STATISTIKA MATEMATIKA
3 SKS
OLEH
OLEH
Dr. Ch. K. Ekowati, M.Si
Aleksius Madu, M.Pd
Bookmark
Topik
Legalization
Preface .......................................................................................................................i
Puji syukur ke hadirat Tuhan Yang Maha Esa, atas segala anugerahNYA sehingga penyusun
sungguh menyadari bahwa bahan ajar ini dapat disusun dengan baik, hanya karena Cinta kasih
Tuhan yang selalu memberikan Hikmat, kesehatan dan kekuatan kepada penyusun, walaupun
harus melalui banyak tantangan dan hambatan. Bahan ajar ini mengandung konsep konsep-
konsep dan penerapannya dalam berbagai cara analisis statistik.
Penyusun Juga menyadari bahwa Bahan Ajar ini Belum Sempurna, untuk itu Penyusun
mengharapkan sumbang saran yang bersifat membangun dari semua pembaca.
Penyusun
BAB I
VARIABEL RANDOM DAN DISTRIBUSI PELUANG
Contoh :
2. Sebuah kontraktor memiliki 4 buah mesin yang digunakan pada suatu proses produksi.
Diramalkan mesin tersebut memiliki rata – rata usia pakai 10 tahun. Namun diharapkan
setelah 10 tahun masin tersebut masih dapat berfungsi dengan baik. Jika X menyatakan
keadaan mesin yang baik, tentukan ruang sampel dari variabel random X.
Penyelesaian:
Kondisi mesin setelah 10 tahun masih baik dinotasikan B dan apabila telah rusak
dinotasikan R. Jika keempat mesin masih baik, maka ditulis BBBB, artinya x = 4. Bila
satu mesin rusak, maka ditulis BBBR dan x = 3. Kemungkinan mesin rusak adalah
1
KONDISI MESIN BILANGAN REAL
RRRR 0
BBBR,BBRB,BRBB,RBBBB 3
BBRR,BRBR,RBBR,RBRB,RRBB,BRRB 2
BRRR,RBRR,RRBR,RRRB 1
BBBB 4
Dari tabel di atas, dapat disimpulkan bahwa nilai variabel random Xadalah 0, 1, 2, 3, 4.
Sehingga ruang sampelnya S={X/x=1,2,3,4}
3. Dimisalkan volume lalu lintas dan kondisi jalan sepanjang 100 km hampir sama, maka
terdapat kecenderungan terjadinya kecelakaan disepanjang
jalan tersebut seragam. Jika X adalah variabel random yang nilainya menyatakan jarak
dari km 0 sampai suatu titik tempat terjadinya kecelakaan, ma ka nilai variabel random
X adalah setiap titik disepanjang km 0 sampai dengan km 100, dan dapat ditulis sbb : 0
≤ x ≤ 100. Sehingga didapatkan pula ruang sampel S = {x/ 0 ≤ x ≤ 100}
Jika suatu ruang sampel memuat titik yang berhingga, atau banyaknya unsur sesuai
dengan banyaknya bilangan cacah, maka ruang sampel tersebut dikatakan ruang sampel
diskrit. Jika suatu ruang sampel memuat titk sampel yang takberhingga banyaknya, dan
banyaknya unsur sesuai dengan banyaknya titik pada sepotong garis, maka dikatakan ruang
sampel kontinu. Ruang sampel yang datanya diukur seluruh kemungkinan berat badan,
tinggi, jarak, temperatur, dan jangka hidup
Untuk suatu ruang peluang (S, A, P(•)), suatu variabel random univariat, ditulis X
atau X(•), adalah fungsi berharga nyata yang didefinisikan pada S.
Jika harga-harga variabel random diskrit, maka disebut variabel random diskrit.
Sedangkan jika harga-harga variabel randomnya kontinu, maka disebut variabel random
kontinu.
2
Teorema 1.1.
Contoh 1 :
Jika suatu eksperimen adalah melempar sebuah mata uang n kali, maka
X = Banyaknya gambar yang tampak adalah suatu variabel random (univariat) diskrit
dengan x = Harga-harga yang mungkin dari X = 0, 1, 2,...,n.
Y = Banyaknya angka yang tampak adalah suatu variabel random diskrit dengan,
y = 0, 1, 2,
Contoh 2 :
Jika suatu eksperimen adalah saelempar aebuah dadu diia kali, maka,
X = Jumlah hasil lemparan pertama dan kedua adalah suatu variabel random diskrit
dengan x = 2, 3, 4, …,12.
Y = Harga mutlak selisih hasil lemparan pertama dan kedua adalah suatu variabel random
diskrit dengan y = 0, 1, 2, . . .,5. bukan suatu variabel random, sebab tidak dapat
didefinisikan.
Contoh 3 :
Jika suatu eksperimen adalah mengamati seorang mahasiswa, maka
X = tinggi badan adalah suatu variabel random kontinu,
Y = berat badan adalah suatu variabel random kontinu.
Jika dan X2 adalah variabel random-variabel random univariat yang didefinisikan dalam
ruang peluang yang sama, maka pasangan (X1,X2) adalah suatu variabel random bivariat.
Contoh 4 :
Jika sebuah dadu dilempar dua kali dan X1 = hasil lemparan ke-i , i = 1, 2, maka (X1,X2)
adalah suatu variabel random bivariat.
Jika suatu eksperimen adalah mengamati seorang mahasiswa dengan X1 = tinggi badan dan
X2 = berat badan, maka (X1.X2) adalah suatu variabel random bivariat.
3
Jika X1, X2, ... ,Xn adalah variabel random-variabel random univariat yang
didefinisikan dalam ruang peluang yang sama, maka (X1, X2,...Xn) adalah suatu variabel
random multivariat.
Contoh 5 :
1) Jika seorang dokter memeriksa 10 orang pasien dan Xi = hasil pemeriksaan tekanan
darah pasien ke-i , i = 1, 2,...,10, maka ( X1, X2, . . . , X10) adalah suatu variabel random
multivariat.
2) Jika 10 bola lampu diperiksa apakah rusak = R atau baik = B dan Xi = hasil pemeriksaan
bola lampu ke-i, maka ( X1, X2,..., X10) akan menjadi suatu variabel random multivariat,
hanya jika R diganti 0 atau 1 dan B diganti 1 atau 0.
Dari definisi tersebut dapat kita lihat bahwa Px secara lengkap dapat ditentukan oeh fungsi :
( )= ({ }), = 1,2,
Misalkan f(x) merupakan fungsi probabilitas, fungsi massa probabilitas, atau distribusi
probabilitas dari perubah acak diskrit X, maka berlaku:
1. ( ) 0
4
2. ( )=1
3. ( = ) = ( )
Contoh 1 :
Sebuah pengiriman 8 computer ke suatu jaringan eceran berisi 3 buah computer cacat. Bila
suatu sekolah melakukan pembelian random 2 dari computer ini, carilah distribusi peluang
untuk jumlah cacat
Penyelesaian :
Misalkan X sebagai variable random dengan nilai x adalah jumlah computer cacat yang
mungkin terbeli. Maka x bisa merupakan bilangan 0, 1 dan 2. Selanjutnya
3 5
(0) = ( = 0) = 0 2 =
8
2
3 5
(1) = ( = 1) = 1 1 =
8
2
3 5
(2) = ( = 2) = 2 0 =
8
2
f(x)
5
Contoh 2
Suatu eksperimen dari pelemparan sebuah mata uang logam sebanyak 3 kali.
Tentukan distribusi probabilitas X yang menyatakan banyaknya sisi muka yang tampak dari
hasil eksperimen tersebut.
Penyelesaian :
Hasil eksperimen adalah sbb;
S={MMM,MMB,MBM,BMM,BBM,BMB,MBB,BBB}, n(S)=8
Misalnya:
X = { 0, 1, 2, 3}
Untuk :
x=0, artinya tidak ada sisi muka yg muncul
( )
f(0)=P(X=0)= =
( )
X 0 1 2 3
f(x)=P(X=x) 1 3 3 1
8 8 8 8
6
Tabel diatas memenuhi :
1. f(x)≥ 0
2. ( )= + + + =1
3. f(x)=P(X=x)
Contoh 3
Sebuah toko elektronik menjual 15 radio yang diantaranya ada 5 yang rusak. Jika
seoarang calon pembeli melakukan test 3 radio yang dipilih secara random, tuliskan
distribusi peluang dari banyaknya radio yang rusak dalam sampel tersebut.
Penyelesaian :
Misalkan: X = perubah acak yang menyatakan banyaknya radio yang rusak, maka
X = {0, 1, 2, 3}
N = banyaknya radio yang dijual, maka
N= 15
n = banyaknya radio yang rusak, maka
n=5
k = banyaknya radio yang dites, maka
n=3
P(X=x)= ; = 0,1,2,3
Untuk :
x=0, artinya tidak ada radio yang rusak
f(0)=P(X=0)= =
f(1)=P(X=1)= =
f(2)=P(X=2)= =
7
f(3)=P(X=3)= =
3.
f(x)=P(X=x)
2. ( )= + + + =1
3. f(x)=P(X=x)
Definisi 1.2.2
Jika X suatu variable random, maka fungsi distribusi kumulatifnya (cdf) didefinisikan
sebagai ( )= ( )= ( ) untuk ( < < ) , dengan sifat-sifat sebagai
berikut :
Contoh 1
Suatu eksperimen dari pelemparan sebuah mata uang logam sebanyak 3 kali.
Tentukan fungsi distribusi kumulatif X yang menyatakan banyaknya sisi muka yang tampak
dari hasil eksperimen tersebut.
8
Penyelesaian :
S={MMM,MMB,MBM,BMM,BBM,BMB,MBB,BBB}, n(S)=8
Misalnya:
X = { 0, 1, 2, 3}
Untuk :
x=0, artinya tidak ada sisi muka yg muncul
( )
f(0)=P(X=0)= =
( )
F(1)=f(0)+f(1)=
F(2)= f(0)+f(1)+f(2)=
F(3)= f(0)+f(1)+f(2)+f(3)=1
Sehingga :
9
0, <0
,
F(x)= ,
,
,
Contoh 2
Jika X suatu variable random yang berdistribusi uniform diskrit, maka fungsi distribusi
peluangnya adalah f( x ) = 1 untuk x = 0, 1. Tentukan fungsi distribusi kumulatifnya atau
fungsi distribusinya.
Penyelesaian :
F( x ) = 0 untuk x < 0
F(x)=∑ ( )= ∑ 1= = .1 = ,0 ≤ < 1
F ( x ) = 1 untuk ≥ 1
0, < 0
Sehingga ( ) = ,0 ≤ < 1
1, ≥ 1
Distribusi probabilitas kontinu adalah distribusi yang memuat perubah acak kontinu.
Distribusi probabilitas kontinu dinyatakan dalam bentuk rumusan (dan tidak dapat
dinyatakan dalam bentuk tabel) karena perubah acaknya berupa interval (selang). Cara
menghitung fungsi peluang utk berbagai selang dari perubah acak kontinu adalah sebagai
berikut:
10
y
a, b
Gambar luas daerah yang diarsir = ( < < )
P( < ) = ( ≤ < )
= ( < ≤ )
= ( ≤ ≤ )
Fungsi f(x) adalah suatu fungsi densitas bagi variabel random kontinu X. Misalkan
f(x) merupakan fungsi probabilitas, dari perubah acak diskrit X, maka berlaku:
1. f(x)≥ 0
∞
2. ∫ ∞
( ) = 1
3. ( < < )= ∫ ( )
Contoh 1
Bila kesalahan perhitungan suhu dalam ujian laboratorium adalah variabel acak dengan
fungsi kepadatan peluang sebagai berikut :
, −1 < < 2
3
0,
∞
a. Butikan teorema ∫ ∞
( ) = 1
b. Tentukan (0 < ≤ 1)
Penyelesaian :
∞
a. ∫ ∞
( ) = ∫ = = 1
b. (0 < ≤ )= ∫
1 = =
11
Contoh 2
=1 , untuk ≥
Jika x = a maka F(x) = 0 dan jika x = b maka F(x) = 1. Dalam hal ini variabel
dikatakan mempunyai distribusi emat persegi panjang didalam interval a sampai b
dan juga disebut distribusi seragam atau uniform distribution dalam uraian
mengenai jarum penunjuk, variabel X mempunyai distribusi seragam yang mana
nilai a=0 dan b=1.
Definisi 1.3.1
Distribusi kumulatif dari suatu variabel acak kontinu X dengan fungsi kepadatan f(x)
adalah :
∞
( )= ( ≤ )= ( ) −∞ < < ∞
∞
( )
Mengakibatkan ( < < )= ( )− ( ) ( )=
Contoh :
Dengan menggunakan fungsi densitas pada contoh diatas, tentukan F(x) dan gunakan
untuk mengevaluasi (0 < ≤ 1).
Penyelesaian :
12
Maka :
0, ≤ −1
+1
( )= , −1 ≤ < 2
9
0, ≥ 2
F(0)= =
F(1)= =
Fungsi f(x,y) merupakan distribusi peluang gabungan (bersama) dari variable random diskrit
X dn Y bila
Contoh :
Dua kelereng dipilih secara acak dari sebuah kotak berisi 3 kelereng biru,2 kelereng
merah, dan 3 kelereng hijau. Jika X menyatakan kelereng berwarana biru yang terambil,
dan Y menyatakan kelereng berwarna merah yang terambil, tentukan :
Pasangan harga-harga X dan Y adalah (1,0), (1,1), (2,0), (0,2) , (0,1) , (0,0)
f(0,0) = peluang terambil 2 bola berwarna hijau (tidak ada kelereng merah dan kelereng
biru yang terambil)
f(1,1) = peluang teambil 1 bola berwarna biru dan berwarna merah ,dst.
13
8!
n(S) = 8C2 = 28
2!6!
3C 2 3 3C 2 .3C1 6
f(0,0) = f(0,1) =
28 28 28 28
3C1 .2C1 6 2C 2 1
f(1,1) = f(0,2) =
28 28 28 28
3C1 .3C1 9 3C 2 3
f(1,0) = f(2,0) =
28 28 28 28
Y
0 1 2
X
0 3/28 6/28 1/28
1 9/28 6/28
2 3/28
3 6 9 18
=
28 28 28 28
Definisi 1.4.2
Fungsi f(x,y) adalah fungsi peluang gabungan dari variabel random kontinu X dan Y
jika
2. f ( x, y )dxdy 1
14
Contoh :
kx(1 3 y 2 ) ,0 x 2 , 0 y 1
f(x,y) =
0 , untuk x, y yang lain
a. f ( x, y )dxdy 1
1 2 1
2 k 2
kx(1 3 y ) dxdy 1 x (1 3 y 2 ) 02 dy 1
0 0 0
2
1
k
(4 0)(1 3 y 2 ) 02 dy 1
20
2k ( y y 3 ) 10 1
2k(2) = 1
1
k= .
4
1
Jadi agar f merupakan fungsi peluang gabungan, maka k = .
4
1
21
1
b. P[(X,Y) A] = x(1 3 y 2 ) dxdy
1 0
4
4
1
1 2 2 1
= x (1 3 y 2 ) dy
81 0
4
1
1 2
= (1 3 y 2 )dy
81
4
1
1 1 1 1 1 1
= y y3 2
1
8 4
8 2 8 4 64
23
=
64
15
Distribusi marginal
Jika f(x,y) peluang gabungan dari perubah acak diskrit X dan Y maka peluang g(x)
dari X sendiri diperoleh dengan menjumlahkan f(x,y) terhadap semua Y. demikian pula
untuk distribusi peluang h(y) dari Y diperoleh dengan menjumlahkan f(x,y) terhadap
semua nilai X. g(x) disebut distribusi marginal dari X, dan h(y) disebut distribusi marginal
dari Y. Jika X dan Y perubah acak kontinu, tanda penjumlahan diganti dengan integral.
Jika f(x,y) diketahui maka kita dapat mencari distribusi peluang X saja dan Y saja,
yaitu :
a. Distribusi marginal X :
f ( x, y ) , jika diskret
y
g(x) =
f ( x, y ) dy , jika kontinu
b. Distribusi marginal Y :
f ( x, y ) , jika diskret
x
h(y) =
f ( x, y ) dx , jika kontinu
contoh :
Pandang fungsi padat gabungan
kx(1 3 y 2 ) ,0 x 2, 0 y 1
f(x,y) =
0 , untuk x, y yang lain
Tentukan :
a. Distribusi peluang marginal X
b. Distribusi peluang marginal Y
Penyelesaian :
1
x(1 3 y 2 ) ,0 x 2, 0 y 1
f(x,y) = 4
0 , untuk x, y yang lain
1
1
a. g(x) = f ( x, y )dy x(1 3 y 2 ) dy
0
4
16
1 1
= x( y y 3 ) 10 x , 0<x<2
4 2
2
1
b. h(y) = f ( x, y )dx x(1 3 y 2 ) dx
0
4
1 1
= (1 3 y 2 ) x 2 2
0 (1 3 y 2 ) , 0<y<1
8 2
Dari contoh ini terlihat bahwa g(x).h(x) = f(x,y), ini dikatakan bahwa variabel random X
dan Y saling bebas. Jadi 2 variabel random X dan Y dikatakan saling bebas, jika distribusi
peluang gabungannya sama dengan perkalian distribusi peluang marginalnya.
Distribusi bersyarat
Definisi 1.4.3
Bila X dan Y adalah dua variabel acak diskrit atau kontinu, distribusi
bersyarat(conditional probability)dari variabel acak Y dengan syarat X=x adalah :
( , )
( | )= , ( )> 0
( )
Hal yang sama, distribusi beryarat variabel acak X dengan syarat Y=y adalah :
( , )
( | )= , ( )> 0
( )
Contoh :
Dua kelereng dipilih secara acak dari sebuah kotak berisi 3 kelereng biru,2 kelereng
merah, dan 3 kelereng hijau. Jika X menyatakan kelereng berwarana biru yang terambil,
dan Y menyatakan kelereng berwarna merah yang terambil, tentukan :
a. Probabilitas bersyarat dari X bila Y=1
b. ( = 0| = 1)
Penyelesaian :
a. Yang akan dicari ( | ) = 1
( , )
= , ( )> 0
( )
17
6 3
(1) = ( , 1) = (0,1) + (1,1) + (2,1) = =
14 7
( ,1) 14
( 1) = = ( , 1); = 0,1,2
(1) 6
Maka :
( , )
x=0, (0 1) = = (0,1) = =
( )
( , )
x=1, (1 1) = = (1,1) = =
( )
( , )
x=2, (2 1) = = (2,1) = (0) = 0
( )
b. P(X=0| = 1) = (0|1) = ½
Bebas statistik
Bila X dan Y adalah dua variabel acak, diskrit atau menerus dengan distribus
probabilitas gabungan f(x,y) dan distribusi marginal adalah g(x) dan h(y). Variabel acak X
dan Y dikatakan bebas statistik (statistically independent) jika dan hanya jika :
( , )= ( ) ( ) ( , )
Contoh :
Tunjukkan bahwa contoh pada materi distribusi bersyarat tidak bebas statistik.
Penyelesaian :
Dari tabel diketahui :
3
(0,1) =
14
3 3 1 5
(0) = (0, ) = + + =
28 14 28 14
18
3 3 3
(1) = ( ,1) = + + 0=
14 14 7
bukti :
(0,1) = (0) (1)
Bila X1, X2, X3,..... Xn, adalah variabel acak diskrit atau menerus, dengan distibusi
probabilitas gabungan ( ) f x1, x2 , x3,...xn dan distribusi marginal masing-masing ( ) ( ) (
) ( ) f1 x1 , f2 x2 , f3 x3 ,.... fn xn . Variabel acak X1, X2, X3,..... X disebut saling bebas
statistik (mutually statistically independent) jika dan hanya jika :
19
BAB 2
2.1 Ekspektasi
Ekspektasi matematika atau harga harapan atau mean (rata-rata) atau sering
disebut ekspektasi saja, adalah satu konsep penting dalam teori dasar statistika. Jika
adalah sembarang variabel random, maka ekspektasi matematika dari variabel
random biasanya dinotasikan dengan ( ) atau .
Jika suatu peubah acak dengan distribusi peluang ( ), maka nilai harapan atau
harapan matematik didefinisikan sebagai:
( ),
= [ ]= ∞
( ) ,
∞
Contoh1
1) Tentukan nilai harapan banyaknya wanita dalam panitia yang terdiri dari 3 orang
dipih secara acak 4 orang wanita dan 3 orang pria !
Jawab :
adalah ( )= , = 0,1,2,3
Jadi, ( ) = 0 ∙ + 1∙ + 2∙ + 3∙ = = 1
Ini artinya, bahwa, jika pemilihan tersebut diulang bekali-kali, maka rata-rata
20
2) Hitunglah nilai harapan peubah acak yang mempunyai fungsi pada: ( ) =
2 , 0< < 1
0,
Jawab:
1 1 1
2 3 2
( ) = xf x dx x, 2 xdx x
0 0
3 0
3
Carilah ekspektasi fungsi yang mempunyai fungsi densitas bersama sebagai berikut
0
( , )= (1 + 3 ),0 < < 2,0 < < 1
4
Penyelesaian :
(1 + 3 ) 5
= =
4 8
Contoh 2
Jika dari 12 TV berwarna yang 2 diantaranya rusak, 3 TV dipilih secara random
untuk dikirim kesuatu hotel, berapakah banyaknya TV rusak yang diharapkan
terpilih dalam pengiriman tersebut?
Penyelesaian :
2 10
x 3 x
fX (x) = untuk x 0,1,2
12
3
21
Atau
X 0 1 2
f X (x) 6 9 1
22 22 22
Dengan demikian,
2
E(X) = xf X ( x )
x 0
6 9 1
0 1 2
11 22 22
1
2
Contoh 3
Jika X adalah suatu variabel random dengan fX(x) = 2(1 - x) , untuk 0 < x < 1
maka
E( X ) xf X ( x)dx
1
x 2 1 x dx
0
1 2 1 3 1
2 x x 0
2 3
1
3
22
Contoh 4
Jika X = jumlah mata dadu yang tampak dalam melempar sebuah dadu satu kali,
hitunglah ekspektasi g(X) = 2X 2+ 1.
Penyelesaian :
1
fX(x) = , untuk x = 1, 2, 3, 4, 5, 6.
6
6
Jadi E(g(X)) = g ( x) f X ( x)
x 1
1
2x 2 1 .
6
1 1 1 1 1 1
3 9 19 33 51 73
6 6 6 6 6 6
1
31
3
Contoh 4
23
Berikut ini akan disajikan beberapa sifat dari ekspektasi yang dapat digunakan untuk
mempermudah perhitungan-perhitungan ekspektasi.
E(aX + b) = a E(X) + b
E(a.X) = a E(X)
E(b) = b
k k
E ci g i ( X ) ci E g i ( X )
i 1 i 1
k k
E ci g i ( X 1 , X 2 ,..., X n ) ci E g i ( X 1 , X 2 ,..., X n )
i 1 i 1
E g( X ) Eh X
2.2 Variansi
Mean dari variabel acak adalah suatu nilai yang penting dalam statistik karena nilai
tersebut menggambarkan dimana distribusi probabilitas berpusat. Meskipun demikian mean
tidak cukup untuk memberikan gambaran tentang bentuk suatu distribusi.Untuk mengetahui
bentuk suatu distribusi, perlu diketahui variabilitas distribusi tersebut. Salah satu ukuran
variabilitas dalam statistik adalah variansi. Variansi dari variabel acak atau variansi dari
distribusi probabilitas dinyatakan dengan ( ) atau dinotasikan dengan atau .
Jika peubah acak bebas, maka σ 2 E(x2 ) E ( x)
2
24
Bukti:
σ2 E(x µ )2 E ( x 2 2 xµ µ 2 ) E ( x 2 ) 2µE ( x) E ( µ 2 ) E ( x 2 ) 2µµ µ 2
E(x 2 ) µ 2 E ( x 2 ) [ E ( x)]2
Sifat Variansi:
a. Jika pebuah acak dengan distribusi peluang ( ) , maka variansi ( ) adalah
σ x2 ( x) E {g ( X ) µ g ( x)}2
Contoh:
1) Tentukan variansi , jika menyatakan banyaknya buah mangga yang harus diambil
oleh Dilla dari dalam tas yang berisi 4 mangga dan 3 jeruk, jika dia mengambil 3 buah
sekaligus !
Jawab :
0 1 2 3
1 12 18 4
( )
35 35 35 35
25
1 12 18 4 12
E[ X ] xf ( x) 0. 1. 2. 3.
x 35 35 35 35 7
1 12 18 4 24
E[ X 2 ] x 2 f ( x) 0 11 2 2 3 3
x 35 35 35 35 7
2
24 12 24
Jadi σ 2
7 7 49
2( x 1) 1 x 2
f ( x)
0 untuk x laiinya
Jawab :
2 2 2
2 1 1 2 1 1
E[ X ] 2 X ( X 1)dx 2 (x x)dx 2 x3 x 2 (8 10 (4 1)
1 1 3 2 1 3 2
7 3 5 5
2 2
3 2 6 3
17
E X2 2 x 2 ( x 1)dx
6.
2
5 17 5 1
Sehingga diperoleh rataan µ E( X ) dan varians σ 2
3 6 3 18
26
BAB 3
Suatu percobaan sering terdiri atas beberapa usaha, tiap usaha dengan dua
kemungkinan hasil yang dapat diberi nama sukses dan gagal. Percobaan seperti ini
disebut percobaan binomial.
Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan
bilamana suatu proses samping dapat diasumsikan sesuai dengan proses Bernoulli.
Ciri-ciri distribusi binomial adalah: Percobaan diulang sebanyak n kali. Hasil setiap
ulangan dapat dikategorikan ke dalam 2 kelas, misal : “BERHASIL” atau “GAGAL”;
Peluang berhasil / sukses dinyatakan dengan dan dalam setiap ulangan nilai tetap.
Peluang gagal dinyatakan dengan , dimana = 1 − . Setiap ulangan bersifat bebas
(independen) satu dengan lainnya. Percobaannya terdiri atas ulangan .
( ; , )= = 1,2,…,
) . = 0,1,2,3,….
!
= !( )!
27
Contoh 1 :
Peluang bahwa sejenis komponen tertentu yang akan bertahan terhadap sebuah uji-
kejut adalah ¾. Carilah peluang di mana 2 dari 4 komponen yang selanjutnya diuji
akan bertahan.
Penyelesaian :
4 3 1 27
( ; 4,¾) = =
2 4 4 18
Contoh 2 :
Peluang bahwa seorang pasien sembuh dari penyakit darah yang langka adalah 0.4.
Bila 15 orang diketahui telah terkena penyakit ini, berapakah peluangnya (a) paling
tidak 10 selamat, (b) dari 3 sampai 8 selamat ?
Penyelesaian :
( ) = 1− ( 15 (0.4) (0.6)
(a) ≥ 10 < 10) = 1 − ∑ = 0.0338
x
15 (0.4) (0.6) 15 (0.4) (0.6)
(b) (3 ≤ ≤ ) 8= ∑ −∑ =
x x
0.8779,
Catatan :
28
3.2 Percobaan Multinomial
Percobaan Binomial menjadi suatu percobaan multinomial bila kita membuat setiap
percobaan lebih dari 2 keluaran yang mungkin. Jika suatu percobaan dapat
menghasilkan k keluaran , , , …, dengan peluang sukses , , ,…, ,
maka distribusi peluang variable random , , ,…, adalah
Dengan ∑ = 1 dan ∑ = 1
Contoh 1
Jawab:
9
( = 3, = 3, = 1, = 2) = (0,4) (0,2) (0,3) (0,1)
3 ,3, 1,2
9!
= (0,064)(0,008)(0,3)(0,01) = 0,0077616
3! 3! 1! 2!
Contoh 2
Penyelesaian :
Misalkan = sbuah total 7 atau 11 muncul, = pasangan angka yang sama muncul
dan = bukan angka sama atau bukan total 7 atau 11 yang muncul
29
Maka = 2/9 , = 1/6 dan =11/18. Nilai-nilai ini konstan untuk ke-enam
percobaan tersebut. Dengan menggunakan distribusi multinomial dengan =2 , =1
dan = 3 maka peluangyang diperlukan adalah :
2 1 11 6 2 1 11
2,1,3, , , ,6 = 0.1127
9 6 18 2,1,3 9 6 18
Jika sampling dilakukan tanpa pengembalian dari kejadian sampling yang diambil
dari populasi dengan kejadian-kejadian terbatas, proses Bernouli tidak dapat
digunakan, karena ada perubahan secara sistematis dalam probabilitas sukses seperti
kejadian-kejadian yang diambil dari populasi, distribusi hipergeomentrik adalah
distribusi probabilitas diskrit yang tepat. Jika terdapat populasi berukuran N
diantaranya terdapat k buah termasuk kategori tertentu, sebuah populasi tertentu
bersampel acak diambil yang berukuran n akan memiliki peluang dalam sampel yang
terdapat x buah sebanyak:
~ ( , , )
: banyaknya sukses dalam sampel acak ukuran yang diambil dari benda
yang mengandung bernama sukses dan − bernama gagal.
( = )= ( ; , , )= ; = 0,1,2,…,
Mean:
−
: = : = 1−
−1
30
Contoh:
Jawab:
~ (50,10,12)
(220)(12620256)
( = 3) = (3; 50,10,12) = = = 0,2703
10272278170
Catatan
31
Dengan menandai S sebagai sukses dan F sebagai gagal, maka salah satu urutan yang
mungkin dalam pencapaian hasil yang diinginkan adalah SFSSFSS dengan peluang
(0.6)(0.4)(0.6)(0.6)(0.4)(0.6)(0.6)=(0.6) (0.4)
Bila percobaan yang bebas berulang dapat menghasilkan sebuah sukses dengan
peluang p dan gagal dengan peluang q = 1 – p, maka distribusi peluang dari variable
random X dengan jumlah percobaan di mana sukses ke – k terjadi adalah :
−1
( )= , = , + 1, + 2,…….
−1
Dengan
(1 − )
: = : =
Contoh
Tentukan peluang bahwa seseorang yang melempar 3 koin akan mendapat gambar
semua atau angka semua untuk kali kedua pada pelemparan yang kelima
Penyelesaian :
Ditanyakan sukses kedua dari lemparan kelima, sehingga k = 2 dan x = 5, dengan
peluang sukses adalah 1/4. Peristiwa tersebut adalah peristiwa Binomial Negatif,
5− 1
sehingga peluangnya ( = 5) = =
2− 1
Apabila pecobaan bebas berulang dapat menghasilkan suatu sukses dengan peluang p
dan gagal dengan peluang q = 1 – p, maka distribusi variable random X dengan
jumlah percobaan di mana sukses pertama terjadi dikenal sebagai distribusi Geometri
dengan distribusi peluangnya adalah ( ) = , = 1,2,3,…..
32
Atau
= ( = )= ( ; )= (1 − ) ; = 1,2,…
~ ( ) ~ ( )
= banyaknya usaha sampai saat terjadi sukses pertama dari usaha-usaha yang
saling bebas dengan peluan sukses dan gagal (1 − )
dengan
1 1−
: = : =
Contoh:
Suatu tes hasil pengelasan logam meliputi proses pengelasan sampai suatu patahan
terjadi. Pada jenis pengelasan tertentu, patahan terjadi 80% disebabkan oleh logam
itu sendiri dan 20% oleh penyinaran pada pengelasan. Berapa hasil pengelasan di tes.
Misalkan X adalah banyak tes yang dilakukan sampai ditemukan patahan pertama
pada pengelasan. Hitung peluang pada tes ketiga ditemukan patahan pertama.
Jawab:
~ (0,2)
33
3.6 Distribusi Poisson
Distribusi Poisson adalah distribusi peluang peubah acak poisson x, yang menyatakan
banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu.
Panjang selang waktu tersebut boleh berapa saja, semenit, sehari, seminggu, sebulan
atau malah setahun. Daerah yang dimaksud dapat berupa sepotong garis, suatu luas,
suatu volume atau pun barangkali suatu benda
Suatu percobaan poisson memiliki sifat sebagai berikut:
1. Banyaknya sukses terjadi dalam suatu selang waktu atau daerah tertentu tidak
terpengaruh oleh (bebas dari) apa yang terjadi pada selang waktu atau daerah
yang terpilih.
2. Peluang terjadinya suatu sukses (tunggal) dalam selang waktu yang amat pendek
atau dalam daerah yang kecil sebanding dengan panjang selang waktu atau
besarnya daerah dan tidak tergantung pada banyaknya sukses yang tejadi di luar
selang waktu atau selang tersebut.
3. Peluang terjadinya lebih dari satu sukses dalamselang waktu yang pendek atau
atau daerah yang sempit tersebut diabaikan.
Distribusi peluang variabel random poisson yang mewakili jumlah keluaran
yang terjadi di dalam suatu selang waktu yang diketahui atau daerah yang ditentukan
dan ditunjukkan oleh adalah:
( )
( )=
!
Dengan adalah rata-rata jumlah keluaran per waktu atau daerah satuan dan
= 2,71828
Contoh 1 :
34
Selama percobaan laboratorium jumlah rata-rata partikel radio aktif yang melewati
suatu pencacah dalam 1 milidetik adalah 4. Berapakah peluang 6 partikel memasuki
pencacah tersebut dalam suatu milidetik yang diketahui?
Jawab :
( )
Diketahui bahwa = 6 = 4, ( = 6) = 0,1042
!
Contoh 2
Di dalam proses produksi di mana produk kaca dihasilkan, terjadi cacat atau
gelembung yang kadang-kadang menyebabkan produk yang tidak diinginkan untuk
pemasaran. Diketahui bahwa rata-rata, 1 dalam setiap 1000 barang yang dihasilkan
ini mempunyai satu gelembung atau lebih. Berapakah peluang sebuah sampel
random yang berisi 8000 akan membuahkan kurang dari 7 barang mempunyai
gelembung?
Penyelesaian :
Ini adalah sebuah percobaan Binomial dengan n = 8000 dan p = 0.001. karena p
sangat mendekati nol dan n sangat besar, kita akan memperkirakannya dengan
distribusi Poisson dengan menggunakan = (8000)(0.001) = 8
Sehingga bila X mewakili jumlah gelembung, kita dapatkan
35
BAB 4
Distribusi Seragam kontinu adalah distribusi peluang kontinu yang paling sederhana.
Distribusi ini ditandai oleh fungsi densitas yang datar, sehingga peluangnya seragam di
dalam suatu interval tertutup.
Suatu random variable dikatakan terdistribusi secara uniform apabila nilai probabilitanya
proporsional terhadap panjang interval.
Fungsi Densitas dari suatu variable random X kontinu X yang berdistribusi Uniform :
1
f ( x, a , b ) untuk a < x < b
b a
=0 untuk x lainnya
Di mana a = batas bawah interval
b = batas atas interval
36
Nilai Harapan (Expected Value/ ) :
a b
E( X )
2
Variansi ( ):
(b a ) 2
Var ( X )
12
Di mana a = batas bawah interval
b = batas atas interval
Fungsi kumulatif :
Kasus khusus : jika a = 0 dan b = 1, maka distribusinya disebut distribusi seragam baku
(standard uniform distribution), dilambangkan dengan U(0,1)
37
4.2 Distribusi Normal
Distribusi normal adalah distribusi yang paling penting di antara distribusi yang lain.
Distribusi Normal sering disebut juga dengan distribusi Gauss. Grafiknya disebutk
urva normal dan mempunyai bentuk setangkup seperti lonceng :
Suatu peubah acak X dengan rata – rata dan varians mempunyai Fungsi Densitas
Normal :
( x µ )2
1 2σ 2
f ( x) e , −∞ < < ∞ , > 0
σ 2π
Dimana :
= rata-rata (mean)
= simpanganbaku (standard deviation)
= 3.14159
e = 2.71828
sehingga dengan dan yang diketahui, maka seluruh kurva normal dapat diketahui :
38
x
µ
デ1 デ2
x
µ1 µ2
2. Dua Kurva dengan simpangan baku berbeda tapi rata-rata sama
39
デ1 デ2
x
µ1 µ2
デ1
デ2
40
Luas di bawah kurva normal
Luas daerah kurva normal antara x = a dan x = b dinyatakan oleh :
b b 1 x µ
P (a x b ) f ( x )d x
1
e
2 σ 2
d x
2
a a 2πσ
Dari z di kolom kiri, maju ke kanan dan cari z pada baris atast urun ke bawah, maka di
dapat bilangan yang merupakan luas daerah yang dicari. Bilangan yang didapat, ditulis
dalam bentuk 0,xxxx (4 desimal)
41
Contoh:
1. Diketahu sebuah distribusi normal = 40 dan = 6. Carilah nilai x yang mendekati (a)
45% dari luasnya di sebelah kiri dan (b) 14% dari luasnya di sebelah kanan
2. Jenis aki tertentu rata-rata berusia 3 tahun dengan suatu simpangan baku 0.5 tahun.
Dengan asumsi bahwa usia aki tersebut secara normal disebarkan, carilah peluang
bahwa sebuah baterai yang diberikan akan berusia kurang daripada 2,3 tahun?
3. Sebuah perusahaan elektronik membuat bola lampu yang mempunyai masa hidup
sebelum putus yang secara normal tersebar dengan mean sama dengan 800 jam dan
suatu simpangan baku 40 jam. Tentukan peluang sebuah bola akan putus antara 778 dan
834 jam
4. Di dalam sebuah proses industry, diameter sebuah bantalan peluru merupakan bagian
komponen yang penting. Pembeli menentukan spesifikasi pada diameter sama dengan
30± 0,01 cm. akibatnya adalah bahwa tidak ada bagian yang berada di luar spesifikasi
ini akan diterima. Diketahui bahwa di dalam proses tersebut diameter sebuah bantalan
peluru mempunyai distribusi normal dengan mean 3,0 dan simpangan baku 0,005.
Secara rata-rata berapa banyakkah bantalan peluru yang dihasilkan akan dibuang?
5. Sebuah mesin membuat tahanan elektronik yang mempunyai mean tahanan 40 ohm dan
simpangan baku 2 ohm. Dengan asumsi bahwa tahanan tersebut mengikuti suatu
distribusi normal serta dapat diukur sampai sebarang derajat ketelitian, berapakah
prosentase tahanan akan mempunyai suatu tahanan melampaui 43 ohm?
6. Nilai rata-rata suatu ujian 74,2 dan simpangan bakunya 7. Bila 12% dari kelas tersebut
diberi A dan nilai tersebut dikurvakan untuk mengikuti suatu distribusi normal,
berapakah A terendah yang mungkin dan B tertinggi yang mungkin?
42
Perkiraan Normal untuk Binomial
Dalam bahan kuliah sebelumnya sudah dijelaskan bahwa distribusi Poisson dapat digunakan
untuk menghampiri distribusi binomial ketika n membesar dan p sangat dekat ke 0 atau 1.
Kedua distribusi tersebut adalah diskrit.
Distribusi normal juga dapat digunakan untuk menghampiri distribusi binomial bilamana n
cukup besar.Distribusi normal sering merupakan hampiran yang baik terhadap distribusi
diskrit bila yang terakhir ini berbentuk lonceng setangkup.
Jika X adalah peubah acak binomial dengan rataan µ = nρ dan variansi = ,maka
bentuk limit dari distribusi:
( − )
=
Hampiran distribusi normal baik walaupun untuk n kecil jika p cukup dekat ke ½. p bernilai
sangat kecil dan n relatif besar dan
1) JIKA rata-rata( ) ≤ 20
, MAKA lakukan pendekatan dengan distribusi POISSON
dengan = ×
2) JIKA rata-rata ( ) ≥ 20
, MAKA lakukan pendekatan dengan distribusiNORMAL
Dengan = ×
= × ×
= × ×
43
Catatan:
Faktor koreksi ± 0,5 . +0,5 digunakan
pada saat ( > ), ( < ) dan - 0,5 jika ( ≥ ), ( ≤ ).
1) Misalkan dari distribusi binomial diketahui n = 15 dan p = 0.4. Untuk menghitung P(X
= 4), maka dengan tabel binomial mudah dihitung, P(X = 4) = b(4; 15, 0.4) = 0.1268
2) Sekarang nilai peluang itu akan dihampiri dengan distribusi normal. Hitunglah; =
np = (15)( 0.4) = 6
= npq = (15)(0.4().6) = 3.6 → = √ 3.6 = 1,897
Dari perhitungan binomial, telah diketahui P(X = 4) = 0.1268. Nilai ini sama dengan luas
daerah di bawah kurva normal antara 3.5 dan = 4.5 (dimana x = 4 adalah titik
tengah).
44
Hasil ini cukup dekat dengan nilai sesungguhnya yaitu 0.1268. Hampiran normal akan
berguna untuk menghitung jumlah binomial untuk nilai n yang besar.
Berikut contoh dari perkiraan normal untuk binomial.
Peluang seorang penderita sembuh dari suatu penyakit adalah 0.4. Bila ada 100 orang yang
terkena penyakit tersebut, berapa peluang bahwa kurang dari 30 orang yang sembuh ?
Penyelesaian ;
Misalkan X peubah binomial yang menyatakan banyaknya penderita yang sembuh. Karena
n = 100, maka penggunaan hampiran kurva normal seharusnya memberikan hasil yang
cukup tepat dengan;
= = 100 × 0.4 = 40
= ( ) = {(100)(0.4)(0.6)} = 4.889
Untuk mendapatkan peluang yang diminta, harus dicari luas di sebelah kiri x = 29.5.
Nilai z yang berpadanan adalah
− 29.5 − 40
= = = − 2,14
4.889
Jadi, peluang 30 orang sembuh dari 100 penderita adalah
( < 30) = ( < − 2.14) = 0.0162
45
Untuk
α 1 (1) e x dx e x 1
0
0
Jadi
(1) 1
Maka
(α ) xα 1e x dx u dv uv v du
0 0 0
xα 1e x e x (α 1)xα 2dx
0
0
(α 1) e x xα 2dx ; untuk α 1
0
(α 1)
Jadi diperoleh :
(α ) (α 1) (α 1)
atau
(n) (n 1)!
46
Perubah acak kontinu X berdistribusi gamma dengan parameter α dan β , jika fungsi
padatnya berbentuk :
x
xα 1e β
1
; x 0
f(x) β α (α )
0 ; x yanglain
dengan α 0 dan β 0
Grafik distribusi gamma, untuk nilai parameter α dan β
α 1, β 1
47
Contoh:
1. Andaikan bahwa sebuah system berisi sejenis komponen tertentu yang waktu
kegagalannya, dalam tahun, diberikan oleh T. Variable random t dimodelkan
dengan baik oleh distribusi eksponensial dengan mean waktu ke kegagalan β = 5.
Bila 5 dari komponen ini dipasang dalam system yang berbeda, berapakah
peluang paling tidak 2 komponen tetap berfungsi pada akhir tahun ke 8?
2. Andaikan panggilan telepon yang datang pada suatu papan sakelar tertentu
mengikuti proses poisson dengan mean 5 panggilan datang per menit. Berapakah
peluang sampai satu menit akan ada 2 panggilan masuk ke papan sakelar tersebut?
3. Di dalam kajian biomedik dengan tikus suatu penelitian dosis-tanggapan
digunakan bertahan menentukan pengaruh dosis bahan racun pada waktu hidup
mereka. Bahan racun tersebut adalah zat yang secara teratur dibuang ke atmosfer
dari bahan bakar jet. Untuk suatu dosis bahan racun tertentu kajian tersebut
menentukan bahwa waktu bertahannya dalam minggu, mengikuti distribusi
gamma dengan α = 5 dan β = 10. Berapakah peluang seekor tikus hidup lebih
lama dari 60 minggu?
Hal khusus lainnya yang sangat penting dari distribusi gamma adalah dengan
mengambil = dan β = 2; v = bilangan bulat positif. Hasilnya disebut distribusi
chi-kuadrat, dan v disebut derajad bebas Perubah acak kontinu X terdistribusi chi-
kuadrat dengan derajad bebas v, jika fungsi padatnya berbentuk :
v 1 x
1
x2 e 2 ; x 0
f(x) 2v / 2 (v / 2)
0 ; x yanglain
dengan v bilangan bulat positif
48
Rata - rata dan variansi distribusinya adalah µ = v dan σ 2 = 2 v. Grafik distribusi chi-
kuadrat bergantung pada derajat kebebasan v, yang umumnya merupakan kurva
positif dan miring ke kanan. Kemiringan kurva ini akan semakin berkurang jika
derajat kebebasasan v makin besar. Untuk v =1 dan v =2, bentuk kurvanya
berlainan daripada untuk v ≥ 3.
Distribusi Chi-square
0.5
0.4
df 2
0.3
df 3
0.2
df 4
df 5
0.1
0.0
0 2 4 6 8 10
49
4.5 Distribusi Lognormal
mal
Peubah acak kontinu
nu X m ubah acak Y = ln(X)
mempunyai distribusi lognormal, jika peubah
busi normal dengan rataan µ dan simpangan baku σ dan fungsi
mempunyai distribusi
padat peluangnya dibe
diberikan sebagai berikut:
Contoh:
Konsentrasi polutann yang dihasilkan oleh pabrik kimia secara historis
hi diketahui
memunculkan tingkah al. Hal ini penting
kah laku yang menyerupai distribusi lognormal.
ketika seseorang mem
empertimbangkan masalah yang mengangkat pemenuhan
pem perturan
pemerintah. Andaika n tertentu, dalam
ikan diasumsikan bahwa konsentrasi polutan
sepersejuta, mempuny
punyai distribusi lognormal dengan parameter = 32 dan = 1.
Berapakah peluang kons tu juta?
konsentrasi tersebut melampaui 8 bagian per satu j
Penyelesaian :
konsentrasi polutan, maka [ > 8] = 1 −
di kon
Misalkan X menjadi [ ≤ ] = 0,1314
8
50
4.6 Distribusi Weibulll
Distribusi Weibull
bull m
memiliki grafik kurva sebagai berikut :
51
1) = Γ 1+
2) = Γ 1+ − Γ 1+
Contoh ;
52
BAB 5
MODEL-MODEL STATISTIK
Untuk model statistik ini data dipandang sebagai hasil eksperimen secara acak.
Contoh 1.
Dari suatu pengiriman barang yang terdiri dari N elemen, N menyatakan jumlah elemen
cacat. Untuk mendapatkan informasi tentang , suatu sampel random dengan ukuran n
diambil dan dilihat jumlah barang yang cacat. Data yang didapat adalah jumlah cacat yang
terdapat dalam sampel.
Diberikan eksperimen random dengan ruang sampel Ж . Pada ruang sampel ini
didefenisikan vector random = ( , ,………, ), karena hanya yang kita observasi,
maka kita hanya perlu memandang distribusi probabilitasnya. Distribusi ini diandaikan
menjadi anggota keluarga dari distribusi probabilitasnya pada (ℜ , β µ ).
={ , ∈ Ω }
Ω = ruang parameter
= parameter
= model statistik
Tujuan analisis adalah memberikan pernyataan tentang harga . Berikut ini diberikan
beberapa kelas model statistik.
Defenisi:
Misalkan (ћ ,ƒ,μ ) ruang ukuran dengan µ adalah keluarga ukuran r finite dan =
{ , ∈ } adalah keluarga ukuran probabilitas pada (ћ , ƒ).
53
dari terhadap µ (yaitu ƒ = dp / dµ) dan mengidentifikasikan ρ dengan keluarga
densitas {ƒ : ∈ Ω }.
Hampir semua model statistik adalah keluarga terdominasi, yaitu terhadap ukuran
lebesque (vector random diskrit).
Defenisi:
( )
b. f( |µ) = , ≥
0 , <
2. Keluarga f( | ) = f( | ),untuk r > 0 disebut keluarga skala dengan densitas baku
f(x) dan r disebut parameter skala dari keluarga tersebut.
Contoh: f( | ) = , > 0
√
densitas baku f(x), disebut parameter lokasi dan r disebut parameter skala
( )
Contoh : f( | , ) = , > 0
√
54
Dengan ∈ , ∈ Ω (⊆ ) ( )> 0 ( )> 0 ∈ dinamakan
keluarga eksponensial. Jika variabel random saling bebas dan berdistribusi identik dengan
( : ) dengan , ∈ Ω ⊆ maka fungsi kepadatan probabilitas dari X sebagai berikut:
( : )= ( ) exp[ ( ) ( )] ( )
Contoh 1.
( : ) = (1 − ) exp ( )
1−
Q( ) = , T( ) = x, h(x) = ( ).
Contoh 2.
1 1
( : )= exp − exp −
√2 2
1
( )= − , ( )= , ( )= , ( )= −
√2 2
1 1
( : )= − ( − )
√2 2
55
1 1
( )= , ( )= , ( )= ( − ) , ( )= 1
2 2
Jika ruang parameter dari keluarga fungsi kepadatan eksponensial 1 parameter mengandung
non degnerate maka keluarga tersebut lengkap.
Teorema 1.
= { ( ; | ∈ Ω }
adalah fungsi kepadatan probabilitas dari T(X) maka G lengkap asalkan Ω mengandung
interval non degnerate.
Teorema 2
Misalkan X1, X2, .........,Xnvariabel random saling bebas berdistribusi identik dengan fungsi
kepadatan probabilitas merupakan anggota keluarga eksponensial 1 parameter.
Teorema berikut ini menyatakan sifat kelengkapan dari suatu keluarga distribusi.
Teorema 3.
Keluarga = { ( ; )| ∈ Ω } lengkap asalkan Ω mengandung interval non degnerate.
56
Dalam hal ini = { ( ; )| ∈ Ω } dengan ( ; ) adalah keluarga fungsi kepadatan
probabilitas dari statistik cukup T*.
Teorema 4.
Misalkan X1, X2, ........., Xnvariabel random saling bebas dan berdistribusi identik dengan
fungsi kepadatan probabilitas merupakan anggota keluarga eksponensial dan T* seperti
didefenisikan pada teorema 2.1. Jika V sebarang statistik yang lain, V saling bebas jika dan
hanya jika distribusi dari V dan T* tidak tergantung pada .
Contoh 3.
Misalkan X1, X2, ........., Xnvariabel random saling bebas dengan fungsi kepadatan ( , )
yang merupakan anggota keluarga eksponensial dalam = .
Statistik
1
=
merupakan statistik lain yang tidak tergantung pada maka dengan menggunakan teorema 4
diperoleh bahwa ̅ dan saling bebas.
( ; )= ( ) ( ) ( ) ( )
57
Contoh 4
Misalkan variabel random X berdistribusi ( , ). Fungsi kepadatan probabilitas dari X
dapat dinyatakan sebagai
ƒ( ; , )= − − −
Hal ini berarti keluarga distribusi normal merupakan anggota keluarga distribusi
eksponensial dengan
1 1
( )= − , ( )= , ( )=
2 2 2
dan
T1 (x) = x, T2(x) = - x, h (x) = 1
Dalam hal ini = ( , )
58
BAB 6
Informasi dalam sampel x1,…,xn akan digunakan untuk melakukan inferensi tentang
parameter θ . Data terobservasi x 1, x2, …, xn adalah daftar bilangan yang bukan untuk
diinterpretasikan. Fungsi terukur T( x ) disebut statistik dan setiap statistik mendefinisikan
bentuk reduksi data atau ringkasan data.
Sufficient statistic (statistic cukup) untuk parameter θ adalah statistic yang dalam arti
tertentu bisa menyerap semua informasi tentang θ yang termuat dalam sampel. Setiap
informasi tambahan dalam sampel, disamping harga statistic cukup, tidak memuat
informasi tambahan tentang θ . Pertimbangan-pertimbangan di atas akan membawa pada
teknik reduksi data yang dikenal sebagai asas kecukupan.
Asas Kecukupan
Bila T( x ) adalah statistic cukup untuk θ maka setiap inferensi tentang θ harus tergantung
pada sampel hanya melalui harga T( x ), yaitu bila x dan y adalah dua titik sampel
59
Statistic cukup secara formal didefinisikan sebagai berikut :
Definisi :
Statistik T( x ) disebut statistic cukup untuk θ bila distribusi bersyarat sampel diberikan
statistic cukup untuk θ berhubungan untuk setiap dalam ruang sampel, rasio f( x |θ )/q(T( x
)|θ ) tidak tergantung pada θ .
pθ
(X x)danT ( X ) T ( x)
Catatan : p ( X = x |T)( X )= T( x ) =
θ
p T(X )
θ
T () T ( x)
p θ
(X x)
=
p T(X )
θ
T ( x)
p (xθ )
θ
=
q (T ( x) θ )
Contoh 1 :
1. Misalkan x1,.. , xn adalah i,i,d, varibel random Bernoulli dengan parameter θ , 0< θ <1
Akan ditunjukan bahwa T( x ) = X1 + …+ Xn adalah statistic cukup untuk θ .
f (xθ ) πθ xi (1 θ )1 xi
= , xi
q (T ( x ) θ ) ( tn )θ t (1 θ ) n t t=
θ xi (1 0) (1 xi )
= , t = πθ xi θ xi
( )θ (1 0)
n
t
t n t
θ t (1 θ ) n t
= n t
( t )θ (1 θ ) n t
60
1 1
= n
= n
( )
t ( xi )
Karena ratio di atas tidak tergantung pada θ , maka T( x ) adalah statistic cukup untuk
θ .
2. Misalkan x1… xn adalah i,i,d N(μ , δ 2 ) diketahui. Akan ditunjukan bahwa mean
x1 ... xn
sampel T( X ) = x = adalah statistic cukup untuk μ .
n
xi µ ) 2
F( x µ ) = n
(2πδ ) 2 1
exp( ( ))
2δ 2
i 2
= ( ( 2πδ 2 ) 2 exp( µ ) 2 / 2δ 2 )
1
x
i 1 ( xi
= ( 2πδ 2 ) 2 exp( µ ) 2 / 2δ 2
1
n
i 1 ( xi x) 2 n( x
Karena x N ( µ , δ 2 / n) maka
f ( x )θ (2πδ 2 ) 2 exp( n( x µ ) 2 / 2
1
n
i 1 ( xi x) 2
=
q(T ( x) θ n 2 ((2πδ 2 ) x) 2 / 2δ 2 )
1
(n 1/ 2 n
) exp( i 1 ( xi
Yang tidak tergantung pada µ . Dengan menggunakan teorema 2.1 maka mean sampel
adalah statistic cukup untuk µ .
Dengan menggunakan definisi pertama-tama kita harus membedakan yang mana statistic
T( x ) yang merupakan statistic cukup, kemudian menentukan densitas dari T( x ) dan
menyelidiki apakah ratio densitas x dan desintas T( x ) independen pada θ . Cara tersebut
tidak praktis
61
6.2 Teorema Halmus dan Savage
Teorema ini memungkinkan kita untuk menentukan statistic cukup dengan hanya
melakukan inspeksi
Teorema 2 :
Misalkan f( x |θ ) adalah densitas bersama dari sampel x .T( x ) adalah statistic cukup
untuk θ berhubung terdapat g(t|θ ) dan h( x ) sedemikian hingga, untuk titik sampel x dan
f( x |θ ) = p θ ( X = x )
= p( X = x dan T( X ) = T( x )
= g((T x )|θ ) h( x )
Jadi, faktorisasi (1) berlaku.
Sekarang andaikan faktorisasi 2.3 berlaku. Andaikan q(t/θ ) adalah densitas dan T( x ).
Untuk menunjukan bahwa T( x ) merupakan statistic cukup, kita selaku ratio f( x )|θ )/q((T
f ( x) θ ) g ((T ( x) θ )h( x)
= =
q(T ( x)) / θ q (T ( x) θ )
g ((T ( x) θ )h( x)
= , (definisi densitas dari T)
g (T ( y ) θ ) h ( y )
AT ( x )
g ((T ( x) θ )h( x)
= = , (karena T konstan pada
g ((T ( x)) / θ
h( y )
AT ( x )
62
h( x )
= h( y )
AT ( x )
Karena ratio ini tidak tergantung pada θ maka T( x ) adalah statistic cukup untuk θ .
Contoh 2 :
Untuk model normal dalam contoh di atas, dapat dilihat bahwa densitas dapat
n
difaktorisasi sebagai f( x ) µ ) = (2π δ ) 2 2
exp(- n
i 1 ( xi x ) 2 / 2δ 2 )exp(-n( x µ ) 2 / 2δ 2
n
))…….(2.2) kita dapat mendefinisikan h( x ) = (2 πδ ) exp(- 2 2 n
i 1 ( xi x ) 2 / 2δ 2 ), dan
bentuk ini tidak tergantung pada parameter μ . Faktor dalam (2.4) yang memuat μ
Dalam contoh di atas, statistic cukup adalah suatu fungsi berharga real dari sampel.
Semua informasi tentang θ dalam sampel disatukan dalam satu bilangan T( x ). Kadang-
kadang informasi tidak dapat disatukan dalam satu bilangan dan sebagai penggantinya
diperlukan beberapa bilangan. Untuk keadaan ini statistic cukup berupa vector katakanlah
T( x ) = T 1 ( x),...,Tr ( x) Kedaan ini sering terjadi bila parameter juga merupakan vector,
katakanlah θ = (θ 1, θ 2, … ,θ s); biasanya r = s, walapun tidak selalu. Teorema faktorisasi
juga dapat digunakan untuk menentukan statistic cukup berharga vector.
Contoh 3 :
Andaikan kembali bahwa x1,x2,…,xn adalah i,i,d N(μ ,) tetapi tidak seperti contoh
sebelunya μ dan keduan-duanya tidak diketahui, sehingga vector parameter adalah θ = (
µ ,δ 2 ). Sekarang, jika menggunakan teorema faktorisasi setiap bagian densitas yang
tergantung pada μ dan δ 2 harus dimasukan dalam fungsi g. Dari (2.2) terlihat bahwa
densitas tergantung pada sampel ( x ) hanya melalui T1 ( x ) ( x) dan
63
2
T2 ( x) s2 ( n
i 1 ( xi x ) /(n 1)) . Jadi, kita dapat mendefinisikan g(|θ ) = g(t 1,t2|μ , δ 2
( x) (T1 ( x), T2 ( x)) ( x, s 2 ) ) adalah statistic cukup untuk (μ ,) dalam model normal.
Teorema 3 :
Misalkan x1, x2, … , xn adalah i,i,d dengan densitas f Andaikan f adalah keluarga
eksponensial dengan densitas f maka adalah statistic cukup untuk θ .
statistic cukup, karena kita dapat menulis f ( x θ ) = ( xθ ) g (T ( x)(θ )h( x)) dengan
T ( x) x dan h( x ) = 1. Setiap fungsi 1-1 dari statistic cukup juga merupakan statistic
cukup. Misalkan statistik cukup dan didefinisikan T*(x) = r(T( x )) untuk semua dan r
fungsi 1-1 yang mempunyai balikan r-1. Dengan menggunakan teorema faktorisasi
terdapat g dan h sedemikian sehingga f ( x θ ) = g(T( ( x)(θ )h( x) ) = g(r-1(T*(x))|θ )h( x )
Jadi, dengan teorema faktorisasi T*(x) adalah statistika cukup, karena banyaknya
statistika cukup maka wajar kalau timbul pertanyaan mana statistika cukup terbaik. Untuk
menjawab pertanyaan ini, perhatikan bahwa tujuan statistic cukup adalah menghasilkan
reduksi data tanpa kehilangan informasi tentang parameter θ . Jadi, statistic yang lebih
disenangi adalah statistic yang menghasilkan reduksi data terbanyak tanpa harus
kehilangan informasi tentang θ . Definisi statistic sedemikian sehingga sekarang kita
formalkan.
64
Definisi :
Statistic cukup T( x ) disebut statistic cukup minimal bila untuk statistic cukup yang lain
T( x ) fungsi dari T'( x ) secara sederhana mempunyai arti bahwa T'( x )=T'( y ) maka T'( y
= T( x ). Dalam bahasa partisi, bila T'( x ) = T'( y ) maka T( x |=T( y ). Dalam bahasa
partisi, bila {B t1 , t 1εγ 1 } adalah partisi untuk T’( x ) dan {At:t€ γ } partisi untuk T( x ).
Maka definisi diatas mengatakan bahwa setiap Bt’ adalah himpunan bagian dari suatu At.
Jadi partisi yang bersesuaian dengan statistic cukup minimal adalah partisi yang paling
kasar dari suatu statistic cukup.
Seperti halnya definisi statistik cukup, definisi diatas tidak praktis untuk menentukan
statistic cukup minimal. Teorema Lehmann,Scheffe di bawah memberikan cara yang
lebih mudah untuk menentukan statistic cukup minimal.
Teorema 4 (Lehmann-Scheffe) :
Contoh 4 :
diketahui misalkan x dan y menyatakan dua titik sampel dan misalkan ( x,s x2 ),( y ,s 2 y )
masing-masing adalah mean sampel dan variansi yang bersesuaian dengan sampel x dan
y maka
65
( , ) ( 2πr 2 ) n/2
exp( n( x µ ) 2 ( n 1) s x2 /( 2r 2 ))
= =
| , ) ( 2πr 2 ) n/2
exp( n( y µ)2 ( n 1) s 2 y /( 2r 2 ))
=exp.( n( x 2
y 2 ) 2 nµ ( x y ) ( n 1)( s 2 x s 2 y )) /2r 2
Rasio ini akan tidak tergantung pada dan r2 bhb x = y dan s2x=s2y. jadi menurut
Catatan :
Statistik cukup minimal tidak tunggal. Setiap fungsi 1-1 pada statistik cukup minimal
juga merupakan statistik cukup minimal.
Definisi :
Statistik S(X)yang yang distribusinya tidak tergantung pada parameter θ disebut statistik
ancillary.
Statistik ancillary sendiri tidak memuat informasi tentang θ .tetapi bila digunakan dengan
statistik ancillary memuat informasi tentang θ .
Contoh 5 :
1. Misalkan x1,…,xn adalah observasi c.c.d dari keluarga parameter lokasi dengan c.d.f
F(x-θ ), -∞ < < ∞ kita akan menunjukkan bahwa range (jelajah) R=x (n)-x(1) adalah
statistik anacillary.andaikan z1,z2…,zn adalah i.i.d observasi dari F(x)(bersesuaian
dengan θ =0) dengan x1=z1+θ ,…xn=zn+θ . Selanjutnya c.d.f dari jelajah R adalah
FR(r|θ ) =Pθ (R≤ r)
=Pθ (maks x1-min x1≤ r)
66
=Pθ (maks (z1+θ )-min (z1+θ )≤ r)
=Pθ (maks z1-min z1+θ -θ ≤ r)
=Pθ (maks z1 – min z1 ≤ r)
Probabilitas terakhir tidak tergantung θ karena z 1,…zn tidak tergantung θ . Jadi c.d.f R
tidak tergantung θ . Karena itu R adalah statistik anacillary.
2. Keluarga parameter skala juga mempunyai jenis statistik anacillary tertentu. Misalkan
x1,…xn adalah i.i.d observasi dari keluarga parameter skala dengan c.d.f F(x|r),r>0.
Maka setiap statistik yang tergantung pada sampel melalui (n-1) harga-harga
x1/xn,…,xn-1/xn adalah statistik ancillary untuk melihat kenyataan ini, misalkan
z1,z2,..zn adalah i.i.d observasi dari F(x) (bersesuaian dengan r=1) dengan xi=r z1 c.d.f
bersama dari x1/xn,…,xn-1/xn adalah.
x1 xn 1
F(y1,…yn-1|1r) = Pr ( y1 .... yn 1 )
xn xn
rz1 rz n 1
=Pr ( y1 ,..., yn 1 )
rz n rz n
z1 zn 1
=Pr ( y1 ,..., yn 1 )
zn zn
Probabilitas terakhir tidak tergantung pada r karena distribusi z 1,…,zn tidak
tergantung pada r. sehingga distribusi
Dari x1/xn,…,xn-1/xn independen dari r.
Statistik cukup minimal adalah statistik yang telah mencapai reduksi data maksimal
tetapi masih menyimpan semua informasi tentang parameter θ . Karena distribusi dari
statistik anacillary. Tidak tergantung dari θ . Maka muncul dugaan bahwa statistik cukup
minimal akan independen dengan statistik anacillary. Tetapi tidaklah demikian
kenyataannya bahkan ada kasus dengan statistik anacillary merupakan komponen
penting dari statistik cukup.
67
Meskipun demikian, dalam banyak kasus penting intuisi kita yang mengatakan
bahwa statistik cukup minimal independen dengan statistik anacillary adalah besar.
Untuk itu diperlukan definisi sebagai berikut:
Definisi :
Misalkan f(t|θ ) adalah keluarga densitas dari statistik T( ).keluarga densitas disebut
lengkap. Bila Ee g(T)=0=z0 untuk semua θ maka P θ (g(T)=0)=1 untuk semua θ . Secara
ekuivalen,T( ) disebut statistik lengkap.
Catatan :
Perhatikan bahwa kelengkapan adalah sifat dari keluarga distribusi probabilitas, bukan
suatu distribusi tertentu.
Sebagai contoh: bila x u N(0,1),maka dengan mengidentifikasikan g(x)=x, maka kita
mempunyai Eg(x)=0. Tetapi fungsi g(x)=x memenuhi p(g(x)=0)=p(x=0)=0 bukan 1
meskipun demikian, ini adalah ditribusi tertentu bukan keluarga distribusi. Bila x u
N(θ ,1), − ∞ < (0,1),< ∞ , adalah lengkap.
Contoh 6 :
t 0
n
n
=(1-r)n g (t ) n
t untuk semua r dengan 0<r<1.
t 0 1 r
Dalam jelajah tersebut (1-r)n tidak nol karena itu
n t n
n r n
g (t ) t g (t ) t rt 0 , untuk setiap r,0<r<∞ .
t 0 1 r t 0
Tetapi pernyataan terakhir adalah pola nominal derajat n dalam r Dengan koefisien rt
adalah g(t) yang berharga nol, maka g(t)=0 untuk t=0,1,…n. karena T menjalani
harga-harga 0,1,…,n dengan probabilitas 1, maka ini menghasilkan p[g(T)=0]=1
untuk semua r karena itu, T adalah statistik lengkap.
68
2. Misalkan x1,…xn adalah i.i.d seragam (0,θ ),0<θ <∞ .. T( )= maks x1 adalah statistik
cukup dengan densitas
f(t|θ )= 0<t<0
0
andaikan g(t) adalah fungsi yang memenuhi Eg(T)=0 untuk semua θ . Karena Eg(T)
sebagai fungsi θ berharga konstan. Turunannya terhadap θ sama dengan nol jadi kita
mempunyai
0
d d
0= εg (T ) g (t )nt n 1θ n dt
dθ dθ 0
0 0
d d
=(θ -n
) ng (t )t n 1 dt + θ n
ng (t )t n 1 dt
dθ 0 dθ 0
-n n-1
=θ n g(θ )θ +0
-1
=θ n g(θ ).
-1 -1
Karena θ n g (θ )=0 dan θ m ≠ 0 maka g (θ ) =0. Karena ini berlaku untuk setiap θ
>0, maka T adalah statistik cukup lengkap. Sekarang kita akan menggunakan kriteria
kelengkapan untuk menunjukan syarat dimana statistik cukup minimal independen
statistik ancillary.
Teorema 5 (Basu) :
Bila T( x ) adalah statistik cukup minimal dan lengkap maka T( x ) independen dengan
setiap statistik ancillary.
Catatan : Teorema Basu berguna dalam arti bahwa untuk menunjukan bahwa dua statistik
independen kita tidak perlu menentukan densitas bersama dari kedua statistik tersebut.
Teorema 6 :
Misalkan x1…,xn adalah i.i.d dengan densitas dari keluarga eksponensial
n
f(x|θ ) = h(x) (|θ ) exp (w(θ ) t (x)) maka statistik T ( x) t ( x1 ) )= adalah lengkap.
i 1
Contoh 7 :
Akan dibuktikan bahwa x dan s2 independen bila sampel berasal dari populasi normal
N( µ ,δ 2 ). Pertama-tama pandang r2 tetap dan µ bervariasi,-∞ < µ < ∞ .telah kita kenal
69
δ2
bahwa adalah statistik cukup untuk µ dan N(µ, ) adalah keluarga lengkap, karena
n
distribusi ini adalah distribusi dari x , maka x adalah statistik lengkap. Sekarang pandang
s2. Dengan argumentasi yang sama untuk keluarga parameter lokasi ( δ 2 tetap, µ
bervariasi), s2 adalah statistik ancillary. Sehingga menurut teorema basu, s2 independen
dengan x . Jadi untuk sebarang µ dan δ 2 tetap, x dan s2 independen. Tetapi karena δ 2
sebarang, maka mean sampel dan variansi independen untuk sebarang pemulihan µ dan
δ 2.
70
BAB 7
ESTIMASI TITIK
7.1 Statistika inferensial
Estimasi adalah suatu proses untuk menduga parameter populasi dengan
menggunakan statistic sampel.Untuk mengetahui karakteristik yang bersifat numerik dari
suatu populasi, observasi terhadap satu atau lebih variabel acak yang terkait perlu
dilakukan. Hasil observasi ini kemudian dianalisis dengan menggunakan teknik-teknik
tertentu untuk mengestimasi karakteristik (dalam model parametrik disebut parameter)
populasi atau menguji hipotesis tentang populasi. Bagian statistika yang membahas teori
estimasi dan uji hipotesis dinamakan statistika inferensial (inferential statistics).
Estimasi parameter dibedakan menjadi dua macam, yaitu estimasi titik dan estimasi
interval.
1. Point estimation (estimasi Titik) adalah suatu nilai (suatu titik) yang digunakan untuk
menduga suatu parameter populasi.
2. Interval estimation (estimasi Interval) adalah suatu interval yang menyatakan selang
dimana suatu parameter populasi mungkin berada.
Bab ini membahas estimasi titik.
Definisi 2.1
Sebuah fungsi dari variabel acak terobservasi T=T(X1, X2, …, Xn) yang tidak tergantung
pada parameter populasi dinamakan statistik.
71
Contoh 2.1
Misalkan X1, X2, …, Xn merupakan sampel acak dari suatu populasi. Berikut ini dua
contoh statistik:
n
Xi
i 1
a. T ( X 1 ,..., X n ) : Xn , dinamakan sampel mean.
n
n
(Xi X n )2
b. T ( X 1 ,..., X n ) i 1
: S2 , dinamakan sampel varians.
n 1
Teorema 2.2
Jika X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi dengan mean
µ=E(Xi) dan variansi σ2=Var(Xi) maka
a. E ( X n ) µ. .
σ2
b. Var ( X n ) .
n
c. E ( S 2 ) σ2.
Untuk selanjutnya anggap populasi dimodelkan dengan variabel acak X yang mempunyai
distribusi dengan fungsi densitas f(x,θ) dimana θ merupakan parameter populasi.
Parameter θmungkin berupa vektor. Misalkan τ(θ) suatu fungsi dari parameter θ .
Misalkan X1, X2, …, Xn sampel acak dari X.
Definisi 2.3
Sebuah statistik T(X1, X2, …, Xn) yang digunakan untuk mengestimasi nilai dari τ(θ)
dinamakan estimator untuk τ(θ).
72
7.3 Metode-metode Estimasi
1. Metode Momen
Prinsip dari metode momen adalah menyamakan momen ke k dari populasi, yakni
n
k
Xi
E(Xk), dengan momen ke k dari sampel, yakni i 1
. Estimator untuk parameter θ
n
diperoleh dengan menyelesaikan sistem persamaan
n
k
Xi
E( X k ) i 1
, k 1,2,..., j. (3.1.1)
n
~
dan akan dinotasikan dengan θ .
Contoh 3.1.1
Misalkan X1, X2, …, Xn, merupakan sampel acak dari distribusi eksponensial,
X~EXP(θ) dengan fungsi densitas
0, x 0
f ( x;θ ) 1 x /θ
e , 0 x
θ
Karena E(X)=θ maka, dengan menggunakan rumus (3.1.1) dengan mengambil j=1,
n
Xi
~
diperoleh θ i 1
Xn .
n
Contoh 3.1.2
Misalkan X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi dengan
mean µ dan variansi σ2, maka dengan mudah dapat ditunjukkan bahwa
73
n
(Xi X n )2
µ~ X n dan σ~ 2 i 1
.
n
n 1 2
Perhatikan bahwa σ~ S dimana S2 adalah sampel varians.
2
Definisi 3.2.1
Untuk x1,…,xn yang tetap fungsi likelihood merupakan fungsi dari θ dan akan
dinotasikan dengan L(θ ), yakni L(θ )= f(x1,…,xn;θ ). Jika X1, X2, …, Xn adalah
sampel acak dari f(x,θ) maka
n
L(θ ) f ( xi ,θ )
i 1
Definisi 3.2.2
74
Jika merupakan interval terbuka dan jika L(θ ) terdiferensialkan dan mencapai
d
L(θ ) 0
dθ
d
ln L(θ ) 0
dθ
Persamaan yang terakhir umumnya lebih mudah digunakan untuk mencari estimator
maksimum likelihood θˆ .
Contoh 3.2.3
Misalkan X1, X2, …, Xn, merupakan sampel acak dari distribusi Poisson, X~POI(θ)
dengan fungsi densitas
θ xe θ
f ( x;θ ) , x 0,1,2,...
x!
Fungsi likelihood
n
xi
nθ
n
θi 1
e
L(θ ) f ( xi ,θ ) n
i 1
xi !
i 1
n n
ln L(θ ) xi ln θ nθ ln xi ! .
i 1 i 1
75
Persamaan maksimum likelihoodnya adalah
n
d xi
ln L(θ ) n 0
dθ i 1 θ
Terdapat kasus dimana estimator maksimum likelihood ada tetapi tidak dapat
diperoleh dengan menyelesaikan persamaan likelihood.
Contoh 3.2.4
Misalkan X1, X2, …, Xn, merupakan sampel acak dari distribusi eksponensial dengan
dua parameter, X~EXP(1,η) dengan fungsi densitas
0, x η
f ( x;η ) η)
e (x , η x
Fungsi likelihood
n
L(η ) exp ( xi η ) jika x1:n η
i 1
dan L(η )=0 untuk kasus selainnya. Disini jelas bahwa MLE untuk η adalah ηˆ X 1:n
Teorema 3.2.3
Jika θˆ adalah MLE dari θ dan u(θ ) adalah fungsi dari θ maka u (θˆ) adalah MLE
dari u(θ ).
Definisi
76
Sebuah estimator T dikatakan estimator tak bias untuk τ(θ ) jika
E(T)=τ(θ )
untuk semua θ . Jika tidak demikian T dikatakan estimator bias untuk τ(θ ).
Contoh
Jika X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi dengan mean
µ=E(Xi) dan variansi σ2=Var(Xi) maka menurut Teorema 2.2 X n dan S2 masing-masing
adalah estimator tak bias untuk µ dan σ2, karena E ( X n ) µ. dan E ( S 2 ) σ 2 . Tetapi
n 1 2
estimator σ~ S pada Contoh 3.2 merupakan estimator bias untuk σ2 karena
2
n
n 1 2 n 1 n 1 2
E (σ~ 2 ) E S E (S 2 ) σ .
n n n
Definisi
Jika T adalah estimator untuk τ(θ ), maka bias dari T didefinisikan sebagai
b(T)=E(T)-τ(θ )
MSE(T)=E[T-τ(θ )]2.
Teorema 4.3
MSE(T)=Var(T)+[b(T)]2.
Definisi 4.4
77
a. T* estimator tak bias untuk τ(θ ), dan
b. Untuk sebarang estimator tak bias T untuk τ(θ ), Var(T*) Var(T) untuk semua θ .
Dalam kasus tertentu UMVUE untuk τ(θ) dapat ditemukan dengan menggunakan
batas bawah Cramer-Rao (Cramer-Rao lower bound / CRLB).
[τ ' (θ )]2
Var (T ) 2
.
nE ln f ( X ,θ )
θ
Contoh 4.2
Misalkan X1, X2, …, Xn, merupakan sampel acak dari sebarang distribusi
eksponensial, X~EXP(θ) dan
τ(θ) = θ. Karena
ln f ( x,θ ) (x θ ) /θ 2
θ
E ln f ( X ,θ ) 1/ θ 2 ,
θ
sehingga CRLB untuk τ(θ ) sama dengan θ2/n. Jelas bahwa X n merupakan estimator tak
Definisi 4.6
78
Misalkan T dan T* merupakan estimator tak bias untuk τ(θ ). Efisisensi relatif
dari T terhadap T* didefinisikan sebagai
Var (T *)
re(T , T *) .
Var (T )
T* dikatakan efisien jika re(T,T*) 1 untuk semua estimator tak bias T untuk τ(θ ) dan
semua θ . Jika T* adalah estimator efisien untuk τ(θ ) maka efisiensi dari estimator tak
bias T untuk untuk τ(θ ) didefinisikan sebagai
e(T)= re(T,T*).
Definisi 5.1
Barisan estimator {Tn} untuk τ(θ ) dikatakan konsisten (simpel konsisten) jika untuk
setiap ε> 0
lim n P (| Tn τ (θ ) | ε ) 1
untuk setiap θ .
Definisi 5.2
untuk setiap θ .
Definisi 5.3
79
Barisan estimator {Tn} untuk τ(θ ) dikatakan tak bias asimtotik jika
lim n E (Tn ) τ (θ )
untuk setiap θ .
Teorema 5.4
Barisan estimator {Tn} untuk τ(θ ) adalah MSE konsisten jika dan hanya jika barisan
estimator tersebut tak bias asimtotik dan lim n Var (Tn ) 0.
Teorema 5.5
Jika barisan estimator {Tn} untuk τ(θ ) adalah MSE konsisten maka barisan estimator
tersebut juga simpel konsisten.
Teorema 5.6
Jika barisan estimator {Tn} untuk τ(θ ) adalah simpel konsisten dan jika g(t) adalah
fungsi yang kontinu pada setiap nilai dari τ(θ ) maka g(Tn) simpel konsisten untuk
g(τ(θ)).
Definisi 5.7
Misalkan {Tn} dan {Tn*} merupakan estimator tak bias asimtotik untuk τ(θ ). Efisisensi
relatif asimtotik dari Tn terhadap Tn* didefinisikan sebagai
Var (Tn *)
are(Tn , Tn *) limn .
Var (Tn )
Barisan {Tn*} dikatakan efisien secara asimtotik jika are(Tn,Tn*) 1 untuk semua barisan
estimator tak bias asimtotik {Tn} untuk τ(θ ) dan semua θ . Jika {Tn*} adalah barisan
estimator efisien secara asimtotik untuk τ(θ ) maka efisiensi asimtotik dari barisan
estimator tak bias asimtotik {Tn} untuk untuk τ(θ ) didefinisikan sebagai
ae(Tn)= are(Tn,Tn*).
80
Di bawah kondisi tertentu, yang dinamakan kondisi reguler, estimator maksimum
likelihood θˆn mempunyai sifat:
1
2
.
nE ln f ( X ,θ )
θ
Definisi 6.1
Jika T adalah estimator untuk τ(θ ) maka sebarang fungsi bernilai real dinamakan loss
function jika memenuhi
dan
Definisi 6.2
RT(θ) =E[L(T;θ)].
Definisi 6.3
Sebuah estimator T1 dikatakan better estimator dari estimator T2 jika dan hanya jika
81
RT1 (θ ) RT2 (θ ) untuk semua θ
dan
Sebuah estimator T dikatakan admissible jika tidak ada lagi better estimator.
Definisi 6.4
max{RT1 (θ ) : θ } max{RT (θ ) : θ }
Definisi 6.5
Untuk sampel acak dari f(x,θ), Bayes risk dari sebuah estimator T relatif terhadap
risk function RT(θ) dan fungsi densitas p(θ) adalah rata-rata risk terhadap p(θ), yakni
AT Eθ [ RT (θ )] RT (θ ) p(θ )dθ .
Definisi 6.6
Untuk sampel acak dari f(x,θ), Bayes estimator T* relatif terhadap risk function
RT(θ) dan fungsi densitas p(θ) adalah estimator dengan minimum ekspektasi risk, yakni
Eθ [ RT * (θ )] Eθ [ RT (θ )]
Definisi 6.7
Fungsi densitas bersyarat dari θ bila diberikan observasi sampel x=(x1, …, xn)
dinamakan posterior density dan diberikan oleh
82
f ( x1 ,..., xn | θ ) p (θ )
fθ | x (θ ) .
f ( x1 ,..., xn | θ ) p (θ )dθ
Teorema 6.8
Jika X1, …, Xn adalah sampel acak dari f(x|θ) maka Bayes estimator adalah estimator
yang meminimumkan harga harapan loss relatif terhadap distribusi posterior dari θ|x,
yakni
Eθ | x [ L(T ;θ )] .
Definisi 7.1.2
Suatu himpunan statistik dikatakan sebagai himpunan statistik cukup minimal jika
anggota-anggotanya adalah statistik cukup gabungan untuk parameter dan jika
statistik-statistik tersebut merupakan fungsi dari himpunan statistik cukup gabungan
yang lain.
Definisi 1.1 tidak bersifat operasional untuk menyelidiki bahwa suatu statistik
merupakan statistik cukup. Karena sebarang statistik merupakan fungsi dari sampel
X=(X1, X2, …, Xn) maka untuk menyelidiki statistik cukup, cukup ditunjukan bahwa
fX|s(x), tidak tergantung θ.
83
Contoh 7.1.1
n
Xi
1
f ( x1 ,..., xn ;θ ) exp i 1
, xi 0.
θn θ
n
Akan ditunjukkan bahwa S X i adalah statistik cukup untuk θ. Karena S
i 1
1 s /θ
f S ( s;θ ) s n 1e , s 0
θ ( n)
n
maka
(n)
f X | s ( s)
sn 1
Teorema 7.1.3
Jika X1, X2, …, Xn, mempunyai densitas bersama f(x,θ) maka S=(S1, S2, …, Sk)
merupakan statistik cukup gabungan untuk θ jika dan hanya jika
84
f ( x1 ,..., xn ;θ ) g ( s;θ ) h( x1 ,..., xn )
dimana g(s,θ) tidak tergantung pada x1, …, xn, kecuali melalui s, dan h(x1, …, xn)
tidak tergantung θ.
Contoh 7.1.2
n n
xi n xi
f ( x1 ,..., xn ;θ ) θi 1
(1 θ ) i 1
θ s (1 θ ) n s .
g ( s;θ )h( x1 ,..., xn )
n n
dimana s xi dan h(x1, …, xn)=1. Jadi S X i merupakan statistik cukup
i 1 i 1
untuk θ.
Jika S1, …, Sk adalah statistik cukup gabungan untuk θ dan jika θˆ adalah satu-
Teorema 2.2
Jika S adalah statistik cukup untuk θ maka sebarang Bayes estimator merupakan
fungsi dari S.
85
Teorema 2.3
Jika X1, X2, …, Xn merupakan sampel acak dari sebarang distribusi kontinu dengan
fungsi densitas bersama f(x,θ) maka order statistik membentuk statistik cukup
gabungan untuk θ.
Misalkan X1, X2, …, Xn mempunyai fungsi densitas bersama f(x,θ) dan S=(S1, S2, …,
Sk) merupakan statistik cukup gabungan untuk θ. Jika T adalah sebarang estimator
tak bias untuk τ(θ) dan T*=E(T|S) maka
Definisi 8.1
86
Keluarga fungsi densitas {fT(t,θ ); θ } dikatakan lengkap jika E[u(T)]=0 untuk semua
θ mengakibatkan u(T)=0 dengan probabilitas 1 untuk semua θ .
Sebuah statistik cukup dari anggota keluarga yang lengkap dinamakan statistik cukup
lengkap.
Misalkan X1, X2, …, Xn mempunyai fungsi densitas bersama f(x,θ) dan S=(S1, S2, …,Sk)
satatistik cukup gabungan untuk θ. Jika T*=T*(S1, S2, …,Sk) adalah statistik yang tak bias
untuk τ(θ ) dan merupakan fungsi dari S, maka T* adalah UMVUE untuk
τ(θ ).
Definisi 8.3
Sebuah fungsi densitas dikatakan termasuk dalam anggota keluarga eksponensial reguler
jika fungsi densitas tersebut dapat dituliskan dalam bentuk
k
f ( x;θ ) c (θ ) h( x ) exp q j (θ )t j ( x ) , x A
j 1
dan f(x,θ)=0 untuk nilai x yang lain, dimana θ adalah vektor parameter berdimensi k, jika
ruang parameter berbentuk
dan jika f(x,θ) memenuhi kondisi reguler 1, 2, dan 3a atau 3b, yaitu
87
1. Himpunan A={x: f(x,θ) >0} tidak tergantung θ.
2. Fungsi qj(θ ) tidak trivial, independen, dan kontinu.
3. a. Untuk variabel acak kontinu fungsi turunan tj’(x) linear independen dan kontinu.
b. Untuk variabel acak diskret fungsi tj(x) tidak trivial pada A dan tak satupun yang
merupakan fungsi linear dari yang lain.
Teorema 8.4
Jika X1, X2, …, Xn merupakan sampel acak dari anggota kelas eksponensial reguler maka
satatistik-statistik
n n
S1 t1 ( X i ),..., S k tk ( X i )
i 1 i 1
88
DAFTAR PUSTAKA
Lindgren, B. W., (1993), Statistical Theory 4th edition, Chapman & Hall Inc, New York.
Dajan, Anto, 1986. “Pengantar Metode Statistik Jilid II”. Penerbit LP3ES, Jakarta.
Supranto, 1994. “Statistik Teori dan Aplikasi Jilid 2”. Penerbit Erlangga,Jakarta.
89
RENCANA KEGI ATAN PERKULI AHAN SEMESTER ( RKPS)
2016
Lembar Pengesahan
Penyusun,
(Aleksius Madu)
Capaian Pembelajaran : Setelah mengikuti mata kuliah ini, mahasiswa memahami kemampuan berfikir matematis serta
terampil membuktikan sifat, lema, dan teorema serta menyelesaikan soal yang berhubungan dengan
topik materi perkuliahan. Keluaran dari perkuliahan ini adalah mahasiswa mempunyai kemampuan
matematis yang memadai sebagai bekal dalam mempelajari mata kuliah lain yang berkaitan dengan
statistik
Matriks Pembelajaran :
Minggu/ Kemampuan akhir Bahan Kajian Strategi Latihan yang Kriterian Bobot
Pertemua yang diharapkan ( Materi Ajar) Pembelajara dilakukan Penilaian
n n ( I ndikator)
Termotivasi untuk Kontrak Kuliah Pembelajaran Menuliskan
menguasai capaian Rancangan langsung harapan yang
pembelajaran yang pembelajaran diharapkan
diharapkan Membagi
kelompok @ 5
orang
1-2
Mahasiswa Denifisi variable Pembelajaran Berdiskusi Ketepatan 10 %
memahami random dan langsung, tentang topik penjelasan,
pengertian variable distribusi tanya jawab yang diberikan Daya tarik,
random dan peluang diskrit, dan presentasi Presentasikan komunikasi
distribusi peluang distribusi peluang mahasiswa di depan kelas
yang meliputi gabungan dan
penyelesaian
konsep variable masalah nyata.
random, distribusi
peluang diskrit,
distribusi peluang
kontinu dan
distribusi peluang
gabungan
Asas reduksi
data (statistic
cukup minimal)
dan aplikasinya
Pertemuan ke : 1,2
A. Tujuan Tugas : Mengkaji dan mendiskusikan definnisi-definisi terkait variable random dan distribusi peluang
serta memberikan contoh-contoh sesuai dengan kehidupan nyata dan menyelesaikan masalah
nyata
B. Uraian Tugas : Membuat Makalah (Paper)
1. Obyek Garapan : Denifisi variable random dan distribusi peluang diskrit, distribusi peluang gabungan dan
penyelesaian masalah nyata.
2. Metode Pengajaran : Pembelajaran Langsung, Tanya Jawab, Presentasi
3. Deskripsi luaran tugas
yang dihasilkan : mahasiswa dapat Mengkaji dan mendiskusikan definnisi-definisi terkait variable random dan
distribusi peluang serta memberikan contoh-contoh sesuai dengan kehidupan nyata dan
menyelesaikan masalah nyata, menyusun makalah untuk dipresentasikan
C. Kriteria Penilaian (100%)
1. Ketepatan Penjelasan : 40
2. Komunikasi
a. Tertulis : 30
b. Lisan : 30
SKEMA JENJANG KOMPETENSI UNTUK KRI TERI A PENI LAI AN
Pertemuan ke :3
A. Tujuan Tugas : Menjelaskan definisi dan penggunaan konsep ekspektasi dan variansi (ekspektasi, variansi)
serta membuktikan teorema
B. Uraian Tugas : Membuat Makalah (Paper)
1. Obyek Garapan : Ekspektasi dan Varians
2. Metode Pengajaran : Pembelajaran Langsung, Diskusi, Presentasi
3. Deskripsi luaran tugas
yang dihasilkan : Mahasiswa dapat menjelaskan definisi dan penggunaan ekspektasi dan varians,
menyusun makalah untuk dipresentasikan
C. Kriteria Penilaian (100%)
1. Ketepatan Penjelasan : 40
2. Komunikasi
a. Tertulis : 30
b. Lisan : 30
SKEMA JENJANG KOMPETENSI UNTUK KRI TERI A PENI LAI AN
Pertemuan ke :4
A. Tujuan Tugas : Menjelaskan konsep, dan menggunakannya dalam memecahkan masalah terkait Statistik
Terurut/ Statistik Terarah
B. Uraian Tugas : Membuat Makalah (Paper)
1. Obyek Garapan : Statistik Terurut/ Statistik Terarah
2. Metode Pengajaran : Pembelajaran Langsung, Diskusi, Presentasi
3. Deskripsi luaran tugas
yang dihasilkan : Mahasiswa dapat menjelaskan konsep dan menerapkannya dalam pemecahan
masalah terkait statistik terurut dan statistik terarah, menyusun makalah untuk
dipresentasikan
C. Kriteria Penilaian (100%)
1. Ketepatan Penjelasan : 40
2. Komunikasi
a. Tertulis : 30
b. Lisan : 30
SKEMA JENJANG KOMPETENSI UNTUK KRI TERI A PENI LAI AN
Pertemuan ke : 5,6
A. Tujuan Tugas : Menjelaskan dan menyelesaikan soal yang berkaitan dengan distribusi peluang diskrit
(distribusi binomial, percobaan multinomial, distribusi hipergeometri, distribusi
binomial negative, distribusi geometri, distribusi poisson)
B. Uraian Tugas : Membuat Makalah (Paper)
1. Obyek Garapan : Distribusi peluang diskrit
2. Metode Pengajaran : Pembelajaran Langsung, Diskusi, Presentasi
3. Deskripsi luaran tugas
yang dihasilkan : mahasiswa dapat menjelaskan dan menyelesaikan masalah yang berkaitan dengan
distribusi diskrit, menyusun makalah untuk dipresentasikan
C. Kriteria Penilaian (100%)
1. Ketepatan Penjelasan : 40
2. Komunikasi
a. Tertulis : 30
b. Lisan : 30
SKEMA JENJANG KOMPETENSI UNTUK KRI TERI A PENI LAI AN
Pertemuan ke : 7, 8
A. Tujuan Tugas : Menjelaskan penggunaan distribusi peluang kontinu (distribusi uniform, distribusi
normal, distribusi eksponensial dan gamma, distribusi chi-square, distribusi lognormal,
distribusi weibull)
B. Uraian Tugas : Membuat Makalah (Paper)
1. Obyek Garapan : Distibusi Peluang Kontinu
2. Metode Pengajaran : Pembelajaran Langsung, Diskusi, Presentasi
3. Deskripsi luaran tugas
yang dihasilkan : mahasiswa dapat menjelaskan penggunaan distribusi peluang kontinu, menyusun
makalah untuk dipresentasikan
C. Kriteria Penilaian (100%)
1. Ketepatan Penjelasan : 40
2. Komunikasi
a. Tertulis : 30
b. Lisan : 30
SKEMA JENJANG KOMPETENSI UNTUK KRI TERI A PENI LAI AN
Pertemuan ke : 10
Pertemuan ke : 11,12, 13
A. Tujuan Tugas : Menjelaskan asas reduksi data (The Sufficiency Princilpe, Halmus and Savage
Theorem, statistic cukup minimal)
B. Uraian Tugas : Membuat Makalah (Paper)
1. Obyek Garapan : Asas Reduksi Data
2. Metode Pengajaran : Pembelajaran Langsung, Diskusi, Presentasi
3. Deskripsi luaran tugas
yang dihasilkan : mahasiswa dapat menjelaskan tentang asas reduksi data serta aplikasinya dalam
pemecahan masalah, menyusun makalah untuk dipresentasikan
C. Kriteria Penilaian (100%)
1. Ketepatan Penjelasan : 40
2. Komunikasi
a. Tertulis : 30
b. Lisan : 30
SKEMA JENJANG KOMPETENSI UNTUK KRI TERI A PENI LAI AN
Pertemuan ke : 14,15
A. Tujuan Tugas : Menjelaskan metode estimasi titik (metode momen, metode likelihood, estimator
bayes)
B. Uraian Tugas : Membuat Makalah (Paper)
1. Obyek Garapan : Estimasi Titik
2. Metode Pengajaran : Pembelajaran Langsung, Diskusi, Presentasi
3. Deskripsi luaran tugas
yang dihasilkan : mahasiswa dapat menjelaskan dan melakukan operasiterkait estimasi titik, menyusun
makalah untuk dipresentasikan
C. Kriteria Penilaian (100%)
1. Ketepatan Penjelasan : 40
2. Komunikasi
a. Tertulis : 30
b. Lisan : 30
SKEMA JENJANG KOMPETENSI UNTUK KRI TERI A PENI LAI AN
I V. Buku Sumber
A. Textbook :
1. Walpole R.E, 1995, Pengantar Statistika, Gramedia Pustaka Utama,
Jakarta,
2. Sudjana, 1996, Metoda Statistika, Tarsito, Bandung,
3. Walpole R.E, Myers R.H, Myers S.L, 2003, Probabilitas dan Statistika,
Prenhallindo, Jakarta.
B. Acuan/ Referensi:
1. Dudewicz E.J, Mishra S.N, 1988, Modern Mathematical Statistics, Jhon Wiley
& Sons, New York,
2. Lehmann E.L, 1983, Theory of Point Estimation, Jhon Wiley & Sons, New
York.
V. Assignments
1. Mempelajari materi statistik matematika dan mendiskusikannya di dalam kelas.
2. Mengikuti kegiatan pembelajaran di kelas secara aktif.
3. Mengerjakan tugas-tugas individu dan kelompok.
VI . Kegiatan Perkuliahan
Pertemuan
Topik Bahasan Kegiatan Pembelajaran Waktu
ke.
I Denifisi variable random Mengkaji dan mendiskusikan definnisi-definisi terkait variable 3× 50 menit
dan distribusi peluang random dan distribusi peluang serta memberikan contoh-contoh
diskrit sesuai dengan kehidupan nyata dan menyelesaikan masalah nyata
IV Statistik Terurut/ Statistik Mengkaji dan mendiskuskan serta menyelesaikan masalah yang 3 x 50 menit
Terarah terkait statistic terurut
V Distribusi peluang Mendiskusikan sifat-sifat yang berkaitan dengan Distribusi binomial, 3X50 menit
diskrit(distribusi percobaan multinomian dan hipergeometri serta menyelesaikan
binomial, percobaan masalah nyata dalam kehidupan sehari-hari
multinomial dan
distribusi
hipergeometri)
Pertemuan
Topik Bahasan Kegiatan Pembelajaran Waktu
ke.
VI Distribusi peluang Mendiskusikan sifat-sifat yang berkaitan dengan distribusi binomial 3× 50 menit
diskrit (distribusi negative, distribusi geometri, dan distribusi poisson serta
binomial negative, menyelesaikan masalah nyata dalam kehidupan sehari-hari
distribusi geometri,
distribusi poisson)
VII Penggunaan distribusi Mendiskusikan tentang penggunaan distribusi peluang kontinu 3× 50 menit
peluang kontinu (distribusi uniform, distribusi normal) dan menyelesaikan masalah
(distribusi uniform, nyata
distribusi normal)
VIII Penggunaan distribusi Mendiskusikan tentang penggunaan distribusi peluang kontinu 3× 50 menit
peluang kontinu (distribusi eksponensial dan gamma, distribusi chi-square, distribusi
(distribusi eksponensial lognormal, distribusi weibull) dan menyelesaikan masalah nyata
dan gamma, distribusi
chi-square, distribusi
lognormal, distribusi
weibull)
IX UJIAN TENGAH SEMESTER 3× 50 menit
X Model-model statistik Mengkaji dan mendiskusikan model-model statistic dan keluarga 3× 50 menit
dan keluarga dan memberikan contoh-contoh sesuai dengan kehidupan nyata
dan menyelesaikan masalah nyata
XI Asas reduksi data (The Mengkaji dan mendiskusikan terkait asas reduksi data (The 3× 50 menit
sufficiency principle) sufficiency principle) dan memberikan contoh-contoh sesuai
dengan kehidupan nyata dan menyelesaikan masalah nyata
XII Asas reduksi data Mengkaji dan mendiskusikan terkait asas reduksi data (Halmus and 3× 50 menit
(Halmus and Savage Savage Theorem) dan memberikan contoh-contoh yang sesuai
Theorem) dan
Pertemuan
Topik Bahasan Kegiatan Pembelajaran Waktu
ke.
XIII Asas reduksi data Mengkaji dan mendiskusikan terkait asas reduksi data ((statistic 3× 50 menit
(statistic cukup cukup minimal) dan memberikan contoh-contoh yang sesuai
minimal) dan dengan kehidupan nyata dan menyelesaikan masalah nyata
aplikasinya
XIV Metode estimasi titik Mendiskusikan materi terkait metode estimasi titik (metode 3× 50 menit
(metode momen) momen) dan memberikan contoh-contoh yang sesuai dengan
kehidupan nyata dan menyelesaikan masalah nyata
XV Metode estimasi titik Mendiskusikan materi terkait metode estimasi titik (metode 3× 50 menit
(metode likelihood, likelihood, estimator bayes) dan memberikan contoh-contoh yang
estimator bayes) sesuai dengan kehidupan nyata dan menyelesaikan masalah nyata
I V. Buku Sumber
A. Textbook :
1. Walpole R.E, 1995, Pengantar Statistika, Gramedia Pustaka Utama,
Jakarta,
2. Sudjana, 1996, Metoda Statistika, Tarsito, Bandung,
3. Walpole R.E, Myers R.H, Myers S.L, 2003, Probabilitas dan Statistika,
Prenhallindo, Jakarta.
B. Acuan/ Referensi:
1. Dudewicz E.J, Mishra S.N, 1988, Modern Mathematical Statistics, Jhon Wiley
& Sons, New York,
2. Lehmann E.L, 1983, Theory of Point Estimation, Jhon Wiley & Sons, New
York.
V. Assignments
1. Mempelajari materi statistik matematika dan mendiskusikannya di dalam kelas.
2. Mengikuti kegiatan pembelajaran di kelas secara aktif.
3. Mengerjakan tugas-tugas individu dan kelompok.
VI . Kegiatan Perkuliahan
Minggu Kompetensi Dasar Materi Pokok Strategi Sumber Penyaji
VI I . Penilaian
No. Kegiatan Bobot ( % )
1 Kehadiran 5
3 Tugas-tugas 15
5 Ujian Semester 30
Jumlah 100%