Pengantar Statistika Matematika

BAB I
PENDAHULUAN
Statistika Matematika memberikan alasan dalam pemilihan metode

yang digunakan dalam Statistika yang merupakan mata kuliah yang
banyak digunakan di berbagai program studi di perguruan tinggi.
Buku ini memberikan dasar-dasar Statistika Matematika yang
terdiri dari pendahuluan, dasar-dasar estimasi, estimasi titik, estimasi
interval, pengujian hipotesis dan penutup. Dalam Statistika Parametrik,
sampel dianggap berasal dari suatu populasi yang tergantung pada satu
atau lebih parameter. Untuk itu diberikan berbagai metode untuk
melakukan estimasi atau penaksiran, baik dengan cara menggunakan satu
titik maupun interval tertentu. Pengujian hipotesis tentang parameter
tersebut dan dasar-dasar metode yang digunakan dalam pengujian
hipotesis akan dipelajari dalam bagian selanjutnya. Teorema (theorem)
dan Akibat Teorema (corrolary) hanya diberikan dan digunakan dalam
penyelesaian soal dan tidak dibuktikan.
Dalam bab dasar-dasar estimasi, 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
akan memberikan dasar-dasar dalam melakukan estimasi, khususnya
estimasi titik.
Selanjutnya, akan dibahas tentang berbagai metode yang
digunakan untuk melakukan estimasi titik seperti metode momen, metode
MLE (maximum likelihood estimator) dan estimator UMVU. Demikian
juga, diperkenalkan dasar-dasar estimasi dengan pendekatan Bayesian.
Pengujian hipotesis yang biasa kita kenal dalam Statistika Dasar adalah
pengujian hipotesis dengan hipotesis alternatif yang tidak hanya memuat
satu titik atau dikenal dengan hipotesis komposit. Kemudian, akan dibahas
tentang beberapa metode pengujian hipotesis, baik untuk hipotesis
sederhana maupun untuk hipotesis komposit.
Pengantar Statistika Matematika 1

Dalam bab selanjutnya, akan dibahas tentang estimasi interval
dengan menggunakan metode pivot untuk kasus dengan atau tanpa
munculnya parameter nuisans. Demikian juga, diberikan hubungan antara
estimasi interval dengan pengujian hipotesis. Pada bagian penutup
memberikan inspirasi ke depan akan kegunaan mata kuliah Statistika
Matematika yang nantinya juga akan dituntut untuk dapat divisualisasikan
dengan bantuan paket program komputer di samping pembuktian secara
analitis.
*****
2 Dr. Adi Setiawan, M. Sc

BAB II
DASAR-DASAR ESTIMASI
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.
II.1 Sifat Kecukupan
Misalkan X suatu variabel random dengan fungsi kepadatan

probabilitas f ( x; ) diketahui tetapi tergantung pada suatu vektor konstan
berdimensi r yaitu   1 , 2 ,..., r  t yang dinamakan parameter. Ruang
parameter  adalah himpunan semua nilai yang mungkin dari  . Dalam
hal ini   R r dengan r ≥ 1.
Misalkan X 1 , X 2 ,..., X n sampel random ukuran n dari f ( x; ) yaitu
n variabel random yang saling bebas dan masing-masing mempunyai
fungsi kepadatan probabilitas f ( x; ) . Masalah mendasar dalam statistika
adalah membuat inferensi tentang parameter  seperti melakukan estimasi
 , menguji hipotesis tentang  dan lain-lain. Dalam melakukan hal di
atas, konsep tentang kecukupan memainkan peranan penting dalam
membimbing kita untuk meringkas data tetapi tanpa kehilangan informasi
yang dibawa dalam data tentang parameter  . Di samping sifat kecukupan
juga akan dibahas tentang konsep kelengkapan (completeness), sifat
ketakbiasan (unbiasedness) dan sifat ketakbiasan variansi minimum
(minimum variance unbiasedness).
Misalkan T j : R n  R untuk j  1,2,..., , m dan T j tidak tergantung
pada  atau sebarang kuantitas yang tidak diketahui. Vektor
T  (T1 ,.T2 , .., Tm )

dinamakan statistik dimensi m dengan T1  T1 ( X 1 , X 2 ,..., X n ),
T2  ( X 1 , X 2 ,..., X n ), dan Tm  Tm ( X 1 , X 2 ,..., X n ) . Sebelum didefinisikan
sifat kecukupan, terlebih dahulu diberikan contoh-contoh berikut ini.
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.2
Misalkan variabel random X berdistribusi N (  , 2 ) . Bila dipilih
1   ,  2   2 maka   (1 , 2 ) t sehingga
  { (1 , 2 ) t  R 2 1  R, 2  0}
1  ( x  1 ) 2 
f ( x; )  exp  .
2 2  2 2 
Jika 2 diketahui dan dipilih    maka   R dan fungsi kepadatan
probabilitas dari variabel random X adalah
1  ( x   )2 
f ( x; )  exp
2 2  2 2 
sedangkan jika  diketahui dan dipilih  2   maka   {  R   0}
1  ( x   )2 
f ( x; )  exp .
2  2 
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   )1t  B (t )
t 
dengan B  { 0, 1, ....., n } .

Misalkan dianggap bahwa percobaan Binomial telah dilakukan dan
nilai pengamatan dari X i adalah xi untuk i  1, 2, ...., n . Masalah yang
dihadapi adalah bagaimana membuat inferensi tentang  berdasarkan
pada xi untuk i  1, 2, ...., n . Apabila kita memberi tanda 1 ‘untuk sukses’
maka akan muncul pertanyaan tentang : dapatkah dilakukan inferensi
tentang  bila diketahui banyaknya sukses yang terjadi? Bila banyaknya
sukses yang terjadi adalah t atau T  t untuk t  1,2,..., n maka akan
 n
ditentukan berapa probabilitas setiap satu kemungkinan dari   cara
t 
yang berbeda untuk terjadinya t ‘sukses’.
p ( X 1  x1 ,..., X n  x n )
P( X 1  x1 ,..., X n  xn  T  t ) 
P (T  t )
 P( X 1  x1 , X 2  x2 ,...., X n  xn )
 jika x1  x2  .... xn  t
 P( T  t )
 0 jika yang lain.
Hal ini berarti
 x (1   )1 x ... x (1   )1 x
1 1 n n
P( X 1  x1 ,..., X n  xn  T  t ) 
n t
  (1   )1t
t 
n n
 (1   ) i 1 i
x n x
i 1 i

n t
  (1   )1t
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

1
P( X 1  x1 ,..., X n  xn  T  t ) 
 n
 
t 
tidak bergantung pada  . Oleh karena itu total banyaknya sukses t
menyediakan semua informasi tentang  .
Contoh II.3 tersebut memotivasi definisi statistik cukup berikut ini.
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.
Teorema II.1 (Teorema Faktorisasi Fisher-Neyman)

Misalkan variabel random saling bebas dan berdistribusi identik
dengan fungsi kepadatan probabilitas f ( x; ) dan
  (1 , 2 ,..., r ) t    R r .
Statistik dimensi-m yaitu
T  (T1 ( X 1 , X 2 ,..., X n ), T2 ( X 1 , X 2 ,..., X n ),..., Tm ( X 1 , X 2 ,..., X n )) t
merupakan statistik cukup untuk  jika dan hanya jika fungsi kepadatan
probabilitas bersama dari f ( x1 , x2 ,...., x n ; ) dapat difaktorkan sebagai
f ( x1 , x2 ,...., x n ; )  g[ x1 , x2 ,..., xn ; ] h( x1 , x2 ,..., xn )

dengan tergantung pada  hanya melalui T dan h tidak bergantung pada
.
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
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

untuk  . Dengan cara yang sama jika  2   diketahui dan maka X (n)
merupakan statistik cukup untuk  .
Contoh II.5
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
maka fungsi kepadatan probabilitas menjadi

n
1  1 n 
f ( x i ; )  n
exp (x i  x)2  ( x  1 ) 2 
( 2 2 )  2 2 i 1 2 2 
n
sehingga ( X , i 1 ( X i  X ) 2 ) t merupakan statistik cukup untuk  . Pada
sisi lain fungsi kepadatan probabilitas dapat dinyatakan sebagai
1  n12   n
1 n
2 
f ( xi ; )  n
exp   exp 1  xi  x i
 .
( 2 2 )  2 2   2 i 1 2 2 i 1 
n
Hal itu berarti, jika  2   2 diketahui dan 1   maka  i 1
Xi
merupakan statistik cukup untuk  . Di samping itu, jika 1   diketahui
n
dan  2   maka  i 1
X i2 merupakan statistik cukup untuk  . Demikian
juga, dengan menggunakan akibat Teorema Faktorisasi Fisher-Neyman
 
X , S 2 t merupakan statistik cukup untuk  . Jika 1   diketahui maka
1 n
 ( xi   ) 2 merupakan statistik cukup untuk  2   .
n i 1

Pada contoh-contoh di atas, dimensi dari statistik cukup sama
dengan dimensi parameternya. Jika X 1 , X 2 ,..., X n variabel random saling
bebas dan berdistribusi identik dari distribusi Cauchy dengan parameter
  (  , 2 ) dan fungsi kepadatan probabilitas
1 
f ( x ;  , 2 ) 
   (x  )2
2
untuk    x   maka tidak ada statistik cukup sama dengan dimensi

parameter. Jika ( X 1 , X 2 ,..., X n ) t .
Jika m adalah bilangan bulat terkecil sehingga T  (T1 , T2 ,..., Tm ) t
dengan T j  T j ( X 1 , X 2 ,..., X n ) untuk j  1,2,..., m merupakan statistik
cukup untuk   (1 ,..., r ) t maka T dinamakan statistik cukup minimal
untuk  .
II.2 Sifat Kelengkapan
Misalkan X vektor random berdimensi k dengan fungsi kepadatan

probabilitas f ( x; ) dan     R r . Misalkan g : R k  R fungsi terukur
sehingga g ( X ) merupakan variabel random. Dianggap bahwa E [ g ( X )]
ada untuk semua    dan F  { f ( x; )   } .
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

dengan A  { 0, 1, 2, ..., n } .
Karena
n n
 n
E[ g ( X )]   g ( x) x (1   ) n x  (1   ) n  g ( x)   x
i 1 x 0  x

dengan   maka E [ g ( X )]  0 untuk semua   (0,1) akan
1
ekuivalen dengan
n
n
 g ( x)   x  0
x 0  x
untuk setiap   (0,  ) . Akibatnya untuk lebih dari n nilai-nilai dari 
berlaku untuk x  0,1, 2, ..., n yang ekuivalen dengan
n
g ( x)   0
 x
untuk x  0,1, 2, ..., n . Hal itu berarti bahwa keluarga distribusi Binomial
F merupakan keluarga yang lengkap.
Contoh 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
   sehingga g ( x)  0 kecuali mungkin untuk himpunan N sehingga

P[ X  N ] = 0 untuk semua    dengan X adalah variabel random
yang mempunyai fungsi kepadatan probabilitas f ( x; ) . Hal yang sama
juga benar jika f ( x; ) adalah U ( ,  ) .
Contoh II.9
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
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) dengan
    R 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  . Misalkan V  (V1 ,V 2 ,..., V m ) t dengan V j  V j ( X 1 , X 2 ,..., X n )
Untuk j  1, 2,..., m sebarang statistik lain yang tidak tergantung pada T
dan dianggap bahwa himpunan S sehingga g ( x; ) positif adalah sama
untuk semua    . Distribusi dari V tidak tergantung pada  .
Teorema II.3 (Teorema Basu)

    R 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  . Misalkan g ( x; ) fungsi
kepadatan probabilitas dari T dan G  {g ( x; )   } lengkap. Misalkan
V  (V1 ,V 2 ,..., V m ) t dengan V j  V j ( X 1 , X 2 ,..., X n ) untuk j  1, 2,..., m
adalah statistik lain. Jika distribusi dari V tidak tergantung pada  maka V
dan T saling bebas.
Contoh II.10
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

n
  ( X i   ) 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.
II.3 Sifat ketakbiasan
Berikut ini diberikan definisi statistik tak bias, Teorema Rao-

Blackwell dan Teorema Ketunggalan Lehman-Scheffe.
Definisi II.3
    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    .
Teorema II.4 (Teorema Rao-Blackwell)

    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  . Misalkan U ( X 1 , X 2 ,..., X n ) statistik tak bias untuk  yang
bukan fungsi dari T saja. Jika  t   E U T  t  maka
1. Variabel random  T  merupakan fungsi statistik cukup T .
2.  T merupakan statistik tak bias untuk  .
3. Var[  T ] < Var(U) dengan    asalkan E [U 2 ]   .

Teorema berikut ini menyatakan sifat ketunggalan dari statistik cukup.
Teorema II.5 (Teorema Ketunggalan Lehman-Scheffe)

Misalkan X 1 , X 2 ,..., X n variabel random dengan fungsi kepadatan
probabilitas f ( x; ) dengan     R dan F  { f ( x; )   } .
Misalkan 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  dan g ( x; ) adalah fungsi
kepadatan probabilitasnya. Misalkan G  { g ( x; )   } lengkap. Jika
U  U (T ) statistik cukup tak bias untuk  dan E [U 2 ]   untuk semua
   maka U adalah statistik tak bias untuk  dengan variansi terkecil
dalam kelas yang mengandung semua statistik tak bias untuk  .
Definisi II.4
Statistik tak bias untuk  yang mempunyai variansi minimum dalam
kelas semua statistik tak bias dari  dinamakan UMVU (uniformly
minimum variance unbiased).
Terminologi “uniformly” diperoleh dari fakta bahwa variansi

minimum untuk semua    .
Contoh II.11
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.12
berdistribusi identik dengan distribusi N (  , 2 ) . Jika  diketahui dan
   maka
n
T  i 1 X i .
Statistik cukup untuk  demikian juga T merupakan statistik yang
lengkap. Akibatnya X  T n merupakan statistik tak bias untuk  dengan
variansi minimum untuk  karena X merupakan statistik tak bias untuk
 . Karena T juga merupakan statistik yang lengkap dan S 2  T n
merupakan statistik tak bias untuk  dan S 2 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
bahwa X i merupakan statistik tak bias untuk  dengan variansi  2 .

Demikian juga T  X 1  X 2  X 3 merupakan statistik tak bias untuk 
dan juga merupakan statistik yang lengkap. Karena X i bukan fungsi dari
T maka X i bukan statistik tak bias dengan variansi minimum untuk  .
Oleh karena itu dipilih statistik yang merupakan fungsi dari T dan juga
merupakan statistik tak bias untuk  yaitu T 3 dengan sifat E T 3   .
Dalam hal ini Var(T/3) = 2/3 lebih kecil dari Var(X1) = 2 dengan
  0,   .

II.4 Keluarga Eksponensial
Keluarga fungsi kepadatan probabilitas yang tergantung pada

parameter  dan berbentuk
f  x;   C ( ) exp Q  T  x  h x 
dengan x  R,     R  dan C    0 serta hx   0 untuk x S
dinamakan keluarga eksponensial. Jika variabel random saling bebas dan
berdistribusi identik dengan f ( x; ) dengan     R maka fungsi
kepadatan probabilitas dari X sebagai
f  x;   C ( ) exp Q  T  x  h x  .
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 expln   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

1  2  
c( )  exp  2 x , Q   , T ( x )  x,
2    2
 x2 
h( x)  exp 2
.
 2 
Jika  diketahui dan  2   maka fungsi kepadatan probabilitas dari X
adalah
1  1 2
f  x;   exp   x    
2  2 
dengan   0,   sehingga distribusi tersebut merupakan anggota
keluarga eksponensial dengan
1 1
c( )  , Q   , T ( x )  ( x   ) 2 , h ( x )  1.
2 2
Jika ruang parameter dari keluarga fungsi kepadatan eksponensial

1 parameter mengandung interval non degenerate maka keluarga tersebut
lengkap.
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
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 

dengan h * (t ) tidak tergantung pada  asalkan T * variabel
random diskrit.
3. Jika variabel random kontinu maka fungsi kepadatan probabilitasnya
dapat dinyatakan sebagai
g t ;   [c( )]n expQ t h * t  .
Teorema berikut ini menyatakan sifat kelengkapan dari suatu
keluarga distribusi.
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.
Generalisasi dari Keluarga Eksponensial

X   X 1 ,..., X n  t . Fungsi kepadatan probabilitas bersama dari X
merupakan anggota keluarga eksponensial r parameter jika mempunyai
bentuk

n 
f  x;   c( ) exp Qi  Ti x  hx
 i 1 
t
dengan x  ( x1 , x 2 ,..., x n ) untuk j  1, 2, ..., k dan k 1 ,
  (1 ,  2 ,...,  r ) t    R r ,
C    0 ,    dan hx   0 untuk x  S himpunan nilai positif dari
f ( x; ) yang saling bebas terhadap  .
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 & PEMBAHASAN
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 . 

Soal II.2
Misalkan X1, X2, …, Xn, variabel saling bebas dan berdistribusi normal
identik. Gunakan Teorema II.1 dan Akibat II.1 untuk menunjukkan
bahwa :
n
a. Jika Xi berdistribusi Poisson() maka  i 1
X i atau X
merupakan statistik cukup untuk .
n
b. Jika Xi berdistribusi Eksponensial() maka  i 1
X i atau X
t
 n n 
c. Jika Xi berdistribusi Gamma(  ,  ) maka   X i ,  X i  atau
 i 1 i 1 
t
 n  t
 X i, X  merupakan statistik cukup untuk (  ,  ) .
 
 i 1 
d. Jika Xi berdistribusi normal Beta(  ,  ) maka
t
 n n  t
  X i ,  (1  X i )  merupakan statistik cukup untuk (, ) .
 
 i 1 i 1 
Pembahasan
a. Karena Xi berdistribusi Poisson() maka fungsi probabilitasnya
adalah
e  xi
f ( xi ) 
x!
untuk xi = 0, 1, 2, ........ sehingga fungsi probabilitas bersama
adalah
n
f ( x1 , x2 , x3 ,........xn , )   f ( xi , )
i 1
n
e  xi
= i 1 xi !
n
 xi
e  n  i  1
= n .
i 1 xi!

Dengan Teorema II.1 maka didapatkan bahwa:
n
 xi
g (T ( x1 , x2 , x3 ,.........xn ), )  e  n  i 1 ,
n
T ( x1 , x2 , x3 ,........, xn )  i1 xi ,
1
h( x1 , x2 , x3 ,........, xn )  n
.
i 1 xi !
n
Oleh karena itu  i 1
X i merupakan statistik cukup untuk .
Dengan menggunakan Teorema II.1 dan Akibat II.1 serta dengan
mendefinisikan g : R  R dengan g(x) = x/n maka X juga
b. Karena Xi berdistribusi Eksponensial() maka fungsi kepadatan
probabilitasnya adalah
f ( xi )   exp( xi )
untuk xi > 0 sehingga fungsi probabilitas bersamanya adalah
n
f ( x1 , x2 ,...., xn ; )   f ( xi ; )
i 1
n
=  e  xi
i 1
n
=  n e i 1 i .
 x
Dengan Teorema II.1 diperoleh bahwa :

n
n  i 1 xi
g ( T ( x1 , x 2 ,...., xn ), )   e ,
n
T ( x1 , .........., xn )  i 1 X i ,
h(x1, ..............., xn ) = 1.
n
Oleh karena itu  i 1
X i merupakan statisitik cukup untuk .
Dengan menggunakan Teorema II.1, Akibat II.1 dan dengan
mendefinisikan g : RR dengan g(x) = x/n maka X juga
merupakan statistik cukup untuk  .
c. Karena Xi berdistribusi Gamma ( , ) maka fungsi kepadatan
probabilitasnya adalah :

1
f ( xi )  
x 1e  x / 
( ) 
untuk xi > 0 sehingga fungsi kepadatan probabilitas bersamanya
adalah :
n
f ( x1, .........x n, , )   f ( xi ; ,  )
i 1
n
1  1  xi / 
=  ( )  
i 1
xi e
n  1
 1   n   1 n

=     i 
  x  exp   x  .
i
 ( )    i 1    i 1 
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
f  x1 , ........, x n ,  ,   =  f ( x ; ,  ) i
i 1
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 )
11
i i
Dengan menggunakan Teorema II.1 diperoleh bahwa :
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

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
f ( x1 , x2 ,....., xn ; )   f ( xi ; )
i 1
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 
   
   
 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  .

Pembahasan :
Fungsi kepadatan untuk probabilitas bersama X1 , X2, ............, Xn adalah :
n
f  x1 ,..........xn    f  xi , 
i 1
n
  e   xi  
i 1
 n 
 exp  xi  n  untuk X(1) > 
 i1 
 n 
 exp  xi  n  untuk u[ X(1) ,  ]
 i1 
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
hx1 ,.........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 :

n
f  x1 ,.........xn    f  xi , 
i 1
n
 1
  xi
i 1
 1
 n  n
    xi  .
 i1 
Dengan menggunakan Teorema II.1 diperoleh:

 n 
f T ( x1 ,.........xn );      xi 
n
 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  .
b. Karena X mempunyai fungsi kepadatan probabilitas f  x;   maka

fungsi kepadatan probabilitas bersama X1 , X2, ............, Xn adalah :
n
f  x1 ,.........xn ;    f  xi , 
i 1
n
2
   xi  untuk 0  xi  
i 1 2
 2  n
  2     xi  untuk 0  x(n)  
   i1
n n
 2
 2
 
   x  h[ x
i 1
i ( n) ; ]
dengan
h[ x(n) ;  ] = 1 untuk x(n) < ,
Dengan menggunakan Teorema II.1 maka diperoleh :

n n
 2
g T  x1 ,...........xn ;    2     x  ,i
  i 1
T  x1 ,...........xn   X ( n ) ,
h x1 ,...........xn   1.
Akibatnya X ( n )  maxX 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 
n
 1   1 n 
g T  x1 ,.........xn ;    4  exp   xi  ,
 6    i1 
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
f  x1 ,..........xn    f  xi , 
i 1
 1
n
   c 
     untuk xi  0
i 1  c  xi 
n ( 1) n
  c
   1 .
c  n 
  xi 
 
 i 1 
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  .

b. Variabel random X berdistribusi Binomial negatif.
c. Variabel random X berdistribusi Gamma  ,   dengan 
diketahui.
d. Variabel random X berdistribusi Gamma  ,   dengan 
diketahui.
e. Variabel random X berdistribusi Beta  ,   dengan  diketahui.
f. Variabel random X berdistribusi Beta  ,   dengan  diketahui.
Pembahasan :
a. Karena X berdistribusi Poisson(  ) maka fungsi probabilitas dari
X adalah
e   x
f  x;   
x!
untuk x = 0, 1, 2, ......... sehingga f  x;   dapat dinyatakan sebagai
1
f  x;   e  e x ln  I A x 
x!
dengan A=  0, 1, 2,..............
Hal itu berarti bahwa c   e  , Q   ln  , T  x   x dan
1
h x  
I A x  .
x!
Akibatnya distribusi Poisson(  ) merupakan anggota keluarga
eksponensial.
b. Karena X berdistribusi binomial negatif maka fungsi probabilitas
X adalah
 r  x  1 r
f  x;     1    x
x 
untuk x = 1, 2, 3, ..... sehingga f  x;   dapat dinyatakan sebagai
 r  1  1
f  x;    r e x ln 1    I A  x 
x 
dengan A = 1, 2, 3.......... .

Hal itu berarti bahwa c    r , Q   ln 1   , T  x   x dan
 r  x  1
h x     I A  x .
x 
Akibatnya distribusi binomial negatif merupakan anggota
keluarga eksponensial.
c. Karena X berdistribusi Gamma  ,   dengan    maka fungsi
kepadatan probabilitas dari X adalah
1
f  x;   x  1e  x / 
  
untuk x > 0 sehingga f  x;   dapat dinyatakan sebagai

1
f  x;   x  1e  x / 
  
atau
1
f  x;    e ln x x 1e  x /  .
  
Hal itu berarti bahwa c  , Q    , T  x   ln x, h x   x 1e  x / 

akibatnya distribusi Gamma  ,   dengan  diketahui
merupakan anggota keluarga eksponensial.
d. Karena X berdistribusi Gamma  ,   dengan    maka fungsi
kepadatan probabilitas X adalah
1
f  x;   x 1e  x / 
  
untuk x > 0, sehingga f  x;   dapat dinyatakan sebagai

1 x  1
f  x;    e x /
.
  
1 1
Hal itu berarti c   
, Q    , T  x   x dan
 
 1
x
hx   .
 
Akibatnya Gamma  ,   dengan  diketahui merupakan

e. Karena X berdistribusi Beta  ,   dengan    maka fungsi
     1  1
f  x;    x 1  x 
   
sehingga f  x;   dapat dinyatakan sebagai
     ln x 1  1 1
f    e x 1  x  .
   
Hal itu berarti bahwa
      1
c   , Q     , T  x   ln x , h x   x 1 1  x 
  
akibatnya distribusi Beta  ,   dengan  diketahui merupakan
f. Karena X berdistribusi Beta  ,   dengan    maka fungsi
     1  1
f  x;    x 1  x 
   
sehingga f  x;   dapat dinyatakan sebagai
     ln x 1  1 1
f    e x 1  x  .
   
Hal itu berarti bahwa
    1 1
c   , Q    , T x   ln x , h x   x 1 1  x  ,
   
akibatnya distribusi Beta  ,   dengan  diketahui merupakan
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.

a. Tunjukkan bahwa fungsi tersebut merupakan fungsi kepadatan
probabilitas.
b. Tentukan statistik cukup untuk  .
c. Apakah f  x;   anggota keluarga eksponensial?
Pembahasan
a. Akan ditunjukkan bahwa f  x;   merupakan fungsi kepadatan
probabilitas yaitu dengan menunjukkan

 f  x;  dx  1 .

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
Dengan menggunakan teorema faktorisasi maka diperoleh bahwa

n
 i 1
xi merupakan statistik cukup untuk  .
c. Akan dibuktikan bahwa f  x;   merupakan anggota keluarga
eksponensial. Karena f  x;   dapat dinyatakan sebagai
 x  1
f  x;  
exp    x 1 .
   
1 1
maka C ( )  , Q( )   , T ( x)  x  , h(x) =  x-1 sehingga f  x;  
 
merupakan anggota keluarga eksponensial.

Soal II.9
Dalam setiap kasus, identifikasikan bahwa distribusi variabel random X
merupakan anggota keluarga eksponensial dua parameter
a. Variabel random X berdistribusi Gamma  ,   .
b. Variabel random X berdistribusi Beta  ,   .
Pembahasan :
a. Misalkan   1 ,  2  dengan  1  dan  2   fungsi kepadatan
probabilitasnya Gamma  ,   adalah :
1
f  x;   x 1 e  x /  2
 1  21
atau
1  x
f  x;   exp1 ln x   x 1 .
1  21
 2 
Hal itu berarti
1
C    , T1 ( x)  ln( x), T2 ( x)  ln x,
1  21
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 
exp1 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 .

Akibatnya distribusi Beta  ,   merupakan anggota keluarga
eksponensial dengan dua paramater.
Soal II.10
Buktikan bahwa keluarga F tidak lengkap dengan
 1 
F   f  x;   
  
untuk   ( 0,  ).
Pembahasan :
Karena ada g(x) = x, sehingga
 1
Eg  x    x dx  0
 2
maka akibatnya keluarga f tidak lengkap.

LATIHAN
1. Jika F keluarga semua fungsi probabilitas binomial negatif maka

tunjukkan bahwa F lengkap.
2. Apakah distribusi geometrik merupakan anggota keluarga
eksponensial satu parameter.
3. Apakah statistik berikut ini ekuivalen ?
n n
a. x
i 1
i &  ln x
i 1
i ; xi > 0
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 ) x1
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 .

7. Diketahui X1 , X2, ............, Xn sampel random dari populasi
berdistribusi seragam U( - ,  ). Tunjukkan ( X(1) , X(n) ) bahwa
merupakan statistik cukup untuk  tetapi statistik cukup tersebut
bukanlah statistik cukup minimal. Buktikan !
8. Diketahui variabel random X berdistribusi seragam U( ,  ).
Tunjukkan bahwa fungsi kepadatan probabilitas dari X bukan
merupakan anggota keluarga eksponensial baik jika  atau 
tidak diketahui.
9. Misalkan X1, X2, ............, Xn sampel random dari populasi
berdistribusi Binomial Negatif yaitu
 x  1 r
f ( x ; p , r )    p (1  p ) x  r
 r  1 
untuk x = 1, 2, 3, .... dan 0 <p<1. Tentukan statistik cukup untuk p.
10. Diketahui bahwa X1 , X2, ............, Xn sampel random dari
populasi berdistribusi eksponensial dua parameter yaitu
1  x  
f ( x ;  , )  exp   
   
 
untuk x > . Tunjukkan bahwa X (1) , X merupakan statistik cukup
untuk (  ,  ).
*****

BAB III
ESTIMASI TITIK
Dalam bab ini, akan dibahas tentang berbagai metode yang

digunakan untuk melakukan estimasi titik seperti estimator UMVU,
estimator ML dan estimator momen. Demikian juga, diperkenalkan dasar-
dasar estimasi dengan pendekatan Bayesian. Pada bagian akhir, diberikan
sifat-sifat asimptotik dari estimator.
Misalkan X variabel random dengan fungsi kepadatan
probabilitas f ( x; ) dengan     R r . Jika  diketahui maka semua
probabilitas yang diinginkan dapat dihitung. Akan tetapi biasanya  tidak
diketahui sehingga memunculkan masalah bagaimana mengestimasi
parameter  atau suatu fungsi dari  yaitu g   dengan g fungsi real
dan terukur.
Definisi III.1
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 tentang ketakbiasan mengelompokkan statistik-statistik ke
dalam suatu kelas estimator tak bias. Jika U  U ( X 1 , X 2 ,..., X n ) estimator
tak bias untuk g   maka harga harapan dari U sama dengan g   .
Meskipun kriteria ketakbiasan sudah mengkhususkan diri pada kelas
estimator yang memenuhi sifat tertentu tetapi kelas ini masih terlalu besar.
Untuk itu perlu dipilih dari dua estimator tak bias yaitu yang mempunyai
variansi yang lebih kecil.
Dasar pemikiran yang digunakan adalah bahwa variansi atau
simpangan baku memberikan ukuran konsentrasi di sekitar mean. Jika
U  U ( X 1 ,..., X n ) estimator tak bias untuk g   maka dengan
menggunakan pertidaksamaan Chebisev diperoleh
Var U 
P  U  g ( )     1  .

Oleh karena itu, Var (U ) yang terkecil akan memperbesar batas bawah
probabilitas konsentrasi U di sekitar g   .
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.

III.1 Metode yang digunakan bila tersedia statistik cukup yang
lengkap
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
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 X
n 2
i 1 i
U
n 1
maka E  U   g   . Hal itu berarti U merupakan estimator tak bias
untuk g   . Lebih jauh,
n n
 ( X i  X )2   X i  n X . 2
  2
i 1 i 1
Karena X i  0 atau 1 maka X i2  X i sehingga

n n 2
2 1 n 

i 1
X i  nX   X i  n  X i  .
i 1  n i 1 
n
Jika T  i 1 X i maka diperoleh
2
n
2 1 nn
 T2

i 1
X i  nX   X i  n  X i   T 
i 1  n i 1  n
,
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
 
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 .

Hal itu berarti U 1 estimator tak bias untuk  dan U2 merupakan
estimator tak bias untuk  2 . Karena U 1 dan U2 hanya tergantung pada

statistik cukup yang lengkap maka X , S 2 merupakan estimator UMVU

untuk  , 2
.
III.2 Metode yang digunakan bila tidak tersedia statistik cukup
lengkap
Misalkan   R , g fungsi real dan terdiferensialkan untuk semua

   . Untuk menggunakan metode ini diperlukan syarat-syarat berikut
ini :
1. f ( x; ) positif pada himpunan S yang tidak bergantung pada
  .
2.  interval terbuka R .
3. f  x;  /  ada untuk semua    dan semua x  S .
4.  ... f x ;  ..... f x ;  dx ..... dx atau
s s 1 n 1 n
 ...  f x ;  ... f  x ;  
s s
1 n
dapat dideferensialkan di bawah tanda integral atau tanda sigma.

5.    E f  x;   /   2 positif untuk semua    .
6.  ...  u x ,...,
s s
1 x n  f  x1 ;  ... f  x n ;   dx 1 ... dx n atau
 ...  u x ,..., x  f x ;  ... f x

s s
1 n 1 n ; 
dapat didiferensialkan di bawah tanda integral atau tanda sigma

dengan sebarang statistik tak bias untuk  .
Teorema berikut ini memberikan sifat tentang batas bawah dari

variansi suatu statistik.
Teorema III.2 (Cramer-Rao Inequality)

identik dengan fungsi kepadatan serta dianggap syarat-syarat tersebut

dipenuhi. Untuk sebarang estimator tak bias U  U ( X 1 ,..., X n ) dari g  
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
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

CRLB 
g '   2
n  
1

1
n
 1   
 1   
 .
n
Karena X merupakan estimator tak bias  dan variansinya adalah
 (1   )
Var X 
n
 
yaitu sama dengan batas bawah Cramer-Rao maka X merupakan
estimator UMVU untuk  .
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     E1 
 2
E X  2
  2 E X 
    
1 2
1 2
 1     
 
1
1 1     2

1
 1  1

1
 .


Hal itu berarti batas bawah Cramer-Rao untuk  sama dengan
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
 
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
Karena X berdistribusi N  , 2 maka   X   berdistribusi N 0,1


( X   )2
sehingga berdistribusi chi-kuadrat dengan derajat bebas 1.
2
  X   2 
Akibatnya E  2   1 . Hal itu berarti
  

2 2
  ln f  x;   1  X    1
  2
E   2 E 2  
      
sehingga batas bawah Cramer-Rao untuk g   adalah
g '   1 2
CRLB    .
n  1 n
n
2
Karena X merupakan estimator tak bias untuk g     dan variansinya

adalah Var  X  yaitu sama dengan batas bawah Cramer-Rao maka
n
X merupakan estimator UMVU untuk  .
Kasus 2
Misalkan bahwa  dan  2   . Fungsi kepadatan probabilitas X yang
 
berdistribusi N  , 2 adalah
1   x   2 
f  x;    exp  
2  2 
2
1 1
sehingga ln f  x;   ln 2   ln  
x    . Akibatnya
2 2 2
2
 ln f  x;  1 x   
 
 2 2 2
dan
2 2 4
  ln f  x;    1 1 x    1 x
   2
 2  2  .
   4 2  4   
X 
Karena variabel random X berdistribusi 
N  , 2  maka

2
(X  )
berdistribusi N 0,1 sehingga berdistribusi chi-kuadrat dengan

  X   2    X   2 
derajat bebas 1. Akibatnya E    1 dan Var  2
     
sehingga

 x    4    X   2  2 
E     E   
 
       
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
dengan derajat bebas n . Akibatnya

 n  X   2   n  X i   2 
E  i   n, Var    2n
 i 1    i 1  

n ( X i   )2
sehingga  i 1
n
estimator tak bias untuk  dan variansinya
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].
III.3 Kriteria Pemilihan Estimator : Prinsip MLE

identik dengan fungsi kepadatan probabilitas f ( x; ) ,     R r dan
dianggap bahwa fungsi kepadatan probabilitas bersamanya dinyatakan
dengan
f  x1 ;  f  x2 ;  ..... f  xn ;  .
Bila fungsi kepadatan probabilitas bersama ini, variabel x
dipandang sebagai konstanta dan merupakan fungsi dari  maka
dinamakan fungsi likelihood (likelihood function) dan dinotasikan dengan

L x1 , x2 ,..., xn  .
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
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
Logaritma natural dari fungsi likelihoodnya adalah

 n   n 
l    ln L x1 , x2 ,..., xn    ln  xi !  n    xi  ln  .
 i 1   i 1 
l 1
Oleh karena itu   n  n X  0 dan diperoleh ˆ  X .
 
 2l 1
Sedangkan 2
  nx 2  0 untuk semua   0 sehingga berlaku juga
 
untuk   ˆ .

Contoh II.7
   
N  , 2 dengan parameter    ,  2 t . Fungsi likelihoodnya adalah
n
 1   1 n
2
L x1 , x2 ,..., xn     exp 
 2  x i   
 2
2
  2 i 1 
sehingga
ln L x1 , x2 ,..., xn   n ln 2   n ln  2    2

1
2  x
i 1
n
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
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  

untuk   xi   .
Fungsi likelihoodnya akan mencapai maksimum jika  
minimum yaitu jika ˆ  X 1 dan ̂  X n  . Jadi MLE untuk  dan 
masing-masing adalah ˆ  X 1 dan ̂  X n  . Khususnya, jika     c
dan     c dengan c positif dan c diketahui maka fungsi
likelihoodnya adalah
1
L x1 , x2 ,..., xn  
 X   X .
2c n  c,  1 , c  1
Fungsi likelihood dimaksimumkan dan nilai maksimumnya adalah
1
untuk sebarang  sehingga   c  X 1 dan   c  X n  yaitu
2c n
ekuivalen dengan
X n   c    X 1  c.
Hal itu berarti bahwa sebarang statistik yang terletak antara
X n   c dan X 1  c merupakan MLE untuk  . Sebagai contoh
1
2
X 1  X n   merupakan MLE untuk  . Jika  diketahui dan   
maka ˆ  X 1 merupakan MLE untuk  sedangkan jika  diketahui dan
   maka ˆ  X n  merupakan MLE untuk  .
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
kepadatan probabilitas f ( x; ) dan     R r . Jika  didefinisikan

pada  ke *  R m yang merupakan fungsi korespondensi satu-satu dan
ˆ adalah MLE untuk  maka  ( ) merupakan MLE untuk  ( ) . Hal itu
berarti MLE invariant di bawah transformasi satu-satu.
Contoh III.9
   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  .
III.4 Estimator Momen

identik dengan f ( x; ) dan untuk bilangan positif r dianggap bahwa
 
E X r  mr berhingga. Dengan menggunakan metode ini mr akan
n r
diestimasi dengan momen sampel yaitu

i 1 i
x
. Bila sistem persamaan
n
1 n k
 xi  mk 1 , 2 ,..., r 
n i 1
dengan k  1, 2, ..., r dapat diselesaikan maka akan menghasilkan
estimator untuk  j dengan j  1, 2,..., r .

Contoh III.10
 
N  , 2 dengan  diketahui dan  2 tidak diketahui. Dengan
menggunakan metode momen diperoleh sistem persamaan
n
 i 1
Xi
 EX    ,
n
n
 X i2
i 1
n
 
 E X 2  Var ( X )  ( E[ X ]) 2   2   2 ,
sehingga menghasilkan estimator momen ̂  X dan

1 n
2  i 1
X i  X 2 .
n
Contoh III.11
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

12 12
ˆ  X 
S, ˆ  X  S.
2 2
Terlihat bahwa estimator momen dari  dan  bukan merupakan
fungsi dari statistik cukup dari  dan  . Hal ini merupakan salah satu
kekurangan dari metode momen. Kekurangan lain dari metode ini adalah
bahwa metode ini tidak dapat digunakan bila momennya tidak ada seperti
pada distribusi Cauchy.
III.5 Kriteria Pemilihan Estimator : Pendekatan Teori Keputusan

berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) ,
    R dan diinginkan untuk mengestimasi  .
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
untuk k  0 atau L[ ; ( x1 , x2 ,..., xn )] fungsi konveks dari  . Bentuk

fungsi kerugian yang biasa digunakan adalah
L[ ; ( x1 , x2 ,..., xn )] = (    x1 , x2 ,..., xn  ) 2 .

Definisi III.8
Fungsi resiko (risk function) yang bersesuaian dengan L[ ; ] dan
dinotasikan dengan R[ ;  ] didefinisikan sebagai
R[ ;  ] = E[ L( ; ( x1 , x2 ,..., xn ))].
Hal itu berarti bahwa resiko dari fungsi keputusan yang diberikan
adalah rata-rata atau harapan jika fungsi keputusan tersebut digunakan.
Dua keputusan  dan  * dikatakan ekuivalen bila
R[ ;  ] = E[ L( ;  ( x1 , x2 ,..., xn ))]. = E[ L( ;  * ( x1 , x2 ,..., xn ))]. = R[ ;  * ] .
Dalam konteks estimasi titik, keputusan   x1 , x2 ,..., xn  dinamakan
estimasi dari  dan kebaikannya ditentukan berdasarkan resiko R[ ;  ] .
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    .
Hal itu berarti bahwa pencarian estimator dengan sifat-sifat

optimal membatasi perhatian kita pada kelas yang essentially complete
dari estimator-estimator admisible. Apabila hal ini dikerjakan, maka
muncul pertanyaan : yang manakah dari kelas ini yang dapat dipilih
sebagai suatu estimator dari  . Untuk itu dipilih estimator  sehingga
untuk sebarang estimator lain  * dalam kelas dari semua    .
Sayangnya estimator yang demikian tidak ada kecuali untuk kasus-kasus
yang sederhana. Akan tetapi, jika kita membatasi hanya pada kelas

estimator tak bias dengan variansi berhingga dan mengambil fungsi
kerugian kuadrat maka R[ ;  ] menjadi variansi dari  * x1 , x2 ,..., xn  .
Kriteria pemilihan di atas bersesuaian dengan pencarian estimator UMVU.
Estimator yang meminimumkan hal-hal buruk yang terjadi pada
kita yaitu meminimumkan resiko maksimum atas  . Jika estimator yang
mempunyai sifat tersebut ada maka dinamakan estimator minimaks
(minimax estimator). Untuk mencari estimator minimaks ini masih
dibatasi pada kelas estimator yang essentially complete.
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[ ; ]  ( ).

Hal itu berarti bahwa R ( ) adalah resiko rata-rata dari seluruh

ruang parameter  bila digunakan estimator  .
Misalkan D 2 adalah kelas semua estimator sehingga R ( )
berhingga untuk suatu prior  pada  yang diketahui.
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.
Penentuan Estimator Bayes

fungsi kepadatan probabilitas f ( x; ) ,     R . Dalam hal ini
digunakan fungsi kerugian kuadrat. Misalkan  variabel random dengan

fungsi kepadatan prior  . Akan ditentukan  sehingga menjadi estimator
Bayes dari  dalam arti teori keputusan.
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.

Contoh III.12
Misalkan variabel random saling bebas dari distribusi Binom(1,  )
dengan    = (0,1). Fungsi kepadatan probabilitas priornya dipilih
berdistribusi Beta  ,   dengan parameter  dan  yaitu
     1
     1    1
   
untuk   0, 1 . Akibatnya
1   f x1 ;  f x2 ; ... f xn ;   d

    1  xi
  1   n xi   1 1    1 d
    0
    1  xi  1
   1    n xi 1 d
    0

 n
       i 1 xi    n  i1 xi   n

        n 
dan
1    f  x1 ;   f  x2 ;  ... f xn ; d

    1  xi
   1   n xi   1 1    1 d
    0
    1  xi  11
  1     n xi 1 d
     0

 n
       i 1 xi  1    n  i1 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     i1 xi  1
n

    n     i 1 xi  n


 
    n    i1 xi    i 1 xi
n 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   .
2n
Penentuan Estimator Minimaks

fungsi kepadatan probabilitas f ( x;  ) ,     R dan  fungsi
kepadatan probabilitas prior pada  . Fungsi kepadatan probabilitas
posterior dari  diberikan X = ( X 1 , X 2 ,..., X n )t = ( x1 , x 2 ,..., x n ) t
dinyatakan dengan
f  x1 ;  f  x2 ;  ... f  xn ;  
h x   .
h x 
Telah diperoleh bahwa estimator Bayes dari  dalam arti teori
keputusan diberikan dengan
 x1 , x2 ,..., xn  =   h( x)d

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

dan resiko R[ ;  ] tidak tergantung pada  . Estimator   x1 , x2 ,..., xn 
merupakan estimator minimaks.
Contoh III.12
Misalkan variabel random saling bebas dari distribusi Binom(1,  )
dengan    =(0,1). Fungsi kepadatan probabilitas priornya dipilih
berdistribusi Beta(,). Jika X  in1 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  2n      EX     EX   
2 2


n     2

n2  2n  2n     2  2  2n      n     EX 2  2 EX    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

R[ ;  * ] 
2

1 / 4 n  1
.
n      n  n 4 1  n 2
2 2
   
Karena R[ ;  * ] tidak tergantung pada  maka
1 n
n   i 1 xi
2 nX 1
 x1 , x2 ,..., xn   2 
n n 2 n 1  
merupakan estimator minimaks.
Contoh III.13

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[ ;  ]  EU   
2
 E (U   )    1 
2
  2 EU     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  2n  n 
2

n
n  2 2
 2 n  n . 

n
Nilai   akan meminimumkan resiko dan resikonya sama
n2
2 2 2 2
dengan yang lebih kecil dari untuk semua  . Akibatnya U
n2 n
tidak admisible yaitu resikonya bukan yang terkecil.
III.6 Sifat-sifat Optimal secara Asimptotik dari Estimator

berdistribusi identik dengan fungsi kepadatan probabilitas f ( x; ) ,
   R .
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 ).

Sifat
Jika n (Vn   )  N 0, 2   untuk n   maka Vn   untuk
n .
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
    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
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

Large Number – SLLN) dan Hukum Bilangan Besar Lemah (Weak Law of
Large Number – WLLN) diperoleh
n ( X n   )  N (0,  1 ( ))
1
dengan ( )  . Akibatnya dengan menggunakan Teorema Limit
 1   
Pusat (Central Limit Theorem) diperoleh bahwa
n ( X n  )
 (1   )
berdistribusi N (0,1) secara asimptotik.
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
 
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 .

Definisi III.15
kepadatan probabilitas f ( x; ) ,     R . Dua barisan estimator
{U n }  { U ( X 1 ,..., X n ) }
dan { U n }  { U ( X 1 ,..., X n ) } dikatakan ekuivalen secara asimptotik jika
untuk setiap    berlaku sifat
n (U n  Vn )  0.
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 .
Estimator ini juga merupakan MLE. Akan tetapi estimator Bayes

untuk  dengan fungsi kepadatan probabilitas prior Beta ( ,  ) adalah
n
   i 1 X i
n  
dan estimator minimaksnya adalah
n n
  i 1 X i
Wn  2 .
n n
Dengan menggunakan Teorema Limit Pusat
n (U n   )  Z
dengan Z ~ N (0, (1   )) . Dapat juga ditunjukkan bahwa
n (U n  Vn )  0.

SOAL & PEMBAHASAN
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

n 1
max{X1, X2, . . . , Xn}.
2n
Demikian juga, berlaku sifat

2

2 n  y n2  n 2
y n1
E[Y ]   y n n dy  n  .
0   n2 0  n2
 
2
Akibatnya estimator tak bias untuk θ / 12 adalah
n2
max{ X 1 , X 2 ,...., X n }2 .
12n
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

_
maka E[ X /  ]  sehingga X /  merupakan estimator tak bias untuk
n
θ. Demikian juga dapat dibuktikan bahwa  i 1
X i merupakan statistik
yang lengkap untuk  sehingga dengan menggunakan Teorema, X / 

merupakan estimator UMVU untuk θ.
Karena Var(Xi) =  2 maka
_ _
1
Var ( X /  )  nVar ( X )
n 2 2
 2  2
 
n 2 n
untuk mendapatkan batas bawah Cramer-Rao, terlebih dahulu dihitung
informasi Fishernya. Karena X berdistribusi Gamma(  ,  ) maka
logaritma natural dari fungsi kepadatan probabilitasnya adalah
x
ln f ( x ;  )    ln   ln ( )  (  1) ln x  .

Dengan mendiferensialkan terhadap θ diperoleh
 ln f ( x; )  x
  2
  
dan
 2 ln f ( x; )  2 x
 2 3
 2  
sehingga
  2 ln f ( x; )    2x    2  
 E 2    E 2  3     2  3   3 .
         
2
Informasi Fishernya adalah I(θ) = = Var(U). Hal itu berarti bahwa
n
variansi U mencapai batas bawah Cramer-Rao.
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

Karena X berdistribusi U(θ,2θ) maka fungsi kepadatan probabilitasnya
dari X adalah
f(x; θ) =1/ untuk θ  x  2θ
sehingga fungsi distribusi dari X adalah
x 
FX(x) = untuk θ  x  2θ .

Misalkan statistik cukup untuk θ dinotasikan dengan U = min{X1, .... , Xn}.
Fungsi distribusi dari U adalah
FU (u )  P(U  u ) 1  P(U  u )
 1  P(min{ X 1 , X 2 ,...., X n }  u )
 1  P( X 1  u, X 2  u ,..., X n  u )
 1  [ P( X  u )]n
 1  [1  P( X  u )]n
n
 u  
 1  1  
  
n
 2  u 
 1  
  
sehingga fungsi kepadatan probabilitas dari U adalah dF/du yaitu
n 1 1 (2  u ) n 1
f U (u )  n2  u  n
 n
untuk θ  u  2θ. Harga harapan dari variabel random U adalah
2 (2  u ) n 1
E[U ]   u .
 n
Misalkan digunakan substitusi w  2  u sehingga dw = -du.
Akibatnya untuk u = θ maka w = θ dan untuk u = 2θ maka w = 0.
Diperoleh
n 1
0 ( 2  w) w
E[U ]   n ( dw)
 n
n 1
 (2  w) w
 n dw
0 n
n 1 n
 2w  nw
  n n 1 dw   n dw
0  0 

 wn   n  w n 1


 2  n   
  n 1  n 
 0   0 
n
 2  
n 1
n2
 .
n 1
Hal itu berarti n 1
min{ X 1 , . . . , X n } merupakan statistik tak bias untuk
n2
θ.
Misalkan V = max{X1, . . . , Xn}. Fungsi distribusi dari variabel random V
adalah
(v   ) n
FV(v) = untuk 0  v  2θ
n
dan fungsi kepadatan probabilitas V adalah
n(v   ) n 1
fV(v) = untuk 0  v  2θ.
n
2 n(v   ) n1
Akibatnya E[V ]   v dv.
 n
Misalkan digunakan substitusi w  2  v sehingga dw = - dv. Akibatnya
untuk v = θ maka w = θ dan untuk v = 2θ maka w = 0. Diperoleh
 w n 1
E[V ]   n(w   ) dw
0 n
 wn  n w n 1
 n dw   dw
0 n 0  n 1
n
 
n 1
2n  1
 .
n 1
Hal itu berarti
n 1
max{ X 1 , X 2 , . . . , X n }
2n  1
juga merupakan statistik tak bias untuk θ. Pada sisi lain dengan mengingat
bahwa

2n  4 2n  1 4n  5
E[2U  V ]  2 E[U ]  E[V ]    
n 1 n 1 n 1
maka
n 1
2 min{X 1 , X 2 , ..., X n }  max{X 1 , X 2 , ... , X n } .
4n  5
Estimator tak bias untuk θ.
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!).
 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

2   2
1  
 2
1
 .

Oleh karena itu batas bawah Cramer-Rao yaitu θ / n sama dengan variansi
dari X .
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
Logaritma dari fungsi likelihoodnya adalah

n n
l ( )  (ln  )  xi  ln(1   )  xi  n ln(1   ) .
i 1 i 1

n n
dl i 1 xi i 1 xi n
   .
d  1 1
Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama
dl
dengan akar dari persamaan  0 yaitu
d

n n
 i 1
xi

 i 1
xi

n
0
  1 1
n n n
 i 1
xi   i 1 xi   i 1 xi

n
 1
n
 
 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

dl n n
   xi .
d  i 1
Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama
dengan akar dari persamaan

dl
0
d
n n
  xi  0
 i 1
n
n
  xi
 i 1
n
 n
.
i1 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 
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   in1 x i n 2 
   exp    i 1 2 i   
2  2  2 2
2 2 
 2  
dengan θ = (  ,  2 ) . Akibatnya logaritma natural dari fungsi

n n
2 n 2  x 2 2 i 1 xi2 n 2
i 1 i
l ( )  ln f ( x ;  ;  )   ln(2 )    .
2 2 2 2 2 2 2
MLE diperoleh dengan menyelesaikan sistem persamaan berikut :
n
l

 i 1
xi

2 n
2
  2 2
n
l
 
n

i1 xi    n 4 .
 2 2 2 2 4  2 2 4
Diperoleh MLE untuk (  ,  2 ) masing – masing adalah

ˆ  X
n
n  i 1
( xi   ) 2

2 2 2 4
n
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 

untuk min{X1, X2, . . . , Xn} > θ1. Akibatnya logaritma natural dari fungsi
n
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

 (x   )2  1
f ( x ; ) 
exp  
2  2 
n
L ( | x 1 , x 2 , . . . , x n )   i 1
f ( x i ; )
n
1  (x   )2 
  exp   i 
i 1 2   2 
n/2
 1   n (x   )2 
   exp   i 1 i 
 2    2 
Akibatnya logaritma natural dari fungsi likelihoodnya adalah

2
n n (x   )
l ( )  ln L ( | x1 , x 2 , . . . , x n )   ln( 2 )  i 1 i
2 2
2
n n x n
n
 ln( 2 )  i 1 i   x i2  .
2 2 i 1 2
MLE untuk θ diperoleh dengan menyelesaikan persamaan berikut:
2 n
l n i 1 xi n
   0
 2 2 2 2
atau
n
n 2  n   xi2  0 .
i 1
Persamaan tersebut merupakan persamaan kuadrat dalam θ dan dengan

menggunakan rumus ABC diperoleh akar – akarnya yaitu
 n  n 2  4ni 1 xi2

2n
dan
 n  n 2  4n i 1 xi2
 .
2n
Karena parameter θ juga merupakan variansi dari Xi maka haruslah positif
sehingga yang memenuhi adalah

 n  n 2  4ni 1 xi2

2n
atau
1 1 4
n  i 1
xi2

2n

atau ˆ  12 1  4
n 
i 1
2
x .
i 
Soal III.12
Diketahui X1, X2, . . . , Xn sampel random dari distribusi U(θ – a, θ + b)
dengan θ  Ω = R. Tentukan estimator momen untuk θ dan variansinya.
Pembahasan
2
ba (b  a)
Karena X 1  U(θ – a, θ + b) maka E[ X1 ]   dan Var( X1 )  .
2 12
Estimator momen untuk θ merupakan penyelesaian dari persamaan
E[X1] = X
yaitu
ba
X 
2
sehingga estimator momen untuk θ adalah
ba
ˆ  X  .
2
Variansi untuk estimator momen tersebut adalah
2
^
 ba V ( X 1 ) (b  a)
V ( )  V  X   V ( X )   .
 2  n 12n
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

E[ X 1 ]  X
1 n 2
E[ X 12 ]  X 2   X1
n i 1
yaitu
  X
 2  ( ) 2  X 2 .
Diperoleh
2
 2  ( X ) 2  X
 2  X  X 
2 2
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)    

Estimator momen tersebut merupakan penyelesaian dari sistem persamaan

E[ X 1 ]  X
1 n 2
E[ X 12 ]  X 2   X1
n i 1
yaitu

X
 
    
    X 2.
    (   )(    1)    
Diperoleh X   X   atau  (1  X )   X atau    X /(1  X ).
Akibatnya
  
X2  X  X
  1 X    1 X    1
X X

  
 X X  X 
 1 X  1 1 X    1
X

   2
 X  X 1 X   (X ) .

 1 X  X
1 X
  1 X
1 X
 1
Diperoleh
 1 X 
X 2  X 2  X   1 X 

 1 X  1 X  
 (1  X ) 2 
S2  X 
   1  X 
 (1  X ) 2 
 1 X  X  2 .
 S 
Hal itu berarti estimator momen untuk  adalah
 (1  X ) 2 
ˆ  X  2  1 X
 S 
sehingga estimator momen untuk  adalah ˆ  ˆ 1XX .

Soal III.15
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Binom(4, θ)
dengan θ  (0, 1). Tentukan estimator Bayes untuk θ bila priornya adalah
1
 ( )   5 (1   ) 6 .
B(6,7)
Pembahasan
Fungsi probabilitas dari X adalah
1
f ( x ; )   x (1   ) 4 x
B(6,7)
untuk x = 0, 1, 2, 3, 4, 5. Misalkan prior untuk θ adalah
1
 ( )   5 (1   ) 6
B(6,7)
untuk 0 < θ < 1. Distribusi posterior dari θ bila diberikan X yaitu (θ|x)
adalah
 ( | x)  f ( x |  ) ( )
sebanding dengan
 x (1   ) 4 x  5 (1   ) 6   x5 (1   )10 x
  x 61 (1   )11 x1 .
Dengan melihat bentuk tersebut maka distribusi posterior dari θ diberikan
X yaitu (θ|x) adalah distribusi Beta(6 + x, 11 – x) sehingga penaksir
Bayes untuk θ merupakan mean dari distribusi posterior yaitu
x6 x6
ˆ  E[ | x]   .
x  6  11  x 17
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

 ( | x)  f ( x |  ) ( )
sebanding dengan
 x (1   ) 4 x (1)   x 11 (1   ) 5 x 1 .
Dengan melihat bentuk tersebut maka distribusi posterior dari θ bila
diberikan X yaitu (θ|x) adalah Beta(1 + x, 5 – x) sehingga penaksiran
Bayes untuk θ merupakan mean dari distribusi posterior yaitu
x 1 x 1
ˆ  E[ | x]   .
x 1 5  x 6
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.

Soal III.18
kepadatan probabilitas
1  12 ( xi  )2
f ( xi ;  )  e
2
1  2 / 2
 ( )  e
2
untuk θ > 0. Tentukan estimator Bayes untuk parameter θ.
Pembahasan
adalah
 ( | x1 , x 2 , ... , x n )  f ( x1 |  ) f ( x 2 |  ) ... f ( x n |  ) ( )
n
 1   1 2 n 
exp (2  xi  (n  1) 2 )  exp  (n  1)( 2   x i )
 2 i 1   2 n  1 i1 
 1 2 n 
exp (n  1)(   x i ) 2 .
 2 n  1 i 1 
Hal itu berarti distribusi posteriornya merupakan distribusi
 n xi 1 
N  i 1 , .
 n 1 n 1
 
n
Akibatnya mean dari distribusi posterior yaitu ni11 merupakan penaksir

xi
Bayes untuk θ.
Soal II.19

1  12 ( xi  ) 2
f ( xi ;  )  e
2
1  1 (   0 ) 2
 ( )  e 2 .
2
Tentukan estimator Bayes untuk parameter θ.
Pembahasan
adalah
 ( | x1 , x 2 , ... , x n )  f ( x1 |  ) f ( x 2 |  ) ... f ( x n |  ) ( )
n
 1 
exp   ( 2  xi  ( n  1) 2  2  0 ) 
 2 i 1 

n
 1  2 
exp (n  1)  2  (  0   xi )   .
 2  n 1 i 1 
n
Berarti distribusi posteriornya merupakan distribusi N (

0  i 1 xi , 1
).
n 1 n 1
n
Akibatnya mean dari distribusi posterior yaitu

0  i 1 xi merupakan
n 1
estimator Bayes untuk θ.

LATIHAN
1. 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.
2. Diketahui X1, X2, . . . , Xn sampel random saling bebas dari
distribusi U(θ1, θ2) dengan θ1 < θ2. Tentukan estimator tak bias
untuk mean yaitu (θ1 + θ2) / 2 dan range yaitu θ2 - θ1 yang hanya
tergantung pada statistik cukup untuk (θ1, θ2).
3. Diketahui X1, X2, . . . , Xn sampel random saling bebas dari
distribusi dobel eksponensial yaitu dengan fungsi kepadatan
probabilitas
1
f ( x ;  )  e | x  |
2
dengan θΩ = R. Tunjukkan 12 ( X (1)  X ( n ) ) bahwa merupakan
estimator tak bias untuk θ.
4. Jika X1, X2, . . . , Xn sampel random dari distribusi yang
mempunyai fungsi kepadatan probabilitas:
1  x
f ( x ; )  e

untuk x > 0 dengan θ  Ω = (0,  ) maka tentukan estimator
UMVU untuk parameter θ.
5. Jika X1, X2, . . . , Xn sampel random dari distribusi yang
mempunyai fungsi kepadatan probabilitas :
1  x
f ( x ; )  e

untuk x > 0 dengan θ  Ω = (0,  ) maka tentukan estimator MLE
untuk parameter θ.
6. Diketahui X1, X2, . . . , Xn variabel random saling bebas dan
berdistribusi identik mempunyai fungsi kepadatan probabilitas :
   x
f ( x ; )  e


untuk x > 0, θ > 0 dan  > 0 dengan  diketahui. Tentukan MLE
untuk θ.
7. Diketahui X1 dan X2 variabel random saling bebas dan mempunyai
fungsi kepadatan probabilitas
2
f ( x ; )  (  x)

untuk 0 < x < θ dan θ  Ω = (0,  ). Tentukan estimator momen
untuk parameter θ.
8. Diketahui X1, X2, . . . , Xn sampel random dari distribusi Cauchy
dengan  = 1 dan  tidak diketahui. Misalkan diinginkan untuk
mengestimasi  yang anda pilih yaitu X1 ataukah X ? Jelaskan
jawaban anda !
9. Misalkan X1, X2, . . . , Xn menotasikan sampel random dari suatu
distribusi yaitu N(θ, 1). Tentukan estimator terbaik untuk θ 2.
10. Diketahui adalah sampel random dari suatu distribusi N(0,θ).
n
Statistik Y= i 1 X i2 merupakan statistik cukup untuk θ. Tentukan
estimator terbaik untuk θ2.
11. Misalkan X pengamatan tunggal dari distribusi Bernoulli yaitu
f ( x ; )   x (1   )1 x I{0,1} ( x)
1
dengan 0 < θ < 1. Misalkan T1(X) = X dan T2(X) = 2 .
a. Apakah T1(x) dan T2(x) tak bias ?
b. Bandingkan MSE (mean squared error) dari T1(x) dengan
T2(X).
12. Misalkan X adalah pengamatan tunggal dari N(0, θ) dengan θ= 2.
a. Apakah X statistik cukup untuk θ ?
b. Apakah | X | statistik cukup untuk θ ?
c. Apakah X 2 estimator tak bias dari θ ?
d. Apakah MLE untuk  ?
13. Diketahui X1, X2, . . . , Xn sampel random dari fungsi kepadatan
probabilitas
f ( x; )  x 2 I ( ,  ) ( x)
dengan θ > 0.
a. Tentukan estimator MLE untuk θ.

b. Apakah min{ X1, X2, . . . , Xn } statistik cukup untuk θ ?
probabilitas
f ( x ; )   x 1I ( 0,1) ( x)
dengan θ > 0.
a. Tentukan estimator MLE untuk  = θ / (1 + θ).
b. Tentukan estimator UMVU untuk 1 / θ dan  ?
probabilitas
f ( x ; )  2 x /  2 I ( 0, ) ( x)
dengan θ > 0.
a. Tentukan estimator MLE untuk θ.
b. Apakah max{X1, X2, .. . , Xn } statistik cukup untuk θ ? Apakah
max{X1, X2, . . . , Xn } lengkap ?
c. Apakah estimator UMVU untuk θ ? Jika ada, tentukan
estimator itu.
probabilitas
f ( x ; )   (1  x) (1 ) I ( 0, ) ( x)
dengan θ > 0.
a. Estimasi θ dengan metode momen dengan menganggap θ > 0.
b. Tentukan estimator MLE untuk 1/θ.
c. Apakah statistik cukup dan lengkap untuk θ jika ada?
d. Tentukan batas bawah Cramer-Rao untuk estimator tak bias
untuk 1/θ.
e. Tentukan estimator UMVU untuk 1/θ jika ada.
f. Tentukan estimator UMVU untuk θ jika ada.
probabilitas
f ( x; )  e  ( x  ) exp[e ( x  ) ]
dengan      .
a. Tentukan metode momen dari θ.
b. Tentukan MLE dari θ.

c. Tentukan statistik cukup yang lengkap untuk θ.
d. Tentuklan batas bawah Cramer-Rao untuk estimator tak bias
dari θ.
e. Adakah suatu fungsi dari estimator tak bias untuk θ yang
variansinya bersesuaian dengan batas bawah Cramer-Rao? Jika
ada tentukan.
18. Jika X pengamatan tunggal dengan fungsi kepadatan probabilitas
f ( x ; )  2 x /  2 I ( 0, ) ( x)
dengan θ > 0. Anggap bahwa θ mempunyai distribusi prior
seragam atas interval (0,1). Dengan loss function  2 (1   ) 2 ,
tentukan estimator Bayes untuk θ.
19. Diketahui X1, X2, . . . , Xn sampel random dari populasi
berdistribusi dengan fungsi kepadatan probabilitas
f ( x ; )   x 1I ( 0, ) ( x)
dengan θ > 0. Anggap bahwa distribusi prior dari θ adalah
Gamma(r, ) dengan r dan  diketahui. Apa distribusi posterior
dari θ ? Tentukan estimator Bayes dari θ dengan prior yang
diberikan dengan menggunakan fungsi kerugian kuadrat.
berdistribusi dengan fungsi kepadatan probabilitas f( x ;  ) = 
exp( -  x) untuk x > 0. Misalkan distribusi prior dari  juga
merupakan distribusi eksponensial dengan mean 1/ dengan 
diketahui. Tunjukkan bahwa distribusi posterior dari  jika
 
 
 1
diberikan X1, X2, . . . , Xn adalah Gamma  n
, n  1 .
    X i 
 i 1 
*****

BAB IV
PENGUJIAN HIPOTESIS
Pengujian hipotesis yang biasa kita kenal adalah pengujian hipotesis

dengan hipotesis alternatif yang tidak hanya memuat satu titik atau dikenal
dengan hipotesis komposit. Dalam bab ini, dibahas tentang beberapa
metode pengujian hipotesis, baik untuk hipotesis sederhana maupun untuk
hipotesis komposit.
Dalam seluruh bab ini X 1 , X 2 ,..., X n adalah variabel random saling
bebas dan berdistribusi identik yang didefinisikan pada ruang
probabilitas (S, F, P),     R r dan mempunyai fungsi kepadatan
probabilitas f ( x; ) .
IV.1 Konsep Umum Dari Pengujian Hipotesis Neyman-Pearson
Berikut ini diberikan definisi tentang hipotesis yang mendasari bab

ini.
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

dibuat maka akan muncul masalah bagaimana menguji hipotesis
berdasarkan pada nilai-nilai pengamatan.
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

1-  ( )
c
dengan    adalah probabilitas menerima H yang dihitung di bawah
anggapan H salah. Jadi untuk    c , 1-  ( ) menyatakan probabilitas
kesalahan tipe II.
Jelas bahwa,  merupakan batas atas terkecil dari probabilitas
kesalahan tipe I. Diinginkan untuk membuat  sekecil mungkin (lebih
disukai 0) dan pada saat yang sama membuat kuasanya sebesar mungkin
(lebih disukai 1). Tentu saja, memaksimumkan kuasa ekuivalen dengan
memaksimumkan probabilitas kesalahan tipe II. Sayangnya, dengan
ukuran sampel yang tetap, hal ini tidak dapat dilakukan. Hal yang dapat
dilakukan adalah memilih ukuran tertentu untuk tingkat keberartian yang
diperlukan (biasanya diambil 0,005; 0,001; 0,05 atau 0,1) dan mencari uji
yang memaksimumkan kuasa.
Dengan anggapan bahwa kerugian potensial berkenaan dengan
keputusan yang salah, pembuat keputusan merupakan seorang yang
konservatif yang menyokong hipotesis nol sebagai kebenaran dan jika
tidak demikian maka haruslah ada fakta-fakta dari data bahwa hal tersebut
salah. Dalam hal ini, dia percaya bahwa akibat kesalahan penolakan
hipotesis nol akan jauh lebih buruk daripada kesalahan yang diakibatkan
oleh menerimanya.
Sebagai contoh, perusahaan obat menganggap bahwa pasar obat
produk baru untuk menyembuhkan penyakit dibandingkan dengan obat
yang telah ada mempunyai tingkat penyembuhan sebesar 60%.
Berdasarkan pada percobaan terbatas, divisi penelitian mengklaim bahwa
obat baru lebih efektif. Jika obat tersebut gagal lebih efektif atau
mempunyai efek samping yang membahayakan, maka akan kehilangan
pelanggan yang disebabkan oleh kekunoan produk akan lebih kecil
pengaruhnya dibandingkan dengan kegagalan yang diakibatkan oleh
ketidak-efektifan obat yang baru. Untuk itu, jika keputusan dibuat
berdasarkan pada sejumlah percobaan klinis maka hipotesis nol
seharusnya adalah bahwa tingkat penyembuhan tidak lebih dari 60%
melawan alternatif bahwa tingkat penyembuhannya lebih buruk dari 60%.
Perlu dicatat bahwa dalam uji non random dengan daerah kritik B
diperoleh

 ( )  P [( x1 , x2 ,..., xn ) t  B]
 1.P [( x1 , x2 ,..., x n ) t  B]  0.P [( x1 , x 2 ,..., x n ) t  B c ]
 E [ ( x1 , x2 ,..., xn )].
Hal yang sama juga dapat dikerjakan untuk uji non random. Jadi
  ( ) =  ( ) = E [ ( x1 , x2 ,..., xn )] ,    .
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).
IV.2 Pengujian Hipotesis Sederhana Melawan Alternatif Sederhana
Dalam kasus ini, ruang parameter hanya terdiri dari 2 titik yang
dapat dituliskan sebagai 0 dan 1 yaitu
  { 0 ,1}.
Misalkan f0 dan f1 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

1 jika R( z;  0 , 1 )  c

 ( x1 , x2 ,..., xn )    jika R( z;  0 , 1 )  c (1)
0 jika R( z;  0 , 1 )  c

dengan  konstan (0    1) dan c ditentukan sehingga
E 0 [ ( x1 , x2 ,..., xn )]   . (2)
Untuk menguji hipotesis H melawan A pada tingkat  digunakan uji
seperti (1) dan (2) merupakan uji UMP.
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 
Karena  0 < 1 maka R( z; 0 ,1 ) > c ekuivalen dengan

ln R( z; 0 ,1 ) > ln c

n n
 1     1  1 
 X i ln 
    

n   X i  ln
 1  
 > ln c
i 1  0 i 1  0 
  1   1  1    1  1 
 X ln  i

  ln   > ln c  n ln 
i 1   0  1   0   1  0 
n   1 (1   0   1  1 
 X ln  i
( 1   )
 > ln c  n ln
1  

i 1   0 1   0 
 1  1 
ln c  n ln 
n
 1   0 

i 1
Xi >
  1 1   0  
ln 
   0 1  1  
n
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
dengan c0 dan  ditentukan sehingga

n   n 
E0 [ ( z )]  P 0  X i  c0    P 0  X i  c0   
 i 1   i 1 
n
dan  i 1
X i ~ Binom (n, i ) untuk i  0, 1.

Sebagai gambaran, misalkan akan diuji hipotesis H :  = 0,5
melawan A :  = 0,75 dengan  = 0,05 dan n = 25. Dalam hal ini, c0
dan  ditentukan sehingga
 n   n 
P 0   X i  c 0    P 0   X i  c 0   0 , 05
 i 1   i 1 
 n   n 
1  P 0   X i  c 0    P 0   X i  c 0   0 , 05
 i 1   i 1 
 n   n 
1  0 , 05  P 0   X i  c 0    P 0   X i  c 0 
 i 1   i 1 
 n   n 
0 ,95  P 0   X i  c 0    P 0   X i  c 0  .
 i 1   i 1 
n
Karena    dan P0 (i 1 X i  co )  0 maka
n
 P (i 1 X i  co )  0
0
sehingga haruslah
n
P 0 ( X i  co )  0,95.
i 1
n
Untuk itu dipilih c0 sehingga P0 (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 P0 (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

 n
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
Kuasa dari uji tersebut adalah

 n   n 
P  0,75   X i 17   0,8792 P  0, 75   X i 17 
 i 1   i 1 
n
dan  i 1
X i ~ Binom(25,0,75) yaitu 0,3826 artinya apabila  = 0,75
maka probabilitas menolak hipotesis nol H adalah 0,3826.
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

n
 0 
 x ln i
  n(1   0 ) > ln c
i 1  1
n
 0 
 x ln i
  n(1   0 ) > ln c  n(1   0 )
i 1  1
n
 0 
 x ln  i
 > ln[c exp(n(1   0 ))].
i 1  1
1 
Karena 0 < 1 maka 1  sehingga ln 1  0 . Akibatnya
0 0
n ln[c exp(n(1   0 ))]
x
i 1
i >
 
ln 0 
 1 
n ln[c exp(n(1   0 ))]
atau  i 1
X i > c0 dengan c0 
 0 
. Uji UMP
ln 
 1 
didefinisikan 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

n   n 
E0 [ ( z )]  P 0  X i  c0    P 0  X i  c0   
 i 1   i 1 
n
dan 
i 1
X i ~ Poisson(n1) untuk i  0,1.
Sebagai gambaran, misalkan akan diuji hipotesis H :  =0,3
melawan A :  = 0,4 dengan  = 0,05 dan n = 20. Diperoleh
n n
E  0 [ ( z )]  P   x i  c 0    P   x i  c 0   0 , 05
0   0  
 i 1   i 1 
sehingga

 n   n 
1  P 0   xi  c 0    P 0   x i  c 0   0 ,05
 i 1   i 1 
 n   n 
1  0 , 05  P 0   x i  c 0    P 0   x i  c 0 
 i 1   i 1 
 n   n 
0 ,95  P 0   x i  c 0    P 0   x i  c 0  .
 i 1   i 1 
n n
Karena    dan P0 (i 1 xi  co )  0 maka  P 0 (i 1 xi  co )  0 . Untuk
itu dipilih c0 sehingga
n
P 0 ( X i  co )  0,95.
i 1
tetapi paling dekat dengan 0,95. Berdasarkan tabel kumulatif distribusi

Poisson dengan mean 20(0,3) = 6 diperoleh bahwa c0 = 10 sehingga
n
P0 ( xi  10) = 0,9574
i 1
n n n
dan P0 ( xi 10)  P( xi  10)  P( xi  9) = 0,9574 – 0,9161
i 1 i 1 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
Kuasa ujinya adalah

n n
P  0 , 4 (  x i 10 )  0 ,1791 P  0 , 4 (  x i 10 )  0 , 2013 .
i 1 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

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 )
1   x   1 2  1   x   1 2  1   x   1 2 
exp   1 
 exp   2 ...
 exp   n 

2  2  2  2  2  2 

1 
exp   1
2
x   0    1 
exp   2
2
 x   0  ... 1 
exp   n
2
x   0  
2 2  2 2  2 2 
     
 1 n 2 
exp    i  1  x i   1  
 2 

 1 n 2 
exp    i  1  x i   0  
 2 
1 n 
 exp   [( x i   0 ) 2  ( x i   1 ) 2 ] 
 2 i 1 
1 n
sehingga ln R ( z;1 , 0 )   [( xi   0 ) 2  ( xi  1 ) 2 ] atau
2 i 1
1 n 2
ln R( z;1 , 0 )   [ xi  2 0 xi   02  ( xi2  21 xi  12 )]
2 i 1
1 n
  [2( 0  1 ) xi   02  12 ]
2 i 1
n
1
 1   2  xi  n( 02  12 ).
i 1 2
Hal itu berarti R( z;1 , 0 ) > c akan ekuivalen dengan ln R( z;1 , 0 ) > ln c
yaitu
n
1
(1   0 ) xi  n( 02  12 ) > ln c
i 1 2
n
1
(1   0 ) xi > ln c  n( 02  12 )
i 1 2
n
1
(1   0 ) xi > ln c  n(1   0 )(1   0 )
i 1 2
n
ln c 1
x
i 1
i >  n(1   0 )(1   0 )
1   0 2

1  ln c n(1   0 ) 
x >   .
n  1   0 2 
1  ln c n(1   0 ) 
Berarti X  c0 dengan c0     . Uji UMP adalah
n  1   0 2 
1 jika X  c0
 (z )  
0 yang lain
dengan c0 ditentukan sehingga
E0 [ ( z )]  P0 ( X  c0 )  
1
dan X ~ N ( i , ) untuk i  0, 1.
n
Sebagai gambaran, akan diuji hipotesis  = -1 melawan A :  = 1
dengan  = 0,001 dan n = 9. Diperoleh
P 1 ( X  c0 ) = P 1[3( X  (1))  3(c0  (1))]
= P 1[3( X  (1))  3(c0  (1))]
= P 1[3( X  1)  3(c0  1)]
= P 1[ N (0,1)  3(c0  1)] .
sehingga c0 = 0,03. Oleh karena itu uji UMP adalah
1 jika X  0,03
 (z )  
0 yang lain.
Kuasa ujinya adalah
P 1 ( X  0,03) = P 1[3( X  1)  3(0,03  1)]
= P  1 ( N (0,1)  2,91)  0,9932.
Artinya apabila  = 1 maka probabilitas menolak hipotesis nol H adalah
0,9932.
Contoh IV.4
Misalkan X 1 ,..., X n sampel random dari populasi yang berdistribusi
N (0, ). Berdasarkan sampel tersebut akan diuji hipotesis H : = 0

melawan alternatif A :  =  1 pada level  dengan anggapan  0 < 1 .
Diperoleh
f ( x1 ;  1 ) f ( x 2 ; 1 ) ..... f ( x n ;  1 )
R ( z ; 0 ,  1 ) 
f ( x1 ; 0 ) f ( x 2 ; 0 ).... f ( x n ; 0 )
1  x2  1  x2  1  x2 
exp   1  exp   2  ... exp   n 

2 1  2 1  2 1  2 1  2 1  2 1 
2 2
1  x  1  x  1  x2 
exp   1  exp   2  ... exp   n 
2 0  2 0  2 0  2 0  2 0  2 0 
 1 n 
n
2
exp    x i2 
i 1
   2 1 
  0 
 1   1 n
x2 

exp  
2 0
 i 1 i 
 
n
  2   1 1  n 2
  0  exp       x i 
 1    2 1 2 0  i 1 
n
2
      1  n 2 
  0  exp    0   x i  .
 1    2 1 0  i 1 
Akibatnya
1   0 n 2 n   0 
ln R ( z;1 , 0 )   xi  2 ln  
2 01 i 1  1
sehingga R( z;1 , 0 ) > c maka ln R( z;1 , 0 ) > ln c yaitu
1   0 n 2 1   0 
 xi  2 ln   > ln c
2 01 i 1  1
1   0 n 2 1  

2 01 i 1
xi > ln c  ln 0 
2  1 
1   0 n 2 n  

2 01 i 1
xi > ln c  ln 1 
2  0 
n/2
1   0 n 2    
 xi > ln c  1  
2 01 i 1   0  
 
n/2
n
2 2 01   1  
.
x
i 1
i > ln c  
1   0    0  
 

n 2 01  1 
Berarti  X > c0 dengan c0 
i 1 i
ln c
1   0   0 
. Uji UMP menjadi
n 2
1
 (z )  
jika  x  c0
i 1 i
0 yang lain
 n 
E0 [ ( z )]  P0  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
P0 ( xi2 co )  0,01
i 1
yaitu
n
1 n 2 1
P0 ( 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.

IV.3 Uji UMP untuk Pengujian Hipotesis Komposit
Sebagian besar masalah praktis, paling sedikit salah satu merupakan

hipotesis komposit. Misalkan variabel random saling bebas dengan fungsi
kepadatan probabilitas f ( x; ) ,     R ,
g ( z;  ) = f ( x1 ;  ) f ( x 2 ;  ) ... f ( x n ;  )
dengan z  ( x1 , x2 ,..., xn ) t dan Z  ( X 1 , X 2 ,..., X n ) t .
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 .

Teorema IV.2
fungsi kepadatan probabilitas f ( x; ) ,     R mempunyai sifat MLR
dalam V dengan g ( x;  ) didefinisikan sebagai
g ( z ;  ) = f ( x1 ;  ) f ( x 2 ;  ) ... f ( xn ;  ) .
Misalkan 0   dan   {      0 }. Untuk pengujian
hipotesis komposit H :    melawan alternatif pada tingkat keberartian
 maka terdapat uji yang merupakan uji UMP dalam kelas semua uji
yang mempunyai tingkat keberartian lebih kecil atau sama dengan .
Dalam kasus LR (likelihood ratio) dalam V  z  yang digunakan adalah
 1 jika V ( z )  c (#)

 ( z )   jika V ( z )  c ,
 0 jika V ( z )  c.


E0 [ ( z )]  P 0 V  z   c    P 0 V  z   c   . (##)
Jika LR turun dalam V  z  maka ujinya digunakan
 1 jika V ( z )  c

 ( z )   jika V ( z )  c ,
 0 jika V ( z )  c.

E0 [ ( z )]  P 0 V  z   c    P 0 V  z   c   .
Akibat IV.2
Misalkan X 1 , X 2 ,..., X n variabel random saling bebas dengan fungsi
kepadatan probabilitas dapat dinyatakan sebagai
f  x ;   C ( ) expQ T  x  hx
dengan Q fungsi naik/turun tajam. Untuk pengujian hipotesis
H :     {      0 }

melawan alternatif A :    c . Dengan tingkat keberartian  maka uji
UMP dalam kelas semua uji tingkat lebih kecil atau sama dengan  . 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
E0 [ ( z )]  P 0 V  z   c    P 0 V  z   c    .
Sebaliknya, jika Q turun maka digunakan uji
 1 jika V ( z )  c

 ( z )   jika V ( z )  c ,
 0 jika V ( z )  c

E0 [ ( 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

E0 [ ( 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

E0 [ ( z )]  P 0 V  z   c    P 0 V  z   c    .

Masalah penting lain adalah menguji
H :     {     1 atau   2}
melawan A :    c dengan 1 , 2   dan 1   2 . Pendeknya,  dapat
menyatakan dosis obat dan 1 , 2 adalah batas  yang diperbolehkan. Jika
  1 dosis yang diberikan tidak membahayakan namun tidak
bermanfaat, sedangkan jika    2 dosis yang membahayakan. Jadi
hipotesis tersebut menyatakan obat dapat membahayakan atau tidak
bermanfaat dan diinginkan untuk menguji hipotesis tersebut. Jika
distribusi anggapan dengan ukuran yang sesuai dianggap berbentuk
eksponensial maka uji UMP ada.
Teorema IV.3
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
E1 [ ( z )]  P1 c1  V  z   c2    1 P1 V  z   c1    2 P1 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

1 jika V ( z )  c1 atau V ( z )  c2 ,

 ( z )   jika V ( z )  ci (i  1, 2) dan c1  c2 ,
0 untuk yang lain.

E1 [ ( z )] 
P1 V  z   c1 atau V  z   c2    1 P1 V  z   c1    2 P1 V  z   c2    .
dan
E 2 [ ( z )] 
P 2 V  z   c1 atau V  z   c2    1 P 2 V z   c1    2 P 2 V  z   c2    .
n
dengan V  z   i 1T ( X i ) . Dapat ditunjukkan bahwa fungsi
    E[ ( z )] dengan    merupakan fungsi naik    0 dan turun
untuk    0 dengan 1   0   2 .
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

 n
 1 jika X i  c,
 i 1
n

 ( z )   jika X i  c,
 i 1
n

 0 jika X i  c.
 i 1

n  n 
E0 [ ( z )]  P 0  X i  c    P 0  X i  c   
 i 1   i 1 
n
dan  i 1
X i ~ Binom (n, i ) .
Sebagai gambaran, akan diuji hipotesis H :   0,5 melawan A :  > 0,5
dengan  = 0,01 dan n = 25. Dalam hal ini, c dan  ditentukan
sehingga
 n  n 
P  0,5  X i  c    P  0,5  X i  c   0,05 .
 i 1   i 1 
Berdasarkan tabel distribusi Binomial diperoleh bahwa c = 18 dan
 = 27/143. Kuasa dari uji tersebut adalah
n n
 (0,75)  P  0,75 ( X i  c)   P  0,75 ( X i  c)  0,5923.
i 1 i 1
Untuk pengujian hipotesis H :   1 melawan alternatif

A :    2 digunakan uji UMP  yang dinyatakan dengan
n
c1  i 1 X i  c2
1 jika
 n
 ( z )   i jika  i 1
X i  c1 (i  1,2) dan c1  c2
0 yang lain

E1 [ ( z )]  P1 c1  V  z   c2    1 P1 V  z   c1    2 P1 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 ) .

Sebagai gambaran, akan diuji hipotesis H : 0,25   atau   0,75
melawan
A : 0,25 <  < 0,75
dengan  = 0,05 dan n = 25. Untuk c1  10 dan c2  15 diperoleh
416 1  2 2  205, 2 1  416 2  205
atau  1   2  42435 / 86426  0,4901 . Uji UMP menjadi
n

 1 jika 10  
i 1
X i 15,
 n n

 ( z )   i jika  X i 10 atau  X i 15,
 i 1 i 1
0 yang lain.


Kuasa dari uji pada  = 0,5 adalah
n n
 (0,5)  P  0,5 (10   X i  15)  0,4901P  0,5 ( X i  10)
i 1 i 1
n n n
 (0,5)  P 0,5 (10   X i  15)  0,4901P 0,5 ( X i  10)  0,4901 P 0,5 ( X i  15)
i 1 i 1 i 1
 0,6711.
Contoh IV.6
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

 n
 1 jika X i  c,
 i 1
n

 ( z )   jika X i  c,
 i 1
n

 0 jika X i  c.
 i 1

n  n 
E0 [ ( z )]  P 0  X i  c    P 0  X i  c   
 i 1   i 1 
n
dan  i 1
X i ~ Poisson (n ) .
Sebagai gambaran, akan diuji hipotesis H :   0,5 melawan
A :  > 0,5
dengan n = 10 dan  = 0,05. Berdasarkan tabel distribusi Poisson dengan
mean n 0 = 10(0,5) =5 diperoleh c = 9 dan  = 182/363 = 0,5014.
Kuasa dari uji pada saat  = 1 adalah
 n   n 
 (1)  P  1   X i  9   0,5014 P 1   X i  9 
 i 1   i 1 
n n n
 
= 1  P 1 ( X i  9)  0,5014 P 1 ( X i  9)  P 1 ( X i  8)
i 1  i 1 i 1 
= 0,6048.
Gambar IV.1 menyatakan kuasa uji untuk  antara 0,5 sampai dengan 2.

1.0
0.8
0.6
Kuasa Uji
0.4
0.2
0.0
0.5 1.0 1.5 2.0
theta
Gambar IV.1 Kuasa uji untuk  antara 0,5 sampai dengan 2.
Contoh IV.7
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  2x   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 

n
sehingga Q ( )   /  2 dan V z   i 1 ( X i ) . Karena Q ( )   /  2
fungsi naik maka untuk menguji hipotesis H :    0 melawan A :    0
adalah
1 jika X  c
 ( z)  
0 jika X  c
dengan c ditentukan sehingga
E0 [ ( z )]  P0 ( X  c)  
dan X ~ N ( ,  2 / n ) . Kuasa ujinya adalah
  ( ) = P( X  c)  1  P 20 ( X  c)
 X  c  
1  P   
 / n  / n 
 n (c   ) 
1    .
  
Sebagai gambaran, berdasarkan sampel X 1 , X 2 ,..., X 25 dari distribusi
N ( ,4) akan diuji hipotesis H :   20 melawan A :  > 20 adalah
1 jika X  c
 ( z)  
0 jika X  c
E0 [ ( z )]  P( X  c)  1  P 20 ( X  c)
 X  20 c  20 
 1  P  
 / n  / n 
 (c  20) 
 1   0,05
 2 / 5 
dan X ~ N (20,4 / 25) di bawah anggapan H benar. Kuasa uji untuk
 = 21 adalah
 20,66  21 
  (21)  1     1   (0,85)  1  0,1977  0,8023.
 2/5 

Untuk menguji hipotesis H :   1 atau    2 melawan A : 1     2
digunakan uji UMP  yang dinyatakan dengan
1 jika c1  X  c2
 (z )  
0 yang lain
dengan c1 dan c2 ditentukan sehingga
E1 [ ( z )]  P1 (c1  X  c2 )  
atau
E 2 [ ( z )]  P2 (c1  X  c2 )   .
Kuasa ujinya adalah
 n (c2   )   n (c1   ) 
  ( )     
 
.

     
Sebagai gambaran, berdasarkan sampel X 1 , X 2 ,..., X 25 ~ N ( ,4)
akan diuji hipotesis H :   -1 atau   1 melawan A : -1 <  < 1
dengan   0,05 . Uji UMP adalah
1 jika c1  X  c2
 (z )  
0 yang lain
E1 [ ( z )]  P1 (c1  X  c2 )  0,05
atau
E 2 [ ( z )]  P 2 (c1  X  c2 )  0,05 .
Berdasarkan tabel distribusi normal baku diperoleh c1 = -0,344 dan
c2 = 0,344. Kuasa uji pada  = 0 adalah
 25 (0,344  0)   25 (0,344  0) 
  ( )     
 
  0,61.

 4   4 
Contoh IV.8
N (  ,  ) dengan     (0, ) . Fungsi kepadatan probabilitas dari X
yang berdistribusi N (  ,  ) adalah

1   x   2 
f  x;   exp  
2  2 
1  1 
f  x;   exp   (x  )2 
2  2 
n
sehingga Q( )  1 /(2 ) dan V  z   i1 ( xi   ) 2 . Karena
Q( )  1 /( 2 ) fungsi naik maka untuk menguji hipotesis H :    0
melawan A :    0 adalah
n
1 jika  ( xi   ) 2  c
 (z )   i 1
0 yang lain
 n 
E0 [ ( z )]  P0   ( 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

 n   n ( X i   ) 2 c 
E  4 [ ( z )]  P  ( X i   )  c   P i 1
2
   0,05
 i 1   4 4
 
dan
n
(1 / 4) ( X i   ) 2 ~ X 25
2
i 1
di bawah anggapan H benar. Berdasarkan tabel distribusi chi-kuadrat

dengan derajat bebas 25 diperoleh bahwa c / 4  37,652 atau c  150,608 .
Kuasa ujinya untuk  = 12 adalah
 150,608 
 ( )  1  P  252  2
  1  P(  25  30,1216)  1  0,02  0,98.
 12 
Pada sisi lain, untuk menguji hipotesis H :   1 atau    2
melawan A : 1     2 digunakan uji UMP  yang dinyatakan dengan
n
1 jika c1  i 1 ( X i   ) 2  c2
 (z )  
0 yang lain
n
 
E1 [ ( z )]  P1  c1   ( X i   ) 2  c2   
 i 1 
atau
n
 
E 2 [ ( z )]  P 2  c1   ( X i   ) 2  c2    .
 i 1 
Kuasa ujinya adalah
 c   c 
 ( )  P  n2  2   P  n2  1  .
    
Sebagai gambaran, berdasarkan sampel X 1 , X 2 ,..., X 25 ~ N (  ,  )

akan diuji hipotesis H :   1 atau   3 melawan A : 1 <  < 3 dengan
  0,01 . Uji UMP adalah
n
1 jika c1  i 1 ( X i   ) 2  c2
 (z )  
0 yang lain

 2 c2   2 c1 
P1   25    P1   25    0,01
 1  1
atau
 2 c2   2 c1 
P 2   25    P 2   25    0,01.
 3  3
.
Dengan metode coba-coba (trial and error) dapat ditentukan c1
dan c2 dari tabel distribusi chi-kuadrat dengan derajat bebas 25.
IV.4 Uji UMPU untuk Pengujian Hipotesis Komposit
Dalam Teorema IV.3, untuk pengujian

H :   {   atau    2}
melawan A :    c Uji UMP ada. Tidak mengherankan bahwa dengan
merubah H dan A mengakibatkan uji UMP tidak ada.
Di bawah anggapan Teorema IV.2, untuk menguji hipotesis
H :    0 melawan A :    0 dan H :    0 melawan A :    0 uji
UMP tidak ada. Karena uji diberikan pada (#) dan (##) merupakan uji
UMP untuk    0 tetapi lebih buruk dari uji trivial  (z )   untuk
   0 . Dengan cara yang sama uji diberikan oleh (#) dan (##) dengan
tanda ketidaksamaan dibalik merupakan uji UMP untuk    0 tetapi
lebih buruk dari uji trivial  (z )   untuk    0 . Jadi, tidak ada uji
tunggal yang merupakan uji UMP untuk semua    0 . Untuk itu perlu
diatasi pada kelas uji yang lebih kecil.
Definisi IV.6
berdistribusi identik dengan fungsi kepadatan probabilitas f ( x, ) ,   
dan     R r . Untuk pengujian H :  melawan alternatif

A :    c pada tingkat  , suatu uji yang didasarkan pada X 1 , X 2 ,..., X n
dikatakan tak bias jika
E [ ( X 1 , X 2 ,..., X n )]  
untuk semua    dan
E [ ( X 1 , X 2 ,..., X n )]  
untuk semua    c . Suatu uji tak bias bila probabilitas kesalahan tipe I
paling banyak  dan kuasa dari uji paling sedikit  .
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 ( ) expQ T  x hx 
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 E1 [ ( z )]   dan
E 2 [ ( z )]   untuk H dan

E0 [ ( z )]  
dan E 0 [V ( z ) ( z )]   E 0 [V ( z )] untuk H ' .
Dapat ditunjukkan bahwa  ( )  E [ ( z )] dengan    turun
   0 dan naik untuk    0 untuk suatu 1   0   2 .
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 
1  x 2  2x   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
dengan c 1 dan c2 ditentukan sehingga E0 [ ( z )]   dan

E0 [V ( z ) ( z )]  E0 [V ( z )]
Uji tersebut ekuivalen dengan uji

n ( X 0 ) n ( X 0 )
1 jika  c'1 atau  c' 2
 (z )    2
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
dengan c ditentukan sehingga P( 12  c)   .
IV.5 Pengujian Parameter dari Distribusi Normal
Dalam pasal ini X 1 , X 2 ,..., X n merupakan variabel random saling

bebas dari distribusi N (  ,  2 ) dengan  dan  2 tidak diketahui.
Parameter yang menjadi perhatian adalah 1 parameter sedangkan yang lain
sebagai parameter pengganggu (nuisance parameter).
Uji Tentang Variansi

Proposisi IV.2
Untuk menguji hipotesis H :    0 melawan alternatif A :    0
digunakan uji UMP
n
1 jika  ( X i  X )2  c
 (z )   i 1
0 yang lain
c
dengan c ditentukan sehingga P (  n21  )   . 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(  n21  )  .
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

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  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   n21  22   
 1 1 
dan
c c 
P 12   n21  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   n21  22   
 1 1 
dan
c c 
P 12   n21  22    .
2 2 

Contoh IV.11
menguji hipotesis H :   2 atau   3 melawan A: 2    3
digunakan uji UMPU
n
1 jika c1  i1 ( X i  X ) 2  c 2
 (z )  
0 yang lain
dengan c1 dan c2 ditentukan berdasarkan metode trial and error oleh
c c   c   c 
P 1   n21  2   P  n21  1   P  n21  2   0,05
4 4  4  4
dan
c c   c   c 
P 1   n21  2   P  n21  1   P  n21  2   0,05 .
9 9  9  9
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
kepadatan probabilitas dari  n21 .

Uji dengan menggunakan luas ekor sama yang biasa digunakan
bukanlah merupakan uji UMPU tetapi merupakan pendekatan dari uji
UMPU untuk n   .
Uji Tentang Mean

Proposisi berikut ini banyak digunakan dalam menentukan uji mean
pada suatu populasi.
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 n1  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 n1  c)   .
Contoh IV.12
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

Untuk menguji hipotesis H :    0 melawan A :    0 digunakan
uji UMPU
1 jika t ( z )  c atau t ( z )  c (dengan c  0)
 (z )  
0 yang lain
dengan c ditentukan oleh P(t n1  c)   / 2 .
Proposisi IV.7
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.
IV.6 Perbandingan Parameter Dua Distribusi Normal
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 dan semua
2 2
parameter tidak diketahui. Misalkan   1   2 dan    1 /  2 . Akan
diuji hipotesis tentang  dan r . Bila salah satu parameter yang diamati
merupakan parameter sedangkan yang lain sebagai parameter pengganggu.
Misalkan Z  ( X 1 ,..., X m ) t dan W  (Y1 ,..., Yn ) t , z  ( x1 ,..., xm ) t dan
w  ( y1 ,..., y n ) t .
Perbandingan Variansi Dua Densitas Normal

Proposisi berikut ini digunakan untuk pengujian perbandingan
variansi antara dua populasi.
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( Fn1,m1  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( Fn1,m1  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
berdistribusi F dengan derajat bebas n  1 dan m  1 bila r diberikan.
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

parameter tidak diketahui. Untuk menguji H : r  2 melawan A : r  2
dengan   0,05 digunakan uji UMPU
n

  (Yi  Y ) 2
1 jika mi  1 c
 (z)   2
 
i 1
(Xi  X )

 0 untuk yang lain
dengan c ditentukan sehingga P( F20, 24  c0 )  0,05 dan
( 21  1)c
c0   5c / 12
( 24  1) 2
atau P( F20, 24  (5c) / 12)  P( F20, 24  12 /(5c))  0,05 .

Misalkan
1 n
 i 1
( Y1  Y ) 2
V (z, w) 
r0 .
m 21 n 2
 i 1 ( X i  X )  r  i 1
( Y1  Y )
0
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
P(c1  Beta ((m  1) / 2, (n  1) / 2  c2 )  P(c1  Beta((m  1) / 2, (n  1) / 2  c2 ).
Perbandingan Mean Dua Densitas Normal

Misalkan
Y X
t ( z , w) 
m n
i1 ( X 1  X ) 2  i1 (Y1  Y ) 2
dan dianggap  12   12   .
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 mn2  c0 )   dengan mn2
c0  c .
1 1

m n

Contoh IV.14
parameter tidak diketahui. Untuk menguji H :   0 melawan A :   0
1 jika t ( z, w)  c
 ( z , w)  
0 yang lain
dengan c ditentukan sehingga P(t15102  c0 )  0,05 dan c  c 15  10  2
0
1 1

15 10
atau c  c 23 atau c0  c 23(6) . Berdasarkan tabel distribusi t
0
10  15
150
diperoleh c 23(6)  1,7139 atau c  0,1459 . Sedangkan, untuk menguji
H :   0 melawan A :   0 digunakan uji UMPU
1 jika t ( z, w)  c
 ( z , w)  
0 yang lain
dengan c ditentukan sehingga P(t15102  c0 )  0,05 dan 15  10  2
c0  c
1 1

15 10
atau c  c 23 atau c0  c 23(6) . Berdasarkan tabel distribusi t

0
10  15
150
diperoleh c 23(6)  1,7139 atau c  0,1459 .
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 mn2  c0 )   / 2 .

Contoh IV.15
parameter tidak diketahui. Untuk menguji H :   0 melawan A :   0
1 jika t ( z, w)  c atau t ( z, w)  c
 ( z , w)  
0 yang lain
15  10  2
dengan c ditentukan oleh P(t15102  c0 )  0,025 dan c0  c
1 1

15 10
23
atau c0  c atau c0  c 23(6) . Berdasarkan tabel distribusi t
10  15
150
diperoleh c 23(6)  2,0687 atau c  0,1762 . Kuasa ujinya dapat
ditentukan berdasarkan distribusi t non central.
IV.7 Uji Likelihood Ratio

fungsi kepadatan probabilitas f ( x; ) ,     R r dan    . Misalkan
L( )  f  x1 ;  f  x2 ; ... f  xn ; 
dengan    dan
L( c )  f  x1 ;  f  x2 ; ... f  xn ; 
dengan    c . Bila  dan  c terdiri dari satu titik maka L( ) dan
L( c ) dapat ditentukan dan untuk menguji H :    melawan
A :  c ,
uji MP menolak bila nisbah kemungkinannya (likelihood ratio – LR)
L( ) / L( c )

lebih besar. Akan tetapi bila  dan  c mengandung lebih dari satu titik
maka L() dan L( c ) tidak dapat ditentukan oleh H dan A dan
metode pada pasal-pasal terdahulu tidak dapat digunakan.
Misalkan
L(ˆ )  max{L( )   }, L(ˆ c )  max{L( )    c }
ˆ )  max{L( )   } .
dan L(
ˆ ) terlalu kecil yaitu lebih kecil
Hipotesis H ditolak jika L(ˆ ) / L(
dari atau sama dengan c dan c ditentukan dari ukuran ujinya. Lemma
Fundamental Neyman-Pearson merupakan kejadian khusus dari uji LR.
Jika kuantitas L(ˆ ) dan L( ˆ ) hampir sama nilainya maka data
cenderung mendukung hipotesis bahwa yang sebenarnya terletak dalam
 yang dinyatakan dalam H . Jika tidak demikian data cenderung
mendiskreditkan H . Notasi yang digunakan adalah
L(ˆ )
 .
L( ˆ)
Di bawah H benar, statistik  ln  mempunyai distribusi
asimptotik yang diketahui. Hipotesis H ditolak jika
 2 ln   c
dengan c ditentukan berdasarkan pada  .
Teorema IV.5
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.

Contoh IV.16
Diketahui X 1 ,..., X n variabel random saling bebas dari distribusi
N ( , 2 ) .
Kasus 1 (  diketahui)
Akan diuji hipotesis H :     { 0 } dengan   R . Karena
MLE dari  adalah ̂   X maka
n
ˆ )  exp  1 
 X )2 
L (  2 2

(X
i 1
i

dan
^  1 n 
L( )  exp 2 
( X i  0 ) 2  .
 2 i 1 
Dalam hal ini lebih mudah ditentukan distribusi dari  2 ln  dari
pada  . Diperoleh
n
 2 ln   2 ( X   0 ) 2

sehingga uji LR ekuivalen dengan
n
1 jika 2
( X  0 )2  c
 (z )   
0 yang lain
dengan c ditentukan sehingga P( 12  c)   .
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

1  1 n  1
L ( ˆ )  exp    (X i  X )2   e n / 2
n n
( 2  ˆ  )  ( 2  ˆ  ) i 1  ( 2  ˆ  ) n
dan
1  1 n  1
L (ˆ )  exp    (X i  0 )2   en/2
( 2 ˆ  ) n  ( 2 ˆ  ) n
i 1  ( 2 ˆ  ) n
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

dengan
n ( X  0 )
t  t( z)  .
1 n
i 1
( X i  X )2
n 1
Hal itu berarti, jika   0 ekuivalen dengan t 2  c untuk c
konstanta tertentu. Uji LR ekuivalen dengan
1 jika t  c dan t  c
 (z )  
0 yang lain
dengan c ditentukan sehingga P(t n1  c)   / 2 .
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
mn
 
ˆ) 1 
L ( e ( m  n ) / 2 .
 2 ˆ 
  

Di bawah   {  ( 1 ,  2 , ) t 1 ,  2  R,  0} maka MLE dari
parameter adalah
1  m n  mX  nY
    X i  Y j   .
m  n  i 1 j 1

 m  n
Misalkan diset vk  xk , k  1, 2,..., m dan vmk  yk , k  1, 2,..., n .
Akibatnya
1 mn 1  m n 
V  
m  n k 1
Vk   
m  n  i 1
X i   Y j
  ˆ  .

j 1 
Hal itu berarti
1 mn
 2   (Vk  V ) 2
m  n k 1
m n
1 ^
2 2
^

mn
( (X
i 1
i   )   (Y j   ) ).
j 1
Oleh karena itu

m n
 1 
L(ˆ )   
 e ( m  n ) / 2 .
 2 ˆ  
Akibatnya
m n
 ˆ 
    
 ˆ  
dan
ˆ 
2 /( m n )  .
ˆ 
Pada sisi lain
m m 2
^ ^
2  

i 1
( X i    )   (
 i
i 1 
X  X )  ( X    )

m ^ ^
 
   ( X i  X ) 2  2( X i  X )( X    )  ( X   ) 2 
i 1  
m ^ m m ^
  ( X i  X ) 2  2( X    ) ( X i  X )   ( X    ) 2
i 1 i 1 i 1

m ^
  ( X i  X ) 2  m( X    ) 2
i 1
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  mn 
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 .
mn
Di samping itu berlaku sifat
1
2 /( m  n )  t 
  1 
 m  n  2 
dengan
mn
(X Y )
t . mn
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.

dengan c ditentukan sehingga P(t mn2  c)   / 2 dan z  ( x1 , x2 ,..., xm ) t
dan w  ( y1 , y 2 ,..., y n ) t (karena di bawah H , t berdistribusi t mn2 ).
Kasus 2
Akan diuji hipotesis H :  1   2 (=  tidak diketahui).
Di bawah   {  ( 1 ,  2 ,  1 ,  2 ) t 1 ,  2  R, 1 . 2  0} maka
MLE dari parameter adalah
1 n  1 n 
ˆ1,  X , ˆ 2,  Y , ˆ12,    ( X i  X ) 2 , ˆ 22,    (Y ji  Y ) 2  .
m  i 1  n  j 1 
Di bawah   {  ( 1 ,  2 , 1 , 2 ) t 1 ,  2  R, 1   2 ( 0)}
diperoleh
ˆ1,  ˆ1, , ˆ 2,  ˆ 2,
dan
1 m n 
 2   i ( X  X ) 2
  (Y j  Y ) 2  .
m  n  i 1 j 1 
Oleh karena itu
m n
ˆ )   1 
L (
1
e ( m  n ) / 2
2 m/2 2 n/2
 2  (ˆ ) (ˆ 2, )
1,
dan
m n
 1  1
L(ˆ )    2 ( mn ) / 2
e ( m  n ) / 2
 2  (ˆ  )
sehingga
(ˆ12, ) m / 2 (ˆ 22, ) n / 2
 
(ˆ 2 ) ( mn ) / 2

m/2
 m 
  ( X i  X )2 
( m  n ) ( m  n ) / 2  i n1 

2
  (Y j  Y ) 
  j 1 
m n (mn) / 2
 
  ( X i  X ) 2   (Y j  Y ) 2 
m m / 2 n n / 2  
i 1 j 1
n 
  (Y j  Y ) 2 
 j 1 
m/2
 1 m 
 ( m  1)  ( X i  X )2 
m  1
( m  n ) ( m  n ) / 2  i 1 

1 n
 ( n  1)  (Y j  Y ) 2 
 n  1 j 1 
 (mn) / 2
 1 m 
  ( X i  X )2 
m  1 m  1
m m / 2 n n / 2  1  i 1 

n 1 1 n
  (Y j  Y ) 2 
 n  1 j 1 
m/2
 m 1 
(m  n)( mn) / 2  f
 n 1 
 ( mn) / 2
 m 1 
m m / 2 n n / 2 1  f
 n 1 
dengan
1 m
m  1
i1 ( X i  X ) 2
f  .
1 n 2

n  1 j 1
( Y j  Y )
Uji LR menolak H bila   0 akan ekuivalen dengan uji F

yang menolak H jika g ( f )  c untuk c tertentu dan
2
 m 1 
 f
g( f )   n 1  .
( mn ) / 2
 m 1 
1  f
 n 1 
m(n  1)
Nilai maksimum g ( f ) dicapai bila f  . Dalam hal ini
n(m  1)
g ( ) dan g(f)  0 untuk f   . Oleh karena itu g ( f )  c jika dan

hanya jika f  c1 atau f  c2 untuk c1 dan c2 tertentu. Karena F
berdistribusi Fm1,n1 di bawah H maka c1 dan c2 ditentukan sehingga
P( Fm1,n1  c1 atau Fm1,n1  c2 )  
dan g (c1 )  g (c2 ) . Secara praktis c1 dan c2 ditentukan sehingga masing-
masing ekor dari distribusi Fm1,n1 mempunyai probabilitas  / 2 yaitu
P( Fm1,n1  c1 )  P( Fm1,n1  c2 )   / 2.

SOAL-SOAL & PEMBAHASAN
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
dengan c0 ditentukan oleh E[ ( x)]  P( X  c0 )  0,05 . Varibel random

X1, X2, . . . , Xn saling bebas dan berdistribusi N(0, 9) maka X
berdistribusi N( 0, 9/16) sehingga
P( X  c 0 )  0,05
X  0 c0  0
P(  )  0,05
3/ 4 3/ 4
4c
P( Z  0 )  0,05
3
Berdasarkan tabel distribusi normal baku diperoleh sehingga c0 = 1,23.
Kuasa ujinya adalah
X  1 1,23  1
P( X  1,23)  P(  )
3/ 4 3/ 4
 P( Z  0,1725)
 0,5685.
Hal itu berarti bila θ =1 maka probabilitas menolak hipotesis nol H adalah
0,5685.
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

saling bebas dan masing-masing berdistribusi X serta dianggap bahwa
X = 1730 jam. Ujilah hipotesis H :  = 1800 melawan alternatif
A :  < 1800
pada tingkat keberartian  = 0,01.
Pembahasan
Untuk menguji hipotesis H :  = 1800 melawan alternatif A :  < 1800
pada tingkat keberartian  = 0,01 digunakan uji MP :
 (x)   1 jika X  c
0 jika X  c
dengan c ditentukan sehingga P( X < c) = 0,01 dan X  N (1800, 1502).

Karena P( X < c) = 0,01 maka P ( X 150
1800
 c 150
1800
) = 0,01 atau
c  1800
P( Z  )  0,01.
150
Berdasarkan tabel distribusi normal diperoleh c 150
1800
= -2,33 atau
C = 1800 + (150)( - 2,33) = 1450,5.
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

10 n
   1 1n 
  0  exp     xi 
 0    1  0  i 1 
Logaritma natural dari R(x; θ0; θ1) adalah

   1 1 n
ln R ( x ; 0 ;1 )  10n ln 0      xi
  1    1  0  i 1
dengan θ0 < θ1. Karena θ0 < θ1 maka 10  11 sehingga 11  11  0 atau
 ( 10  11 )  0. Oleh karena itu R(x; θ0, θ1) > c ekuivalen dengan
ln R( x ; 0 ;1 )  ln c atau
   1 1  n
10 n ln  0       x i  ln c
  1    1  0  i 1
 1 1  n  
     x i  ln c  10 n ln  0 
  1  0  i 1  1 
n
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

n
E[ ( x)]  P( xi  c 0 )   .
i 1
n
Bila θ0 = 2 dan θ1 = 3 maka  i 1
X i  Gamma(300,2) sehingga
n
P ( i 1
X i  c) = 0,05.
Akibatnya c0 = 658,09. Kuasa ujinya adalah

n
P(i 1 X i  658,09)  1
n
dengan  i 1
X i  Gamma(300,3).
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
 20
1 0
n
2
n
2  X i
sehingga akan ekuivalen dengan X i  k2 . Karena i 1
2
i 1  0
berdistribusi 2(n) di bawah hipotesis H benar maka uji MP ukuran 

akan berbentuk
n
2
 Xi
( x1, x2, ...., xn ) = 1 jika i 1
  2(n)
 02
n
2
X
i 1
i
= 0 jika 2
  2(n) .
0

Soal IV.5
Diketahui X1, X2, . . . , Xn adalah sampel random dari distribusi yang
mempunyai fungsi kepadatan probabilitas
f ( x; )  exp[  ( xi  )]
untuk x > . Tentukan uji UMP untuk hipotesis H :   0 melawan
alternatif A :  > 0 dengan 21 > 20 .
Pembahasan
Karena fungsi kepadatan probabilitas dari X adalah
f ( x; )  exp[  ( xi  )]
maka fungsi kepadatan probabilitas bersamanya adalah
n
f ( x1 , x2 , ......., xn ; )   f ( xi ; )
i 1
 exp ( xi  ) untuk xi > 

  n 
f ( x1 , x2 , ......., xn ; )  exp   ( xi   )  untuk x(1) > 
  i 1 
Karena 1 < 2 maka
f ( x ; 2 )
 exp[ n( 2  1 )] untuk x(1) > 2,
f ( x;1 )
=0 untuk 1 < x(1)  2.
Dengan menggunakan rasio tersebut maka rasio tersebut tidak turun
sehingga uji UMP ukuran  dapat dinyatakan dengan
( x1, x2, ...., xn ) = 1 jika X (1)  k
= 0 jika X (1)  k
ln (  )
dengan PH[ X(1) ≥ k ] = exp[ - n (k -  )] = . Akibatnya k 0  .
n
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.

Pembahasan
Berdasarkan definisi  diperoleh
 = P( kesalahan tipe I)
= P( menolak H ketika H benar)
= P( nilai statistik uji dalam RR ketika H benar)
= P( Y ≤ 2 ketika p = 0,5).
Karena Y berdistribusi binomial dengan n =15 maka ketika H benar yaitu
ketika p = 0,5, diperoleh
2
15  15  15  15 
     0,5 y 0,515 y    0,515    0,515    0,515  0,004.
y 0 0  0 1 2
Hal itu berarti bahwa jika digunakan daerah penolakan RR = { y ≤ 2 }
maka beresiko sangat kecil yaitu  = 0,004.
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.

Soal IV.8
Berdasarkan pada Contoh IV.6, hitung nilai  jika Jono akan memperoleh
10 % dari pemilih (yaitu p = 0,1).
Pembahasan
Akan dihitung  ketika p = 0,1 (nilai tertentu p dalam H) yaitu
 = P( kesalahan tipe II)
= P( menerima H ketika H benar)
= P( nilai statistik uji tidak dalam RR ketika p = 0,1 )
= P( Y > 2 ketika p = 0,1)
15 15
 
    0,1y 0,915  y
y 3  y 
= 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)

15 15
 
    0,3 y 0,715 y
y 3  y 
= 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}

sebagai daerah penolakan. Berdasarkan data di atas diperoleh
^
p  p0 0,15  0,10
Z  1,667.
p0 (1  p0 ) / n 0,1(0,9) / 100
Karena nilai pengamatan dari Z tidak berada dalam daerah penolakan
maka kita tidak dapat menolak H : p = 0,10 artinya kita menyimpulkan
bahwa pada tingkat keberartian  = 0,01, sampel yang diamati tidak
mendukung keputusan tersebut.
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

Misalkan dianggap bahwa diameter komponen yang diukur
berdistribusi normal. Statistik uji yang sesuai dengan hal ini adalah
(n  1) S 2
X2 2

2
yang berdistribusi  dengan derajat bebas n – 1 = 10 – 1 = 9. Uji ini
merupakan uji satu sisi dan hipotesis nol ditolak jika statistik uji tersebut
lebih besar dari tabel yaitu 16,919 untuk tingkat keberartian  = 5 %.
Dari pengamatan, diperoleh
(n  1) S 2 9(0,0003)
X2  13,5
 02 0,0002
sehingga lebih kecil dari titik kritis 16,919. Hal itu berarti hipotesis nol
H0 diterima sehingga tidak cukup bukti untuk menunjukkan bahwa
melampai 0,0002 dengan tingkat keberartian  = 5 %.
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.14
Diinginkan membandingkan variabilitas dari diameter komponen yang
dihasilkan oleh perusahaan dalam Soal IV.13. Perlu diingat kembali
bahwa variansi sampel adalah s12 = 0,0003 untuk n = 10. Tetapi, variansi
dari sampel diameter komponen pesaingnya adalah s22 = 0,0001. Apakah
data cukup menyediakan informasi untuk menunjukkan bahwa variansinya
sama dengan variansi sampel dari diameter komponen pesaingnya?
Gunakan tingkat keberartian  = 5 % ?
Pembahasan
Akan diuji hipotesis nol H : 12 = 22 melawan alternatif A : 12  22.
Statistik uji yang digunakan didasarkan statistik
2
s
F  12
s2
yang berdistribusi F dengan derajat bebas pembilang v1 = 9 dan derajat
bebas penyebut v2 = 19. Hipotesis nol akan ditolak jika F hasil
perhitungan lebih besar dari titik kritis F0,05 yaitu 2,42. Berdasarkan
pengamatan, diperoleh
2
s1 0,0003
F 2  3.
s2 0,0001
Karena nilai F hasil perhitungan lebih besar dari Ftabel yaitu 2,42 maka
hipotesis nol ditolak dengan tingkat keberartian  = 5 % sehingga
variansi diameter komponen pertama lebih besar dari pada variansi
diameter komponen kedua (pesaingnya).
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* }

dengan k* = k/2. Karena tingkat keberartiannya  = 0,05 maka nilai k*
ditentukan sehingga
0,05 = P( X dalam RR ketika  = 2 )
= P( X < k* ketika  = 2 )
k*
  2 x dx
0
= (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.

LATIHAN
1. Dalam contoh berikut ini, tunjukkan mana pernyataan yang

merupakan hipotesis sederhana dan yang mana yang merupakan
hipotesis komposit :
a. X variabel random yang mempunyai fungsi kepadatan
probabilitas f dengan f ( x)  2e 2 x untuk x > 0.
b. X adalah variabel random yang mempunyai harapan sama
dengan 5.
c. Ketika melakukan pelemparan sebuah mata uang logam,
misalkan X variabel random yang mempunyai nilai 1 jika muka
yang tampak dan 0 jika belakang yang tampak. Pertanyaannya
adalah apakah mata uangnya bias ?
2. Diketahui X variabel random berdistribusi Binom(n, θ) dengan
θ  Ω = (0,1).
a. Tentukan uji UMP untuk pengujian hipotesis H : θ  θ0
melawan alternatif A : θ > θ0 pada tingkat keberartian .
b. Bagaimana uji tersebut bila n = 10, θ0 = 0,25 dan  = 0,05 ?
c. Hitunglah kuasa uji pada θ1 = 0,375, 0,5, 0, 0,625 dan 0, 0875.
3. Diketahui X1, X2, . . . , Xn variabel random saling bebas yang
f(x; θ) = 1 e  x / 
untuk x > 0 dengan θ  Ω. Tentukan uji UMP untuk pengujian
hipotesis H : θ  θ0 = melawan alternatif A : θ < θ0 pada tingkat
keberartian .
4. Diketahui variabel random X1, X2, . . . , Xn berdistribusi N(0,  2 ).
Tentukan uji hipotesis H :   2 melawan alternatif A :  > 2 pada
tingkat keberartian  = 0,05. Apa kesimpulan yang diperoleh jika
n
 i 1
xi2  120.
5. Diketahui variabel random yang saling bebas dan berdistribusi
N(0,  2 ). Tentukan uji UMP untuk pengujian hipotesis H :  = 0

melawan alternatif A :   0 pada tingkat keberartian . Tentukan
uji tersebut bila n = 25, 0 = 2,  = 0,05.
6. Jika adalah variabel random saling bebas dan berdistribusi N(0,  2 )
maka tentukan uji LR dengan uji berdasarkan pada – 2 ln  untuk
pengujian hipotesa H :  = 0, untuk yang pertama jika  diketahui
dan untuk yang kedua jika  tidak diketahui.
7. Diketahui X i , i  1, 2, 3, 4 dan Yi , i  1, 2, 3, 4 sampel random saling
bebas dan masing-masing dari distribusi N ( 1 ,  12 ) dan N (  2 ,  22 ) .
Jika diketahui bahwa 1 = 4 dan 2 = 3 dan data observasi dari X dan
Y adalah sebagai berikut :
xi  10,1, x2  8,4, x3  14,3, x4  11,7,
y1  9, y2  8,2, y3  12,1, y4  10,3.
8. Uji hipotesis bahwa perbedaan dua mean tidak lebih dari 1
pada tingkat keberartian  = 0,05.
Misalkan X1, X2, X3 variabel random saling bebas dan berdistribusi
Binom(1, θ).
a. Uji hipotesis pada tingkat keberartian  dengan menggunakan
statistik LR dan tentukan distribusinya.
b. Bandingkan uji LR dengan uji UMPU untuk pengujian H
melawan A : p  0,25.
9. Misalkan diketahui X mempunyai fungsi kepadatan probabilitas
f(x ; ) =  x  - 1 jika 0 < x < 1 dan 0 untuk yang lain.
a. Berdasarkan sampel random ukuran n = 1, tentukan uji MP
dari H :  = 1 melawan A :  = 2 dengan  = 0,05.
b. Hitunglah kuasa dari uji pada (a) untuk alternatif  = 2.
10. Misalkan sampel random ukuran n dari distribusi diskrit dengan
fungsi probabilitas
f (x;) 
 / (   1 ) x
 1
dengan x = 0, 1, 2, ..... dan  > 0. Tentukan uji UMP dari hipotesis
H :  = 0 melawan alternatif A :  > 0 .
*****

BAB V
DAERAH KEPERCAYAAN
Dalam bab ini, akan dibahas tentang estimasi interval dengan

menggunakan metode pivot untuk kasus dengan atau tanpa munculnya
parameter nuisans. Metode ini juga dapat digunakan pada kasus penentuan
daerah kepercayaan. Demikian juga, diberikan hubungan antara estimasi
interval dengan pengujian hipotesis.
V.1 Interval Kepercayaan

Misalkan X1, X2,… Xn variabel random saling bebas dengan fungsi
kepadatan probabilitas  (х ;),     Rr.
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 .

Interval random [ L(X1, X2,…,Xn), U(X1, X2,…, Xn) ] adalah interval
kepercayaan untuk  dengan koefisien kepercayaan 1  jika probabilitas
paling sedikit 1  interval random
[ L (X1, X2,…,Xn), U (X1, X2,…, Xn) ]
mengandung parameter  dengan   .
Interval dari pernyataan tersebut adalah : misalkan eksperimen
random dilakukan n kali dan jika хi adalah nilai pengamatan Xi, untuk
i = 1, 2, …., n. Bila dikonstruksikan interval
[L (X1, X2,…,Xn), U (X1, X2,…, Xn)]
dan proses tersebut diulangi secara independen N kali hingga diperoleh N
interval. Bila N membesar maka paling sedikit (1 ) N dari N interval
akan mengandung parameter  yang sebenarnya. Panjang interval
kepercayaan adalah
l = l (X1, X2,…,Xn) = U (X1, X2,…, Xn) – L (X1, X2,…,Xn)
dan harapan panjangnya adalah E[l] jika harapannya ada.
Dimungkinkan terdapat lebih dari satu interval kepercayaan untuk
 dengan koefisien konfidensi 1 . Untuk itu diinginkan untuk mencapai
interval kepercayaan yang mempunyai panjang minimum di antara kelas
interval kepercayaan. Prosedur umum untuk mengkonstruksikan interval
kepercayaan adalah sebagai berikut : dimulai dari variabel random.
Tn ( ) = T (X1, X2,…,Xn;  )
yang tergantung pada X hanya melalui statistik cukup  yang distribusinya
dapat ditentukan dengan pasti L(X1, X2,…,Xn) dan U (X1, X2,…,Xn) fungsi
yang sederhana dari Tn ( ) yang dipilih dengan alasan yang jelas.
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

P(a  N (0,1)  b) = 1  (*)
n ( X  )
P(a   b) = 1 

 
P( X – b  X -a ) = 1 .
n n
Oleh karena itu
 
[ X–b  X -a ] (**)
n n
adalah interval kepercayaan untuk  dengan koefisien kepercayaan 1 .
Panjang interval tersebut adalah
(b  a)
l= .
n
Interval kepercayaan yang memenuhi (**) dengan panjang interval
terpendek sehingga b dan a memenuhi (*).
Dapat ditunjukkan bahwa l terpendek bila b = c (c > 0) dan a = – c
dengan c adalah kuantil atas dari distribusi N(0,1) yang dinotasikan
dengan Z/2. Oleh karena itu interval kepercayaan terpendek untuk 
dengan koefisien konfidensi 1  adalah
   
 X  Z 2 n , X  Z 2 n  .
 
Kasus 2 Jika  diketahui dan  parameter

Misalkan
nS n2
Tn ( 2 ) 
2
2 1 n
dengan S n   ( X i   ) 2 . Berarti Tn tergantung pada 2 hanya melalui
n i 1
statistik cukup S n2 dari 2 dan distribusi  n2 untuk semua 2. Akan
ditentukan a dan b dengan a < b sehingga
P(a   n2  b) = 1  (***)
nS n2
P(a   b) = 1 
2

nS n2 nS n2
P(    ) = 1 
2 2
2 2
sehingga  nS 2n , nS 2n  adalah interval kepercayaan untuk 2 dengan
 
   
koefisien kepercayaan 1  yang panjangnya adalah
1 1
l =    n S n2 .
a b
Harapan panjang intervalnya adalah
 1 1    1 1   1 1
E[l] = E   nS n2  = E   nS n2 2  =   n 2 .
 a b    a b   a b
Meskipun terdapat tidak terhingga banyak pasangan a dan b yang
memenuhi (***), tetapi secara praktis biasanya dipilih a dan b sehingga
luas ekornya adalah /2.
Akan tetapi hal ini bukanlah pilihan yang terbaik karena interval
yang terbentuk bukanlah interval yang terpendek. Misalkan b = b(a) yaitu
1 1
b sebagai fungsi dari a. Karena l =    n S n2 maka a penyebab l
a b
dl
terpendek akan memenuhi = 0 atau
da
dl 1 1 db
=  2 2 =0
da a b da
db b2
yaitu = 2 . Bila Gn dan gn masing-masing adalah fungsi distribusi
da a
dan fungsi kepadatan probabilitas dari χ 2n maka Gn(b) – Gn(a) = (1 )
sehingga
dGn (b) dGn (a) d
 = (1 )
da da da
atau
dGn (b) db
 g n (a) = 0
da da
atau
db
g n (b)  g n (a ) = 0.
da

db g n (a)
Hal itu berarti  . Akibatnya a2gn(a) = b2gn(b) sehingga a dan b
da g n (b)
b
ditentukan sehingga a2gn(a) = b2gn(b) dan a2gn(a) =  g n (t )dt = (1 ).
a
Sebagai contoh, untuk n = 25,  = 1 dan 1  = 0,95 sehingga Z/2 = 1,96.

Hal itu berarti interval kepercayaan 95% untuk  adalah
X  0 , 392 , X  0 , 392 .
Bila digunakan ekor yang sama diperoleh a = 13,120 dan b = 40,646 maka
interval kepercayaan 95% untuk 2 adalah
2
 25S 25 25S 252 
 , .
 40,646 13,120 
Pada sisi lain, interval % terpendek untuk 2 adalah
2 2
 25S 25 25S 25 
 , 
 45,7051 14,2636 
dengan rasio panjang antara kedua interval tersebut mendekati 1,068.
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 .
berdistribusi chi-kuadrat dengan derajat bebas 2rn untuk semua  > 0.

Akan ditentukan a dan b dengan a < b sehingga P(a ≤ χ 22 m ≤ b) = (1 ).
Diperoleh
 2 n 
P a   X i  b  1  
  i 1 

 
 
1  1
P   n    1  
a b
 2 X i 
 i 1 
 n Xi 
n
X i 
P  i  1   i 1
  1   .
 a b
 
Oleh karena itu interval konfidensi dengan koefisien konfidensi 1 
adalah
 2n X i 2n X i 
i 1 i 1
 , .
 b a 
 
Panjang interval kepercayaan adalah
1 1 n
l =     Xi
 a b  i 1
1 1  n 2Xi  1 1
dengan harapan E[l] =     = E   = 2rn    . Prosedur
a b  i 1   a b
untuk menentukan interval kepercayaan dengan panjang terpendek analog
pada Contoh V.1, yaitu dipilih a dan b sehingga a2gn(a) = b2gn(b) dan
b
 g 2 rn (t )dt = (1 ).
a
Untuk n = 7, r = 2 dan 1  = 0,95 diperoleh a = 16,5128 dan b = 49,3675

dan interval kepercayaan dengan panjang terpendek adalah
 2n X i 2n X i 
i 1 i 1
 , 
 49,3675 16,5128 
 
sedangkan interval kepercayaan dengan luas ekor sama adalah
 2n X i 2n X i 
i 1 i 1
 , 
 44,461 15,303 
 
dengan rasio panjang antar dua interval tersebut mendekati 1,075.

Contoh V.3
Misalkan X1, X2, …, Xn variabel random saling bebas dari distribusi Beta
n
dengan parameter  = 1 dan  =  tidak diketahui. Karena  i 1
X i atau
n
– i 1 ln X i merupakan statistik cukup untuk . Karena setiap Xi
berdistribusi Beta dengan  = 1 dan  =  maka Yi = 2 ln X i
berdistribusi chi-kuadrat dengan derajat bebas 2 sehingga dengan
mengingat X1,…, Xn saling bebas diperoleh bahwa
n
Tn() = –2 ln X
i 1
i
berdistribusi chi-kuadrat dengan derajat bebas 2n. Akan ditentukan a dan

b dengan a < b sehingga
P(a ≤ χ 22 n ≤ b) = 1 
n
P(a ≤ –2  ln X
i 1
i ≤ b) = 1 
a b
P( n
≤≤ n
) = 1 
 2i 1 ln X i  2i 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

n
gn(yn) = n
y nn1

untuk 0 ≤ yn ≤ . Akan ditentukan a dan b dengan sifat 0 ≤ a < b ≤ 1
sehingga
Y b
P (a  n  b)   nt n1 dt = bn – an= 1  .
 a
 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 n1 dl a n1  b n1 dl
Karena = n1 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)].
V.2 Interval Kepercayaan Bila Muncul Parameter Nuisans
Contoh-contoh berikut ini menjelaskan bagaimana menentukan

interval kepercayaan bila muncul parameter nuisans.
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

n(X  )
Tn ( ) =
S n1
dengan
1 n
S n21 =  ( X i  )2 .
n i1
Statistik Tn-1() tergantung pada X1,…, Xn hanya melalui statistik cukup
( X n , S n21 ) dari (2)t. Karena berdistribusi t dengan derajat bebas n-1
maka diperoleh interval kepercayaan berbentuk
 S n1 S 
X n  b , X n  a n1  .
 n n
Dengan alasan yang sama seperti pada Contoh V.1 diperoleh interval
kepercayaan dengan panjang terpendek yaitu
 S n1 S 
 X n  t n1; 2 , X n  t n1; 2 n1 
 n n
dengan t n1; 2 adalah kuantil atas dari distribusi t dengan derajat bebas
n – 1. Untuk n = 25 dan  = 0,96 interval kepercayaan yang bersesuaian
dengan  diambil dengan t 24;0, 025 = 2,0639 sehingga diperoleh
X n  0,41278S 24 , X n  0,41278S 24  .
Kasus 2
Akan dikonstruksikan interval kepercayaan untuk 2. Misalkan
2 (n  1)nS n21
Tn ( )  .
2
Karena Tn(2) berdistribusi chi-kuadrat dengan derajat bebas n – 1 maka
dengan menggunakan alasan seperti pada Contoh V.1 diperoleh interval
kepercayaan untuk 2 yaitu
 (n  1)nS n21 (n  1)nS n21 
 , 
 b a 
dan interval kepercayaan terpendek diambil bila a dan b memenuhi
a2gn(a) = b2gn(b)
dan

b
 g n1 (t ) dt = 1 .
a
Untuk n = 25 dan 1  = 0,95 diperoleh a = 13,5227 dan b = 44,4802

yang bersesuaian dengan
0 ,539 S 2
24 
, 1, 775 S 242 .
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 m1  (n  1) S n1  1 1 
 
a  X m  Yn  t m n2;  / 2
m  n2
  
m n
dan
2 2
(m  1) S m1  (n  1) S n1  1 1 
 
b  X m  Yn  t m n2;  / 2
m  n2
  .
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 n1
  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

P(a ≤ Fn-1;m-1 ≤ b) = 1 
 12 S m2 1
P(a ≤ ≤ b) = 1 
 22 S n21
S m2 1  12 S m2 1
P(a ≤ ≤ b ) = 1 .
S n21  22 S n21
 12
Oleh karena itu interval kepercayaan untuk adalah
 22
 S m2 1 S m2 1 
a 2 , b 2  .
 S n1 S n1 
Khususnya untuk interval kepercayaan yang mempunyai ekor sama
dinyatakan dengan
 S m2 1 S m2 1 
F
 n1;m1; 2 2 , F 
n 1; m 1; 2 
 S n1 S n21 
dengan Fn1;m1; 2 dan Fn1;m1; 2 masing-masing adalah kuantil /2 atas dan
bawah dari Fn-1;m-1. Bila titik Fn1;m1; 2 tidak dapat dibaca dari tabel
distribusi F maka titik Fn1;m1; 2 dapat dihitung dengan cara
Fn1;m1; 2 = 1 Fn1;m1; 2
untuk m, n dan 1  seperti di atas diperoleh dan sehingga interval
 12  S 212 S 212 
kepercayaan untuk adalah  0,3171 2
, 0, 2388 2 
.
 22  S13 S13 
V.3 Interval Kepercayaan dan Interval Kepercayaan Pendekatan
Konsep interval kepercayaan dapat diperumumkan menjadi daerah

kepercayaan untuk parameter multi-dimensi.
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

P(–c ≤ N (0,1) ≤ c) = 1  
dan P(a ≤ χ 2n1 ≤ b) = 1   . Diperoleh
n ( X  ) (n  1) S n21
P(–c ≤ ≤ c, a ≤ ≤ b) = 1 
 2
n ( X  ) (n  1) S n21
P(–c ≤ ≤ c)  P(a ≤ ≤ b) = 1 
 2
2
c 2 2 (n  1) S n1 2 (n  1) S n21
P( (   X n ) ≤ , )≤ ≤ ≤ b) = 1  .
n b2 2
Misalkan X1, X2,…, Xn variabel random dengan mean  dan variansi 2.
Dengan menggunakan Teorema Limit Pusat diperoleh
n ( X  )
∼ N (0,1) .

Jika dianggap bahwa diketahui maka interval kepercayaan untuk 
dengan koefisien kepercayaan mendekati 1  adalah
   
 X  Z 2 , X  Z 2 
 n n
asalkan n  ∞. Misalkan  juga tidak diketahui. Karena
n
S n2 = (X i  X n )2   2
i 1
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

koefisien kepercayaan mendekati 1 . Karena S n2 = X n (1  X n ) maka
dengan hasil di atas diperoleh interval kepercayaan untuk  berikut
 X n (1  X n ) X n (1  X n ) 
 X  Z 2 , X  Z 2 .
 n n 
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
V.4 Hubungan antara Uji Hipotesis dan Interval Kepercayaan
Terdapat hubungan erat antara pengkonstruksian interval

kepercayaan dan pengujian hipotesis. Misalkan variabel random saling
bebas dengan fungsi kepadatan probabilitas  (х ;),     Rr. Untuk
setiap *  , akan diuji hipotesis H(*) :  = * pada tingkat  dan A
(*) menyatakan daerah penerimaan dalam Rn. Misalkan
Z = (X1, X2,…, Xn)t
dan z = (x1, x2,…, xn)t didefinisikan daerah T(z) dalam  sebagai
T(z) = {  |z }.
Dengan kata lain, T (z) adalah himpunan bagian dari  dengan sifat :
berdasarkan pada baris z, setiap H() diterima bila  T(z) yaitu
z    T(z).
Oleh karena itu
P( T(z)) = P(z A()) ≥ 1 ,
sehingga T(z) adalah daerah kepercayaan untuk  dengan koefisien
kepercayaan 1 .

Teorema V.1.
Misalkan variabel random saling bebas dengan fungsi kepadatan
probabilitas  (х ;),     Rr. Untuk setiap   , misalkan masalah
pengujian hipotesis pada tingkat  dan didefinisikan T(z) oleh
T(z) = {   | z  A () }
maka T(z) adalah daerah kepercayaan untuk  dengan koefisien
kepercayaan 1 .

SOAL-SOAL & PEMBAHASAN
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  


atau P( Ra  1
  Rb )  1   atau P( Rb    Ra )  1   . Hal itu berarti
bahwa interval kepercayaan untuk  adalah [R/b, R/a].
Soal V.3
Diketahui X1, X2, . . . , Xn variabel random saling bebas dan mempunyai
1
f ( x ; )  e  x / 

untuk x > 0. Tentukan interval kepercayaan untuk θ dengan koefisien
kepercayaan 1 - .
Pembahasan
n
Karena 2 X i berdistribusi 2 dengan derajat bebas 2 maka  i  1 i

2 X
 
2
berdistribusi  dengan derajat bebas 2n sehingga untuk menetukan
interval kepercayaan untuk θ dilakukan dengan menentukan  dan b
sehingga
P(a  X 2nn  b)  1  
n
2i1 X i
P(a   b)  1  

1  1
P(  n
 )  1.
a i1 X i b
Dalam hal ini a dan b ditentukan sehingga a 2 g 2 n (a )  b 2 g 2 n (b) dan
b
 g 2 n (t ) dt  1  
a
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

Karena berdistribusi seragam (0, θ) maka berdistribusi seragan pada (0, 1)
sehingga Y  ( X ( n )  X (1) ) /  akan mempunyai fungsi kepadatan
probabilitas
f ( y)  n( n1) y n2 (1 y ) untuk 0  y 1

0 untuk yang lain .
Interval kepercayaan untuk θ ditentukan dengan menentukan a dan b
sehingga
X ( n )  X (1)
P(a   b)  1   .

dengan Y  ( X ( n )  X (1) ) /  mempunyai fungsi kepadatan probabilitas
seperti tersebut di atas. Akibatnya
a X  X (1) 1
P(  ( n )  )  1
b  b
X  X (1) X  X (1)
P( ( n )    (n) )  1
b a
R R
P(    )  1   .
b a
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.

Pembahasan
1. Fungsi distribusi dari X(1) adalah
x
F ( x ; )   f ( t ) dt

x
  e  ( t  ) dt

x 
  e  u du
0
 [  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 

 a b 
P  Y       Y   1  
 2n 2n 
 a b 
P Y     Y   1  
 2n 2n 
 b a 
P Y     Y   1   .
 2n 2n 
Soal V.6
Diketahui variabel random X1, X2, . . . , Xn saling bebas dan mempunyai
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
Dalam hal ini g 2 n (t ) adalah fungsi kepadatan probabilitas dan variabel

random yang berdistribusi chi-kuadrat dengan derajat bebas 2n.

Soal V.7
Diketahui X1, …, Xm sampel random dari populasi N ( 1 ,  12 ) dan Y1, ... ,Yn
2 2
sampel random dari populasi N (  2 , 22 ) dengan  1 dan  2 diketahui.
Tentukan interval kepercayaan untuk 1   2 .
Pembahasan
( X m  Y n )  ( 1   2 )
T ( 1   2 ) 
 12  2 2

m n
Karena X1, X2, X3, . . . , Xm sampel random dari populasi N ( 1 ,  12 ) maka
_ 2
m 
Xm  1
m  i 1
X i berdistribusi N ( 1 , m1 ) dan karena Y1, Y2, . . . , Yn sampel
_
n
random dari populasi N (  2 , 22 ) maka Yn  1
n  Y berdistribusi
i 1 i
2 2 2
N (  2 , n2 ) sehingga X m  Yn berdistribusi N ( 1   2 , m1  n2 ). Akibatnya T
berdistribusi N(0, 1). Interval kepercayaan untuk 1   2 ditentukan
dengan cara menentukan a dan b sehingga P(a ≤ T ≤ b) = 1 – α. Akibatnya
 
 
 ( X m  Yn )  (  1   2 ) 
P a   b  1  
2 2
 1  2 
  
 m n 
  12  2 2  1 2  2 2 
P a   ( X m  Yn )  (  1   2 )  b  1  
 m n m n 
 
  12  22  12  22 
P a   ( X m  Yn )   (  1   2 )  b   ( X m  Yn )   1  
 m n m n 
 
 1
2
2
2
1
2

2 
P  a  (X m  Yn )  1   2   b  2
 (X m  Yn )   1  
 m n m n 
 

  12  2 2  12  2 2 
 
P X m  Yn  b

m

n
 1   2  X m  Yn  a
m

n 

1   
 
Dalam hal ini a dan b ditentukan sehingga (b)   (a)  1   .
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
 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 i1 (Yi  2 ) 2 .
2
m i 1 n i 1
mS m2
Karena X1, ….. , Xm sampel random dari populasi N ( 1 ,  12 ) maka  12
berdistribusi  m2 dan karena Y1, . . . , Yn sampel random dari populasi

2
nSn
N (  2 ,  22 ) maka 2
berdistribusi  n2
2
2
nS n
2
 12 S n  22n
 2
T 1 / 2
2
  2 2
 2 S m mS m 2
 12 m
berdistribusi Fn,m. Karena t berdistribusi Fn,m maka interval kepercayaan
untuk dapat ditentukan dengan menentukan a dan b sehingga
P ( a  Fn , m  b) 1  
P ( a  T  b) 1  
 12 S n 2
P( a   b)  1  
 22 Sm2

2 2
Sm  12 Sm
P( a 2
  b ) 1   .
Sn  22 Sn
2
 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

   
P X  b  X a  1  
 n n
Interval kepercayaan untuk μ adalah
   
X b n , X  a n 
 
sedangkan interval kepercayaan terpendek untuk μ adalah
   
 X  Z / 2 n , X  Z / 2 n 
 
dengan Z  / 2 adalah kuartil 1 – α / 2 untuk distribusi N(0,1).
2. Jika n = 100, σ = 1, α = 0,05 maka interval kepercayaan untuk μ
adalah x  1,96 101 , x  1,96 101  atau x  0,196, x  0,196.
3. Panjang interval dapat dinyatakan sebagai

l  2Z /2
n
1
0 ,1  2 (1, 96 )
n
n  2 (1, 96 )  39 , 2
n  1600 .
Soal V.10
Diketahui X1, X2, . . . , Xm variabel saling bebas dan mempunyai fungsi
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
maka Xi berdistribusi Gamma(1, 1 ) untuk i = 1, 2, …, n sehingga i11

2 Xi
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

untuk y < 0 maka Yi berdistribusi Gamma (1,  2 ) untuk i = 1, 2, …, n
n
2  Yi 2
sehingga i 1 berdistribusi  2n . Dibentuk statistik
2
n
2 i 1 Yi
n 2
T (1 /  2 )  m
.
2 i 1 X i
m1
Dalam hal ini T ( 1 /  2 ) berdistribusi F dengan derajat pembilang n dan

derajat bebas penyebut m. Untuk menentukan interval kepercayaan untuk
dilakukan dengan menentukan a dan b sehingga
P (a  F2 n , 2 m  b)  1   .
Akibatnya
n
 2i 1Yi 
 
 n 2 
P a  m
 b  1  
 2i 1 X i 
 
 m1 
  
P a X  1  b X  1  
 2 
Hal itu berarti interval kepercayaan untuk 1 /  2 adalah [a X , b Y ].

LATIHAN
1. Sampel ukuran 25 dari populasi yang berdistribusi normal dengan

variansi 81 diperoleh sampel meannya adalah 81,2. Tentukan
interval kepercayaan 95% untuk mean populasi.
2. Dimiliki sampel random ukuran 25 diambil dari distribusi
N (0,  2 ) . Konstruksikan interval kepercayaan untuk  2 dengan
koefisien kepercayaan 90%.
3. Dimiliki sampel 0,3915, 0,1034, 0,6858, 0,7626, 0,0041, yang
diambil dari distribusi eksponensial dengan mean θ1 dan sampel
0,7731, 0,5909, 0,3267, 0,1477, 0,0322 yang dimulai dari
distribusi eksponensial dengan mean θ2. Dikonstruksikan interval
kepercayaan untuk 1 /  2 dengan koefisien kepercayaan 90%.
4. Misalkan X1, X2, . . . , Xn variabel random yang mempunyai
distribusi eksponensial negatif dengan parameter θ  Ω = (0,  )
dan anggap bahwa n besar. Gunakan teorema limit sentral untuk
mengkonstruksikan interval kepercayaan untuk θ dengan koefisien
kepercayaan mendekati 1 – α.
5. Diketahui X1, X2, . . . , Xn sampel random dari populasi N (  ,  2 ) .
a. Jika diketahui 2 = 9 maka tentukan interval kepercayaan 90 %
untuk yang didasarkan pada sampel dengan n =16 dan X 19.3 .
b. Jika diinginkan memperoleh interval kepercayaan satu sisi
bawah dengan koefisien kepercayaan 90 % maka tentukan batas
bawahnya.
6. Diketahui X1, X2,.., Xn sampel random dari populasi eksponensial
dengan parameter . Jika diketahui n = 50 dan X 17.9 maka
tentukan interval kepercayaan satu sisi bawah dengan koefisien
kepercayaan 95 %.
Gamma( ,  ) dengan  diketahui. Tentukan interval kepercayaan
100(1 -  ) % untuk  berdasarkan statistik cukupnya.

8. Misalkan X variabel random yang berdistribusi Geometrik dengan
parameter p. Tentukan interval kepercayaan untuk p yang
didasarkan pada pengamatan tunggal. Jika x = 5 maka tentukan
interval kepercayaan 90 % untuk p.
9. Misalkan X1, X2, . . . , Xn sampel random ukuran n dari distribusi
seragam U(0,  ) dengan  > 0. Tentukan probabilitas bahwa
interval random ( X(n) , 2 X(n) ) mengandung  .
berdistribusi eksponensial dua parameter yaitu
1  ( x  ) 
f ( x; , )  exp  
   
untuk x > . Jika  = 150 maka tentukan kuantitas pivot untuk
parameter  yang didasarkan pada statistik cukupnya.
*****

BAB VI
PENUTUP
Selama ini, pembelajaran Statistika Matematika masih sangat

sedikit yang menggunakan alat bantu perangkat lunak seperti paket
program R maupun Matlab. Di masa mendatang, dengan bantuan
perangkat lunak, pembelajaran Statistika Matematika akan lebih mudah
dipahami dan memberikan gambaran yang lebih jelas tentang teori yang
dipelajari. Namun demikian, kemampuan pembuktian teorema-teorema
yang ada pada Statistika Matematika juga sangatlah penting dan
memerlukan dasar-dasar Analisis Real atau Analisis Real Probabilitas
yang lebih khusus digunakan dalam Teori Probabilitas. Untuk informasi
tentang materi Statistika Matematika lebih lanjut dapat dilihat pada van
der Vaart (1998) dan van der Vaart & Wellner (2007).
*****

DAFTAR PUSTAKA
[1] Bain, L. J dan M. Engelhardt. 1992. Introduction to Probability and

Mathematical Statistics. Duxbury, Pasific Grove.
[2] Mendenhall, W. dan R. J. Beaver. 1991. Introduction to Probability
and Statistics. PWS-Kent Pub. Co. , Boston.
[3] Ramachandran, K. M., C. P. Tsokos. 2009. Mathematical Statistics
with Applications. Elsevier, Amsterdam.
[4] Roussas. 1973. A Course in Mathematical Statistics. Addison Wesley
Publishing Company, Reading, Massachusetts.
[5] Roussas. 1997. A Course in Mathematical Statistics. Academic Press,
San Diego.
[6] Wackerly, D. D, W. Mendenhall III, R. L. Schaeffer. 2008. Mathematical
Statistics with Application. Thomson Brooks/Cole, Duxbury.
[7] Walpole, R. E., R. H. Meyers. 2011. Probability and Statistics
for Engineers and Scientists. Pearson Education, London.
[8] van der Vaart, A. W., 1998, Asymptotic Statistics, Cambridge
University Press, Cambrigde.
[9] van der Vaart, A. W & J. A. Wellner, 2000, Weak Convergence and
Empirical Process with Application to Statistics, Springer, New York.
*****

View publication stats

Pengantar Statistika Matematika

Diunggah oleh

Informasi Dokumen

Deskripsi 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

Pengantar Statistika Matematika

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB I

Statistika Matematika memberikan alasan dalam pemilihan metode

Pengantar Statistika Matematika 1

2 Dr. Adi Setiawan, M. Sc

II.1 Sifat Kecukupan

Misalkan X suatu variabel random dengan fungsi kepadatan

Pengantar Statistika Matematika 3

4 Dr. Adi Setiawan, M. Sc

Pengantar Statistika Matematika 5

6 Dr. Adi Setiawan, M. Sc

Contoh II.3 tersebut memotivasi definisi statistik cukup berikut ini.

Teorema II.1 (Teorema Faktorisasi Fisher-Neyman)

Pengantar Statistika Matematika 7

8 Dr. Adi Setiawan, M. Sc

maka fungsi kepadatan probabilitas menjadi

Pengantar Statistika Matematika 9

untuk    x   maka tidak ada statistik cukup sama dengan dimensi

II.2 Sifat Kelengkapan

Misalkan X vektor random berdimensi k dengan fungsi kepadatan

10 Dr. Adi Setiawan, M. Sc

   sehingga g ( x)  0 kecuali mungkin untuk himpunan N sehingga

Pengantar Statistika Matematika 11

12 Dr. Adi Setiawan, M. Sc

Teorema II.3 (Teorema Basu)

Pengantar Statistika Matematika 13

II.3 Sifat ketakbiasan

Berikut ini diberikan definisi statistik tak bias, Teorema Rao-

Teorema II.4 (Teorema Rao-Blackwell)

14 Dr. Adi Setiawan, M. Sc

Teorema II.5 (Teorema Ketunggalan Lehman-Scheffe)

Terminologi “uniformly” diperoleh dari fakta bahwa variansi

Pengantar Statistika Matematika 15

bahwa X i merupakan statistik tak bias untuk  dengan variansi  2 .

16 Dr. Adi Setiawan, M. Sc

Keluarga fungsi kepadatan probabilitas yang tergantung pada

Pengantar Statistika Matematika 17

Jika ruang parameter dari keluarga fungsi kepadatan eksponensial

18 Dr. Adi Setiawan, M. Sc

Generalisasi dari Keluarga Eksponensial

Pengantar Statistika Matematika 19

20 Dr. Adi Setiawan, M. Sc

Pengantar Statistika Matematika 21

22 Dr. Adi Setiawan, M. Sc

Dengan Teorema II.1 diperoleh bahwa :

Pengantar Statistika Matematika 23

24 Dr. Adi Setiawan, M. Sc

Dengan menggunakan Teorema II.1 diperoleh bahwa :

Pengantar Statistika Matematika 25

26 Dr. Adi Setiawan, M. Sc

Pengantar Statistika Matematika 27

b. Karena X mempunyai fungsi kepadatan probabilitas f  x;   maka

28 Dr. Adi Setiawan, M. Sc

Pengantar Statistika Matematika 29

30 Dr. Adi Setiawan, M. Sc

Pengantar Statistika Matematika 31

untuk x > 0 sehingga f  x;   dapat dinyatakan sebagai

Hal itu berarti bahwa c  , Q    , T  x   ln x, h x   x 1e  x / 

untuk x > 0, sehingga f  x;   dapat dinyatakan sebagai

32 Dr. Adi Setiawan, M. Sc

Pengantar Statistika Matematika 33

Dengan menggunakan teorema faktorisasi maka diperoleh bahwa

34 Dr. Adi Setiawan, M. Sc

Pengantar Statistika Matematika 35