n
n ( X 0 )
Pada sisi lain, di bawah H , berlaku sifat ~ N (0,1) .
Karena N (0,1) simetri maka c'1 c'2 c (yaitu c 0 ) sehingga
menjadi
n( X 0 )
c
atau
n ( X 0 )
c
yang ekuivalen dengan
2
n ( X 0 )
~ 12
di bawah H benar. Akibatnya uji UMPU menjadi
2
n ( X 0 )
1 jika c
(z )
yang lain
0
0 yang lain
c
dengan c ditentukan sehingga P ( n21 ) . Bila hipotesisnya
2
adalah H ': 0 melawan A': 0 maka digunakan uji
n
1 jika ( X i X )2 c
(z ) i 1
0 yang lain
c
dengan c ditentukan sehingga P( n21 ) .
2
Kuasa uji dapat ditentukan dengan kenyataan bahwa
n 2
i 1
(X i X )
berdistribusi chi-kuadrat dengan derajat bebas n 1 bila
2
diberikan.
Contoh IV.10
Misalkan X 1 , X 2 ,..., X 25 merupakan variabel random saling bebas
dari distribusi N ( , 2 ) dengan dan 2 tidak diketahui. Untuk
menguji hipotesis H : 3 melawan alternatif A : 3 digunakan uji
UMP
n
1 jika ( X i X )2 c
(z ) i 1
0 yang lain
2
dengan c ditentukan sehingga P( 24 c / 9) 0,05 . Berdasarkan tabel
distribusi chi-kuadrat dengan derajat bebas 24 diperoleh c / 9 36,415
atau c 327,735 . Kuasa uji pada 5 adalah
2 2
P( 24 327,735 / 25) P( 24 13,1094) 0,962.
Bila hipotesisnya adalah H ': 3 melawan A' : 3 maka
digunakan uji
0 yang lain
2
dengan c ditentukan sehingga P( 24 c / 9) 0,05 . Berdasarkan tabel
distribusi chi-kuadrat dengan derajat bebas 24 diperoleh c / 9 13,848
atau c 124 ,632 . Kuasa uji pada 2 adalah
2 2
P( 24 124,632 / 4) P( 24 31,158) 0,8384.
Proposisi IV.3
Untuk menguji hipotesis H : ≤ 1 atau ≥ 2 melawan
A : 1 2 digunakan uji UMPU
n
1 jika c1 i 1 ( X i X ) 2 c2
(z )
0 yang lain
dengan c1 dan c2 ditentukan oleh
c c
P 12 n21 22
1 1
dan
c c
P 12 n21 22 .
2 2
Bila digunakan untuk menguji hipotesis H : 1 2 melawan
A : 1 atau 2 digunakan uji UMPU
n n
2
1 jika ( X i X ) c1 atau (X i X ) 2 c2 ,
( z) i 1 i 1
0 yang lain
c c
P 12 n21 22
1 1
dan
c c
P 12 n21 22 .
2 2
Proposisi IV.4
Untuk menguji hipotesis H : 0 melawan A : 0 digunakan
uji UMPU
n n
2
1 jika ( X i X ) c1 atau (X i X )2 ,
( z) i 1 i 1
0 yang lain.
c 2 / 02
dengan c1 dan c2 ditentukan oleh g (t )dt dengan g adalah fungsi
c1 / 02
Proposisi IV.5
Untuk menguji hipotesis H : 0 melawan A : 0 digunakan
uji UMPU
1 jika t ( z) c
(z )
0 yang lain
dengan c ditentukan oleh P(t n1 c) dan
n ( X 0 )
t( z) .
1 m 2
(Xi X )
n 1 i 1
Untuk menguji hipotesis H ': 0 melawan A': 0 digunakan
uji UMPU
1 jika t ( z) c
(z )
0 yang lain
dengan c ditentukan oleh P(t n1 c) .
Contoh IV.12
Misalkan X 1 , X 2 ,..., X 25 merupakan variabel random saling bebas
dari distribusi N ( , 2 ) dengan dan 2 tidak diketahui. Untuk
menguji hipotesis H : 0 melawan alternatif A : 0 dengan
0,05 digunakan uji UMPU
1 jika t ( z ) 1,7109
(z )
0 yang lain
dan untuk menguji hipotesis H : 0 melawan A : 0 dengan
0,05 digunakan uji UMPU
1 jika t ( z ) 1,7109
(z )
0 yang lain .
Proposisi IV.6
Proposisi IV.7
Misalkan X 1 , X 2 ,..., X 25 merupakan variabel random saling bebas
dari distribusi N ( , 2 ) dengan dan 2 tidak diketahui. Untuk
menguji hipotesis H : 0 melawan alternatif A : 0 digunakan uji
UMPU
1 jika t ( z ) 2,0639 atau t ( z ) 2,0639 (dengan c 0).
( z)
0 yang lain
Untuk menentukan kuasa uji dari uji tersebut digunakan uji- t non
central.
Proposisi IV.8
Untuk menguji H : 0 melawan A : 0 digunakan uji UMPU
n
(Yi Y ) 2
1 jika mi 1 c
( z) 2
i 1
(Xi X )
0 untuk yang lain
(m 1)c
dengan c ditentukan sehingga P( Fn1,m1 c0 ) dan c0 .
(n 1)r0
Sedangkan untuk menguji, H ': r r0 melawan A : r r0 digunakan
uji UMPU
n
(Yi Y ) 2
i 1
1 jika m c
(z) 2
i 1
( X i X )
0 untuk yang lain
(m 1)c
dengan c ditentukan sehingga P( Fn1,m1 c0 ) dan c0 .
(n 1)r0
Kuasa ujinya dapat ditentukan dengan kenyataan bahwa
1 n
(Y1 Y ) 2 /(n 1) n 2
2
1
i 1
1 m 1 i 1 (Y1 Y )
1 m 2 r n 1 m ( X 1 X ) 2
2
2
i 1
( X 1 X ) /( m 1) i 1
Contoh IV.13
Diketahui X 1 ,..., X 21 variabel random saling bebas dari distribusi
N ( 1 , 12 ) dan Y1 ,...,Y25 variabel random saling bebas dari distribusi
N ( 2 , 22 ) . Dianggap dua sampel tersebut saling bebas dan semua
Proposisi IV.9
Untuk menguji H : r r0 melawan A : r r0 digunakan uji UMPU
1 jika V ( z, w) c1 atau V ( z, w) c2
( z , w)
0 yang lain
dengan c1 dan c2 ditentukan sehingga
P(c1 Beta ((m 1) / 2, (n 1) / 2 c2 ) P(c1 Beta((m 1) / 2, (n 1) / 2 c2 ).
Proposisi IV.10
Untuk menguji H : 0 melawan A : 0 digunakan uji UMPU
1 jika t ( z, w) c
( z , w)
0 yang lain
dengan c ditentukan oleh P (t m n 2 c0 ) dengan c c m n 2 .
0
1 1
m n
Untuk menguji H ': 0 melawan A': 0 digunakan uji UMPU
1 jika t ( z, w) c
( z , w)
0 yang lain
dengan c ditentukan oleh P(t mn2 c0 ) dengan mn2
c0 c .
1 1
m n
Proposisi IV.11
Untuk menguji H : 0 melawan A : 0 digunakan uji UMPU
1 jika t ( z , w) c atau t ( z , w) 0 (dengan c 0)
( z, w)
0 yang lain
dengan c ditentukan sehingga P(t mn2 c0 ) / 2 .
Teorema IV.5
Misalkan X 1 ,..., X n variabel random saling bebas dengan fungsi
r
kepadatan probabilitas f ( x; ) , dengan R dan
berdimensi m . Nilai-nilai positif dari fungsi kepadatan probabilitas tidak
bergantung pada . Di bawah syarat-syarat 1-6 pada III.2, distribusi
asimptotik dari 2 ln adalah r2 m asalkan yaitu jika n
berlaku sifat
P (2 ln x) G ( x)
2
dengan x ≥ 0 untuk semua dan G adalah fungsi distribusi dari r m.
Kasus 2 ( diketahui)
Akan diuji hipotesis H : { 0 } dengan R . Karena
n
ˆ 2 ( X i X ) 2
i 1
dan
n
ˆ 2 ( X i 0 ) 2
i 1
maka
sehingga
n
ˆ
ˆ
atau
n
2/n i 1
( X i X )2
n
i 1
( X i 0 )2
Karena
n n
(X i 0 ) 2 ( X i X ) ( X 0 ) 2
i 1 i 1
n
( X i X ) 2 2 ( X i X )( X 0 ) ( X 0 ) 2
i 1
n n n
( X i X ) 2 2( X 0 ) ( X i X ) ( X 0 )2
i 1 i 1 i 1
n
( X i X ) 2 n( X 0 ) 2
i 1
maka
1
n ( X i 0 )2
i 1
n
i 1
(X i X )2
1
n ( X i X ) 2 n( X 0 ) 2
i 1 n
i 1 ( X i X ) 2
1
n( X 0 )2
1 n
i 1 ( X i X ) 2
1
1 n( X 0 )2
1
n 1 1 n 2
i 1
(Xi X )
n 1
1
t2
1
n 1
Contoh IV.17
Diketahui X 1 ,..., X m variabel random saling bebas dari distribusi
N ( 1 , 12 ) dan Y1 ,..., Yn variabel random saling bebas dari distribusi
N ( 2 , 22 ) . Dianggap dua sampel tersebut saling bebas. Misalkan bahwa
sampel X dan sampel Y saling bebas dan diinginkan untuk menguji
hipotesis berikut. Dalam hal ini fungsi kepadatan probabilitas bersama X
dan Y adalah
m n
1 1 1 m 2 1 n
m n
exp 2
( X i 1 ) 2
(Y j 2 ) 2 .
2 1 2 2 2 i 1 2 2 j i
Kasus 1
Dianggap bahwa 1 2 tetapi tidak diketahui dan ingin
diuji hipotesis H : 1 2 ( ) dengan tidak diketahui.
Di bawah { ( 1 , 2 , ) t 1 , 2 R, 0} maka MLE dari
parameter adalah
1 m n
ˆ1, X , ˆ 2, Y , ˆ 2 ( X i X ) 2 (Y j Y ) 2 .
m n i 1 j 1
Oleh karena itu
mn
ˆ) 1
L ( e ( m n ) / 2 .
2 ˆ
2
m
m X nY 2
( X i X ) m X
i 1 m n
2
m
n X nY 2
( X i X ) m
i 1 mn
m
mn 2
( X i X )2 ( X Y )2 .
i 1 (m n) 2
Dengan cara yang sama diperoleh
n ^
2
n
m2n
(Y j ) (Y j Y ) 2 2
( X Y )2 .
j 1 j 1 ( m n)
Akibatnya
m ^ n ^
(m n)ˆ 2 ( X i ) 2 (Y j ) 2
i 1 j 1
m
mn 2 n
m2n
( X i X )2
i 1 ( m n) 2
( X Y ) 2
j 1
(Y j Y ) 2
( m n ) 2
( X Y )2
^
mn
( m n) 2 ( X Y )2 .
mn
Di samping itu berlaku sifat
1
2 /( m n ) t
1
m n 2
dengan
mn
(X Y )
t . mn
1 m 2 n
( X i X ) j 1 (Y j Y )
m n 2 i 1
2
Oleh karena itu, uji LR menolak H bila 0 maka akan
ekuivalen dengan uji
1 t ( z, w) c atau t ( z , w) c (dengan c 0),
( z, w)
0 yang lain.
dan
m n
1 1
L(ˆ ) 2 ( mn ) / 2
e ( m n ) / 2
2 (ˆ )
sehingga
(ˆ12, ) m / 2 (ˆ 22, ) n / 2
(ˆ 2 ) ( mn ) / 2
dengan
1 m
m 1
i1 ( X i X ) 2
f .
1 n 2
n 1 j 1
( Y j Y )
Soal IV.1
Diketahui X1, X2, . . . , Xn variabel random saling bebas. Konstruksikan uji
MP untuk menguji bahwa distribusi bersama dari X adalah N(0, 9)
melawan alternatif N(1, 9) dengan tingkat keberartian = 0,05. Tentukan
juga kuasa dari uji tersebut.
Pembahasan
Untuk menguji hipotesis H : θ = 0 melawan alternatif A : θ = 1 pada
tingkat = 0,05 digunakan uji MP berikut :
(x) 1 jika X c 0
0 untuk yang lain
Soal IV.2
Panjang hidup X bola lampu 50 watt merek tertentu dianggap mempunyai
distribusi normal dengan mean tidak diketahui sedangkan simpangan
baku = 150 jam. Variabel random X1, X2,…, Xn variabel random
(x) 1 jika X c
0 jika X c
Soal IV.3
Diketahui X1, . . . , X30 variabel random saling bebas dari distribusi
Gamma(, ) dengan = 10 dan tidak diketahui. Konstruksikan uji
MP dari hipotesis H : = 2 melawan alternatif A : = 3 pada tingkat
keberartian = 0,05.
Pembahasan
Untuk mengkonstruksikan uji MP terlebih dahulu dihitung :
f ( x1 ;1 ) f ( x2 ;1 ).... f ( xn ;1 )
R ( x ; 0 , 1 )
f ( x1 ;1 ) f ( x2 ; 0 ).... f ( xn ; 0 )
10 1 x x
x1 exp 1 x1 exp n
1 .... 1
10 10
(10) 1 (10)1
10 1 x x
x1 exp 1 xn exp n
0 ..... 0
10 10
(10) 0 (10) 0
x
i 1
i c0
dengan
c0
ln c 10n ln .
0
1
1
1 10
Hal itu berati uji MP dinyatakan dengan
n
1 jika
i 1
xi c0
( x) n .
0 jika xi c0
i 1
Soal IV.4
Diketahui X1, X2, . . . , Xn adalah sampel random dari distribusi N(0, 2).
Tentukan uji MP untuk hipotesis H : 2 = 20 melawan alternatif
A : 2 = 21
dengan 21 > 20 .
Pembahasan
Dalam hal ini
n
2
1
n
Xi
i 1
exp
2 0
2
2 0 .
n
2
1
n
Xi
exp i 1 2
2 1 2 1
Akibatnya k akan ekuivalen dengan
1 n
2 12 X i 2 k1
0 i 1
1
untuk suatu konstanta k1. Karena 21 > 20 maka diperoleh
1 1
2
20
1 0
n
2
n
2 X i
sehingga akan ekuivalen dengan X i k2 . Karena i 1
2
i 1 0
Soal IV.6
Dalam jajak pendapat, digunakan n = 15 pemilih untuk menguji hipotesis
H : p = 0,5 melawan A : p < 0,5. Statistik uji yang digunakan adalah Y
yaitu banyaknya pemilih yang memilih Jono. Tentukan tingkat keberartian
jika dipilih RR = { y ≤ 2 } sebagai daerah penolakan.
Soal IV.7
Berdasarkan pada Contoh IV.6, apakah uji tersebut sama baiknya dalam
melindungi kita dari kesimpulan bahwa Jono menang tetapi dalam
kenyataannya dia kalah ? Dianggap bahwa dia akan memperoleh 30 %
dari pemilih yaitu p = 0,3. Berapakah probabilitas bahwa sampel akan
menuntun kita untuk menyimpulkan bahwa H benar dan Jono akan
menang ?
Pembahasan
Dengan definisi diperoleh
= P( kesalahan tipe II)
= P( menerima H ketika H benar)
= P( nilai statistik uji tidak dalam RR ketika H benar).
Karena Y berdistribusi binomial dengan n = 15 maka ketika H benar yaitu
ketika p = 0,3 (khususnya nilai p dalam A) diperoleh
15 15
= P( Y > 2 ketika p = 0,3) 0,3 y 0,715 y .
y 3 y
Dari tabel distribusi binomial dengan p = 0,3 diperoleh = 0,873. Hal itu
berarti bahwa jika digunakan daerah penolakan RR = { y ≤ 2 } maka
pengujian kita akan menuntun kita untuk menyimpulkan bahwa Jono
merupakan pemenang dengan probabilitas kesalahan tipe II sebesar
= 0,873 bahkan jika p = 0,3.
= 0,184.
Akibatnya, jika kita menggunakan { y ≤ 2 } sebagai daerah penolakan
maka nilai = 0,184 ketika p = 0,1 sehingga lebih kecil dari nilai ketika
yang diperoleh pada Soal V.7 dengan p = 0,3 yaitu sebesar = 0,873.
Namun demikian, ketika menggunakan daerah penolakan ini, kita akan
mempunyai probabilitas agak besar dari pernyataan bahwa Jono adalah
pemenang meskipun dalam kenyataannya Jono hanya akan memperoleh
10 % dari pemilih.
Soal IV.9
Berdasarkan pada Contoh IV.6, misalkan digunakan RR = { y ≤ 5 }.
Hitung tingkat keberartian untuk uji dan hitung jika p = 0,3.
Bandingkan hasilnya dengan nilai yang diperoleh pada Soal IV.6 dan IV.7
dengan
RR = { y ≤ 5 }.
Pembahasan
Dalam kasus ini,
= P(statistik uji dalam RR ketika H benar)
= P( Y ≤ 5 ketika p = 0,5).
Ketika p = 0,3 maka
= P( statistik uji dalam RR ketika H benar)
= P( Y > 5 ketika p = 0,3)
= 0,278.
Dengan menaikkan RR dari RR = { y ≤ 2 } ke RR* = { y ≤ 5 }, maka akan
menaikkan dan menurunkan sehingga menjadi lebih seimbang
antara probabilitas kesalahan tipe I dan probabilitas kesalahan tipe II.
Oleh karena itu dipilih tingkat keberartian yang tetap dan akan turun
jika n besar.
Soal IV.10
Sebuah mesin industri harus diperbaiki jika mesin itu menghasilkan lebih
dari 10 % produk yang cacat dari seluruh produksi yang diproduksi dalam
satu hari. Sampel random dari 100 item produksi yang diproduksi satu
hari, ternyata mengandung 15 item yang rusak. Apakah sampel
mendukung keputusan tersebut ? Gunakan uji dengan tingkat keberartian
= 0,01.
Pembahasan
Misalkan Y menyatakan banyak barang rusak yang diperoleh dalam
pengamatan maka Y merupakan variabel random yang berdistribusi
binomial dengan p menyatakan probabilitas item yang dipilih secara
random rusak sehingga akan diuji hipotesis H : p = 0,1 melawan alternatif
^
A : p > 0,1. Statistik uji yang didasarkan pada p Y / n yaitu estimator
tak bias untuk p dinyatakan dengan
^ ^
p p0 p p0
Z .
^ p0 (1 p0 ) / n
p
^ ^
Kita dapat menggunakan p(1 p) / n untuk mendekati simpangan baku
dari tetapi karena dianggap bahwa distribusi Z di bawah H maka lebih
sesuai untuk menggunakan p0 (1 p0 ) / n yaitu nilai yang sebenarnya
dari simpangan baku ketika H benar. Dari tabel distribusi normal baku
diperoleh bahwa P(Z > 2,33) = 0,01 sehingga digunakan daerah
{ y > 2,33}
Soal IV.11
Berdasarkan Soal IV.6 dan Soal IV.7, jika akan diuji hipotesis H : p = 0,5
melawan alternatif A : p < 0,5 dengan menggunakan Y = banyaknya
pemilih yang memilih Jono sebagai statistik uji, berapakah nilai-p
(p-value) jika Y = 3. Interpretasikan hasil tersebut.
Pembahasan
Berdasarkan H dan A, dicatat bahwa hipotesis nol H akan ditolak untuk
nilai Y kecil. Nilai-p dari uji ini adalah P(Y ≤ 3) dengan Y mempunyai
distribusi binomial dengan n = 15 dan p = 0,5. Dengan menggunakan tabel
distribusi binomial, diperoleh nilai-p = 0,018 yang menyatakan nilai
terkecil dari tingkat keberartian sehingga H ditolak. Hal itu berarti
bahwa peneliti yang menggunakan sebarang tingkat keberartian yang
lebih besar dari atau sama dengan 0,018 akan menuju pada penolakan
hipotesis nol H dan menyimpulkan bahwa Jono tidak mempunyai banyak
pemilih. Namun, apabila peneliti memilih tingkat keberartian yang lebih
kecil dari 0,018 maka hipotesis nol tidak dapat ditolak.
Soal IV.12
Sebuah perusahaan menghasilkan komponen mesin yang dianggap
mempunyai diameter yang tidak lebih besar dari 0,0002 (dalam inchi).
Sampel random dari 10 komponen tersebut mempunyai variansi 0,0003.
Ujilah dengan tingkat keberartian 5 % untuk hipotesis nol
H : 2 = 0,0002
melawan A : 2 > 0,0002.
Pembahasan
Soal IV.13
Seorang peneliti menyatakan bahwa variabilitas dari alat pengukur yang
dibuatnya menghasilkan simpangan baku 2. Dari 16 pengukuran
menghasilkan s2 = 6,1. Apakah data yang diperoleh mendukung
pernyataan peneliti tersebut ? Tentukan nilai-p dari uji tersebut.
Kesimpulan apakah yang bisa diperoleh jika digunakan tingkat keberartian
=5%?
Pembahasan
Akan diuji hipotesis nol H : 2 = 4 melawan A : 2 4 yaitu uji 2 sisi.
Statistik uji yang digunakan adalah
(n 1) S 2
X2
2
sehingga dengan data yang ada diperoleh
(n 1) S 2 15(6,1)
X2 22,875.
2 4
Dengan menggunakan paket program R dapat dihitung nilai-p yaitu
2 P( 215 > 22,875) = 0,1737
dengan mengingat uji yang dilakukan adalah uji dua sisi. Karena nilai-p
lebih besar dari tingkat keberartian = 0,05 maka H0 diterima artinya kita
tidak menolak pernyataan bahwa variabilitas dari pengukurannya
mempunyai simpangan baku 2.
Soal IV.15
Misalkan variabel random X menyatakan pengamatan tunggal dari suatu
populasi yang mempunyai fungsi kepadatan probabilitas yang dinyatakan
dengan f(x; ) = x - 1 untuk 0 < x < 1. Tentukan uji MP untuk hipotesis
nol H : = 2 melawan hipotesis alternatif A : = 1.
Pembahasan
Karena kedua hipotesis adalah hipotesis sederhana maka
f ( x; 0 ) 2 x
2x
f ( x;1 ) 1x 0
untuk 0 < x < 1 dan bentuk dari daerah penolakan untuk uji MP adalah
2x < k. Dengan cara yang sama, daerah penolakan RR adalah
{ x < k/2 } = { x < k* }
= (k*)2.
Diperoleh k * 0,05 0,2236. Kuasa dari uji ketika = 1 adalah
P( X dalam RR ketika = 1 ) = P( X < 0,2236 ketika = 1 )
0 , 2236
= 1 dx
0
= 0,2236
sehingga kesalahan tipe II adalah = 0,7764. Meskipun daerah
penolakannya { x < 0,2236 } memberikan nilai maksimum untuk kuasa
dari uji pada diantara semua uji dengan tingkat keberartian = 0,05
namun kita meihat bahwa = 0,7764 masih sangat besar.
f (x;)
/ ( 1 ) x
1
dengan x = 0, 1, 2, ..... dan > 0. Tentukan uji UMP dari hipotesis
H : = 0 melawan alternatif A : > 0 .
*****
Devinisi V.1
Interval random adalah interval berhingga atau tak berhingga dengan
paling sedikit 1 titik ujungnya merupakan variabel random.
Devinisi V.2
Misalkan L (X1, X2,…, Xn) dan U (X1, X2,…, Xn) dua statistik sehingga
L (X1, X2,…, Xn) U (X1, X2,…, Xn).
Interval random [L (X1, X2,…, Xn), U (X1, X2,…, Xn)] adalah interval
kepercayaan untuk dengan koefisien konfidensi 1 ( 0 < < 1) jika
P (L (X1, X2,…, Xn) U (X1, X2,…, Xn)) 1
untuk semua . U (X1, X2,…, Xn) dinamakan batas kepercayaan atas
sedangkan L (X1, X2,…, Xn) dinamakan batas kepercayaan bawah untuk
jika semua berlaku sifat
P (∞< U (X1, X2,…, Xn)) 1
dan
P (L (X1, X2,…,Xn) < ∞) 1
dengan koefisien kepercayaan 1 .
Contoh V.1
Misalkan X1,…,Xn variabel random saling bebas dari distribusi N (,2).
Kasus 1 Jika diketahui dan parameter
Misalkan didefinisikan statistik
n ( X )
Tn ( ) = .
Statistik Tn ( ) tergantung pada X1, X2,…,Xn hanya melalui statistik cukup
dari yaitu X dan mempunyai distribusi N(0,1) untuk semua . Akan
ditentukan a dan b sehingga
Contoh V.2
Misalkan X1,…, Xn variabel random saling bebas dari distribusi Gamma
n
dengan parameter dan diketahui (misal r). Statistik i 1
Xi
merupakan statistik cukup untuk . Karena setiap j = 1, 2, …, n, variabel
random 2Xi / berdistribusi χ 22 r maka
n
2
Tn() =
X
i 1
i .
a b
P( n
≤≤ n
) = 1
2i 1 ln X i 2i 1 ln X i
.
Oleh karena itu interval kepercayaan 1 adalah
n a , n
b .
2 ln X i 2 ln X i
i 1 i 1
a b
Panjang intervalnya sama dengan l n . Dengan menganggap
2 ln X i
i 1
dl b
= 0 maka diperoleh g2n(a) = g2n(b) dan g 2 n (t )dt = 1 .
da a
Contoh V.4
Misalkan X1, X2 ,…, Xn variabel random saling bebas dari distribusi
U(0,). Statistik Yn = X(n) adalah dengan statistik cukup untuk dan
mempunyai fungsi kepadatan probabilitas
Y X X
Diperoleh P a n b = 1 atau P ( n ) ( n ) = 1 . Oleh
b a
karena itu interval kepercayaan 1 untuk adalah
X (n) X (n)
,
b a
1 1
dan panjang intervalnya adalah l = X ( n ) . Akibatnya
a b
dl 1 da 1
= X ( n ) 2 2 .
da a db b
dl b n1 dl a n1 b n1 dl
Karena = n1 maka = X (n) 2 n 1
. Karena < 0 untuk
da a da b a da
semua b maka l turun dalam b dan nilai minimum dicapai bila a = 1/n.
Oleh karena itu interval kepercayaan dengan koefisien 1 = 0,95 maka
diperoleh [X(32), 1,098 X(32)].
Contoh V.5
Misalkan X1, X2,…, Xn variabel random saling bebas dari distribusi dan
s2 tidak diketahui.
Kasus 1
Akan dikonstruksikan interval kepercayaan untuk . Misalkan
Contoh V.6
Sampel random X1, X2,…, Xn berasal dari distribusi N(1, 12 ) dan sampel
random berasal dari distribusi dengan 1,2, 1,2 tidak diketahui. Akan
dikonstruksikan interval kepercayaan untuk 2 dengan menganggap
1 = 2 = . Misalkan
Tm,n(1 – 2) = Y.
Statistik Tm,n(1 – 2) berdistribusi t dengan derajat bebas m + n – 2. Hal
itu berarti interval kepercayaan 1 untuk 1 – 2 adalah
[ a, b ]
dengan
2 2
(m 1) S m1 (n 1) S n1 1 1
a X m Yn t m n2; / 2
m n2
m n
dan
2 2
(m 1) S m1 (n 1) S n1 1 1
b X m Yn t m n2; / 2
m n2
.
m n
Untuk m = 13, n = 14 dan 1 = 0,95 diperoleh t25;0.025 sehingga
X Y 0,1586 12 S 2 13 S 2 , X Y 0.1586 12 S 2 13 S 2 .
m n X Y m n X Y
12
Akan dikonstruksikan interval kepercayaan untuk . Misalkan
22
12 12 S m2 1
Tm,n 2 = 2 2 .
2 2 S n1
12
Statistik Tm,n 2 berdistribusi F dengan derajat bebas n – 1 dan m – 1.
2
Akan ditentukan a dan b dengan 0 < a < b sehingga
Contoh V.7
Akan dikonstruksikan daerah kepercayaan dalam R2 untuk (2)t.
Variabel random berdistribusi N (0,1) dan berdistribusi chi-kuadrat dengan
derajat bebas n - 1 dan keduanya saling bebas. Akan dicari c (c > 0), a
dan b (0 < a < b) sehingga
untuk n ∞ maka
n ( X )
N (0,1).
Sn
Oleh karena itu interval kepercayaan untuk dengan koefisien
kepercayaan 1 dinyatakan dengan
Sn S
X Z 2 , X Z 2 n
n n
asalkan n ∞.
Contoh V.8
Misalkan X1, X2,…, Xn variabel random saling bebas dari distribusi
Binom(1,). Akan dikonstruksikan interval kepercayaan untuk dengan
Contoh V.9
Misalkan X1,…, Xn variabel random saling bebas berdistribusi Poisson().
Interval kepercayaan untuk dengan koefisien kepercayaan mendekati
1 adalah
Sn S
X Z 2 , X Z 2 n .
n n
Soal V.1
Misalkan fungsi distribusi N(0, 1) dan a,b dengan a < b sehingga
(b) (a )
dengan 0 < < 1. Tunjukkan bahwa b – a minimum jika b = c dan a = - c
dengan c > 0.
Pembahasan
Misalkan (b) (a) maka dengan mendiferensialkan kedua ruas
terhadap diperoleh
db
(b)
(a) 0
da
dengan adalah fungsi kepadatan probabilitas normal baku. Akibatnya
diperoleh
db
(a ) / (b) 0 .
da
Misalkan L = b – a yaitu panjang interval kepercayaan. Panjang interval L
akan mencapai minimum bila dL/da = 0 yaitu db/da – 1 = 0 sehingga
db/da = 1.
Akibatnya (a)/(b) = 1 atau (a) = (b). Hal itu berarti bahwa a = b atau
a = - b. Karena b > a maka dipilih b = c dengan c > 0 sehingga a = - c.
Soal V.2
Diketahui X1, X2, …, Xn variabel random saling bebas berdistribusi N(0,2)
dengan diketahui. Tentukan interval kepercayaan untuk dengan
koefisien kepercayaan 1 - .
Pembahasan
Misalkan R X ( n ) X (1) dan didefinisikan
W Z ( n ) X (1)
X ( n) X (1 )
dengan Z ( n ) dan Z (1) . Karena W berdistribusi studentized
range maka a dan b ditentukan sehingga
R
P ( a b) 1
Soal V.3
Diketahui X1, X2, . . . , Xn variabel random saling bebas dan mempunyai
fungsi kepadatan probabilitas
1
f ( x ; ) e x /
untuk x > 0. Tentukan interval kepercayaan untuk θ dengan koefisien
kepercayaan 1 - .
Pembahasan
n
2
dengan g 2 n (t ) adalah kepadatan probabilitas dari distribusi 2n .
Soal V.4
Diketahui variabel random X1, X2, . . . , Xn saling bebas dan berdistribusi
seragam pada (0, θ). Gunakan range R = X ( n ) X (1) untuk menentukan
interval kepercayaan untuk θ.
Pembahasan
Soal V.5
Diketahui variabel random X1, X2, . . . , Xn saling bebas dan berdistribusi
dengan fungsi kepadatan f ( x ; ) e ( x ) untuk x , R dan
misalkan Y = X(1). Tunjukkan bahwa.
1. Fungsi kepadatan probabilitas g dari Y diberikan sebagai
g ( y ) n exp[n( y )]
untuk y > θ.
2. Variabel random Tn ( ) 2n(Y ) berdistribusi 22 .
3. Interval kepercayaan untuk θ berdasarkan pada Tn(θ) dengan
koefisien kepercayaan 1 - berbentuk [Y 2bn , Y 2an ].
4. Interval kepercayaan terpendek θ seperti berbentuk di atas
22;
diberikan oleh [Y 2n , Y ] dengan 22; adalah kuantil atas dari
distribusi 22 . Bagaimana dengan interval kepercayaan terpendek
dari harapan panjangnya.
[ e u ] 0x
1 e ( x )
dengan u = t – θ. Akibatnya fungsi distribusi dari
Y = X(1) = min{X1, X2, . . . , Xn}
adalah
F ( y ) P (Y y ) P (min{ X 1 , X 2 , . . ., X n } y )
1 P (min{ X 1 , X 2 , . . ., X n } y )
1 P ( X 1 y , X 2 y , . . ., X n y )
1 [ P ( X 1 y )] n
1 (1 P ( X 1 y )) n
1 ( e ( y ) ) n
1 e n ( y ) .
Fungsi kepadatan probabilitas dari Y diperoleh dengan
menurunkan F(y) terhadap variabel y yaitu diperoleh
g(y) = F (y) = ne n ( y )
untuk y > θ.
2. Misalkan statistik T = Tn(θ) = 2n(Y – θ). Bila t = 2n(y – θ) maka
y 2tn sehingga ddy 21n . Akibatnya fungsi kepadatan
probabilitas dari statistik T adalah h(t) = 1
2 e t / 2 untuk t. Hal itu
berarti statistik T berdistribusi chi-kuadrat dengan derajat bebas 2.
3. Interval kepercayaan untuk θ ditentukan dengan menentukan a dan
b sehingga
P( a 22 b) 1
P ( a 2n(Y ) b) 1
a b
P Y 1
2n 2n
Soal V.6
Diketahui variabel random X1, X2, . . . , Xn saling bebas dan mempunyai
fungsi kepadatan probabilitas
1 x
x 1 exp
f ( x; )
untuk x < θ, θ > 0 dan γ > 0 dengan θ Ω = R.
Pembahasan
n
2 Xi
2 Xi 2
Karena berdistribusi dengan derajat bebas 2 maka Y i 1
2
berdistribusi . Interval kepercayaan untuk θ dengan menentukan a dan
2n
b sehingga
2Y
P(a b) 1
1 1
P( ) 1
a 2Y b
2Y 2Y
P( ) 1
b a
n
dengan Y i 1 X ir . Hal itu berarti interval kepercayaan untuk θ adalah
b
[ 2aY , 2bY ] dengan a dan b memenuhi a 2 g 2 n (a ) dan g 2 n (t )dt 1 .
a
Soal V.8
Diketahui X1, … , Xm sampel random dari populasi N ( 1 , 12 ) dan Y1,..., Yn
sampel random dari populasi dengan μ1, μ2 diketahui. Tentukan interval
kepercayaan untuk 12 / 22 dengan koefisien kepercayaan 1 – α .
Pembahasan
Misalkan didefinisikan statistik
12 S n 2
T 1 / 2
2 2
2 2
2 Sm
1 n 2 2 1 n n
dengan Sm ( X i 1 ) dan Sn ( Yi 2 )2 S n2 1n i1 (Yi 2 ) 2 .
2
m i 1 n i 1
mS m2
Karena X1, ….. , Xm sampel random dari populasi N ( 1 , 12 ) maka 12
Sm 2 Sm 2
2 2
Hal itu berarti interval kepercayaan untuk / adalah a 2 , b 2 .
1 2
Sn Sn
Soal V.9
Diketahui X1, X2, . . . , Xn variabel random saling bebas dengan mean μ
tidak diketahui dan variansinya 2 berhingga dan diketahui serta ukuran
sampel n besar.
a. Gunakan teorema limit sentral untuk mengkonstruksikan interval
kepercayaan μ dengan koefisien 1 – α .
b. Tentukan interval kepercayaan mendekati 0,95 jika ukuran sampel
n = 100 dan variansi 1.
c. Tentukan n sehingga panjang interval 0,1 dengan σ = 1 dan α = 0,05.
Pembahasan
1. Karena X1, X2, . . . , Xn variabel random saling bebas dengan mean
μ tidak diketahui dan variansinya 2 berhingga dan diketahui serta
ukuran sampel n besar maka dengan menggunakan Teorema Limit
X
Sentral diperoleh ~ N (0,1) untuk n. Interval
/ n
kepercayaan untuk μ ditentukan dengan menentukan a dan b
sehingga P(a ≤ N(0,1) ≤ b) = 1 – α. Akibatnya
X
P a b 1
/ n
P a X b 1
n n
P X a X b 1
n n
P X a X b 1
n n
Soal V.10
Diketahui X1, X2, . . . , Xm variabel saling bebas dan mempunyai fungsi
kepadatan probabilitas
1 x
f ( x ;1 ) e 1
1
untuk x > 0 dan Y1, Y2, . . . , Yn variabel random saling bebas dan Xi
y
mempunyai fungsi kepadatan probabilitas f ( y ; 2 ) 12 e 2
untuk x > 0
m
2
berdistribusi 2m dan karena Y1, Y2, . . . , Yn variabel random saling bebas
dan mempunyai fungsi kepadatan probabilitas
1 y
f ( x ; 2 ) e 2
2
*****
*****
*****