Paiseriebook Statistika Matematik Untuk Aktuaris
Paiseriebook Statistika Matematik Untuk Aktuaris
Siswadi
Windiani Erliana
Statistika Matematik
Untuk Aktuaris
STATISTIKA MATEMATIK
UNTUK
AKTUARIS
2019
Daftar Isi
1 Sebaran Multivariat 1
1.1 Vektor Peubah Acak . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Fungsi Sebaran Bersama . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Fungsi Massa Peluang Marginal . . . . . . . . . . . . . 2
1.2.2 Fungsi Kepekatan Peluang Marginal . . . . . . . . . . 2
1.3 Nilai Harapan . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Kebebasan Vektor Peubah Acak . . . . . . . . . . . . . . . . . 4
1.5 Dekomposisi Spektrum . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Matriks Koragam . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7 Sebaran Normal Multivariat . . . . . . . . . . . . . . . . . . . 12
1.8 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Pendugaan Parameter 37
3.1 Penduga Titik . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Metode Pendugaan Titik . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 Metode Momen . . . . . . . . . . . . . . . . . . . . . . 38
3.2.2 Metode Kemungkinan Maksimum . . . . . . . . . . . . 42
3.3 Sifat-Sifat Penduga . . . . . . . . . . . . . . . . . . . . . . . . 51
1
DAFTAR ISI 2
3.3.1 Ketakbiasan . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.2 Efisiensi Relatif Penduga . . . . . . . . . . . . . . . . . 54
3.3.3 Efisiensi dan Pertaksamaan Rao-Cramèr . . . . . . . . 55
3.3.4 Kekonsistenan . . . . . . . . . . . . . . . . . . . . . . . 63
3.4 Penduga Selang . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.1 Selang Kepercayaan Beda Dua Nilai Tengah . . . . . . 70
3.4.2 Selang Kepercayaan Nisbah Dua Ragam . . . . . . . . 71
3.5 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4 Kecukupan 76
4.1 Statistik Cukup . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.2 Kelengkapan dan Kekhasan . . . . . . . . . . . . . . . . . . . 83
4.3 Kelas Eksponen . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5 Pendugaan Bayes 94
5.1 Prinsip Minimax . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2 Sebaran Prior dan Posterior . . . . . . . . . . . . . . . . . . . 96
5.3 Metode Pendugaan Bayes . . . . . . . . . . . . . . . . . . . . 98
5.4 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
i
31 BAB 1
32 Sebaran Multivariat
Dalam bab ini, digunakan notasi vektor untuk menyatakan peubah acak
X1 , X2 , ..., Xn . Sebagai contoh, (X1 , X2 , ..., Xn )0 merupakan vektor kolom X
yang memiliki nilai (x1 , x2 , ..., xn )0 , ∀xi ∈ R.
X = x
(X1 , X2 , ...,
n X )0 = (x
1 , x2 , ..., xn )
0
X1 x1
X2 x2
.. = ..
. .
Xn xn
1
1.2 Fungsi Sebaran Bersama 2
X X
FX (x) = ... p (w1 , ..., wn ) ,
w1 ≤x1 ,...,wn ≤xn
sedangkan jika n peubah acak tersebut adalah peubah acak kontinu, maka
Z Z
FX (x) = ... f (w1 , ..., wn ) dw1 ...dwn ,
w1 ≤x1 ,...,wn ≤xn
n
∂
FX (x) = f (x) ,
∂x1 ...∂xn
42 dengan fungsi p dan f secara berturut-turut merupakan fungsi massa pelu-
43 ang dan fungsi kepekatan peluang bagi vektor peubah acak x.
n
n
P P
55 Bukti. Misal AV = aik Vkj dan BW = bik Wkj , maka
k=1 k=1
" n n
#!
X X
E [AV + BW] = E aik Vkj + bik Wkj
k=1 k=1
n
! n
!
X X
= aik E [Vkj ] + bik E [Wkj ]
k=1 k=1
= AE [V] + BE [W] .
56 Pembuktian E [AWC] = AE [W] C digunakan sebagai latihan. z
Teorema 1.3 Misalkan X1 , X2 , ..., Xn adalah peubah acak yang saling bebas
dan fungsi pembangkit momen bagi Xi ialah MXi (t) , ∀i = 1, ..., n. Misalkan
Pn
pula T = ki Xi , dengan k1 , ..., kn suatu konstanta, maka fungsi pembangkit
i=1
momen bagi T ialah
n
Y
MT (t) = MXi (ki t) , −min {hi } < t < min {hi } .
i i
i=1
Contoh 1.2 Misalkan X1 , X2 , X3 adalah peubah acak saling bebas yang masing-
masing memiliki fungsi kepekatan peluang sebagai berikut
Z1 Z1 Z1
5x1 (x2 )3 + 3x2 (x3 )4 8x1 x2 x3 dx1 dx2 dx3 = 2.
0 0 0
67 Jika peubah acak saling bebas memiliki sebaran yang sama, maka peubah
68 acak tersebut disebut peubah acak bebas stokastik identik (bsi). Berikut ini
69 merupakan akibat dari Teorema 1.3 untuk peubah acak bsi.
Akibat 1.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak bsi dengan fungsi
pembangkit peluang MX (t) , −h < t < h dengan h > 0. Misalkan pula T =
Pn
Xi , maka fungsi pembangkit momen bagi T ialah
i=1
Secara intuisi, pendekatan matriks dengan matriks lain (misalnya yang berper-
ingkat lebih rendah) dapat diperoleh dengan membuang beberapa matriks
terakhir yang terkait dengan nilai eigen yang kecil. Karena nilai eigen dari
matriks semi-definit positif selalu ≥ 0, maka matriks Σ dapat ditulis dalam
bentuk lain, yaitu 1 1 1 2
Σ = Σ2 Σ2 = Σ2 ,
1 1 1 √ √ √
di mana Σ 2 = Γ0 Λ 2 Γ dengan Λ 2 = diag λ1 , λ2 , . . . , λn . Misalkan
Σ merupakan matriks yang definit positif, yang berarti nilai eigennya selalu
positif, maka 1 −1 1 1
Σ2 = Σ− 2 = Γ0 Λ− 2 Γ
dengan
−1 1 1 1
Λ 2 = diag √ , √ ,..., √ .
λ1 λ2 λn
Contoh 1.3 Tentukan dekomposisi spektrum dari matriks berikut
3 0 −1
Σ = 0 4 0 .
−1 0 3
1 1
79 Tentukan pula Σ 2 dan Σ− 2 .
1.5 Dekomposisi Spektrum 7
= (4 − λ) (3 − λ + 1) (3 − λ − 1)
= (4 − λ)2 (2 − λ) ,
λ1 = λ2 = 4, λ3 = 2,
dan vektor-vektor eigen yang berpadanan dengan nilai eigen tersebut ialah
0 −1 1
v1 = 1 , v2 = 0 , dan v3 = 0 .
0 1 1
Σ = Γ0 Λ1/2 Γ
−1 √1
0 √ 0 1 0
3 0 −1 2 2 4 0 0
−1 √1
0 4 0 = 1 0 0 0 4 0 √ 2
0 2
.
1 1 1 √1
−1 0 3 0 √
2
√
2
0 0 2 √
2
0 2
1.6 Matriks Koragam 8
Σ1/2 = Γ0 Λ1/2 Γ
−1 √1
0 √ 0 1 0
2 2 2 0 0
−1 √1
= 1 0 0 0 2 0 √2 0
√ 2
0 √12 √12 0 0 2 √1
2
0 √1
2
1√ √
0 21 2 − 1
2
2+1
= √0 2 √0 .
1 1
2
2 − 1 0 2 2+1
Σ−1/2 = Γ0 Λ−1/2 Γ
−1 √1
1
0 √ 0 1 0
2 2 2
0 0
1 −1 √1
= 1 0 0 0 2
0 √
2
0 2
1 1 1 1
0 √2 √2 0 0 √2 √ 0 √1
2 2
1√ √
2 + 41 0 41 2 − 14
4
1
= √0 2 √ 0 .
1
2 − 41 0 14 2 + 41
4
83 z
96 sehingga
ΣX = ΣX,X
= E (XX0 ) − µX µ0X .
1.6 Matriks Koragam 10
sehingga
Cov (AX) = ΣAX = AΣX A0 .
99 Misalkan pula
V = AX + δ
W = BY + η
E (V) = AµX + δ,
E (W) = BµY + η,
Cov (V, W) = AΣX,Y B0 ,
sehingga
Cov (V) = AΣX A0 .
Contoh 1.4 Misalkan X = [X, Y, Z]0 merupakan vektor peubah acak dengan
E (X) = [1, 4, −6]0 dan matriks koragam
3 2 1
Σ = 2 2 1 .
1 1 3
101 Tentukan nilai harapan serta matriks koragam dari peubah acak T dan W
102 jika
X − Y + 2Z + 2
T = 2X − Y + 3Z + 1, W = .
2X + 4Y − Z + 3
1.6 Matriks Koragam 11
103 Jawab. Peubah acak T dan W dapat dinyatakan sebagai suatu vektor,
104 yaitu
T = 2X − Y + 3Z + 1 = [ 2, −1, 3] X+1,
X − Y + 2Z 1 −1 2 2
W = = X+ .
2X + 4Y − Z 2 4 −1 3
105 Selanjutnya, menentukan nilai harapan dan matriks koragam bagi masing-
106 masing peubah acak.
E (T ) = [ 2, −1, 3] E (X) + 1
1
= [ 2, −1, 3] 4 + 1
−6
= −20 + 1
= −19
3 2 1 2
ΣT = [ 2, −1, 3] 2 2 1 −1
1 1 3 3
= 39
1 −1 2 2
E (W) = E (X) +
2 4 −1 3
1
1 −1 2 4 + 2
=
2 4 −1 3
−6
15 2
= +
24 3
17
=
27
3 2 1 1 2
1 −1 2 2 2 1 −1 4
ΣW =
2 4 −1
1 1 3 2 −1
13 8
= .
8 67
107 z
1.7 Sebaran Normal Multivariat 12
108 Tentukan :
2
1 3 −2 5
1
110 Cov (U ,Z) = (1, 2, −3) −1 2
4 6
4 = 34.
2 1 0 7
−5
1 −2 3 −5 7
1 2 −3 3
111 2. V = X+ , W = 2 1 −4 −1 Y+ 0 .
4 −2 1 4
1 1 −6 2 0
1 2 1
1 3 −2 5
1 2 −3 −2 1 1
Cov (V, W) = −1 2 4 6
4 −2 1 3 −4 −6
112 2 1 0 7
−5 −1 2
23 −30 −47
= .
−133 74 143
116 merupakan peubah acak bebas stokastik identik yang memiliki sebaran nor-
117 mal baku, Zi ∼ N (0, 1) , i = 1, ..., n. Fungsi kepekatan peluang bagi Z ialah
n
Y 1 1 2
fZ (z) = √ exp − zi
i=1
2π 2
n ( n
)
1 2 1X 2
= exp − z
2π 2 i=1 i
n
1 2 1 0
= exp − z z , z ∈ Rn .
2π 2
119 1. E (Z) = 0,
125 Selanjutnya, karena peubah acak Zi bebas stokastik identik, maka fungsi
126 pembangkit momen bagi Z ialah
1.7 Sebaran Normal Multivariat 14
127 Dengan demikian, vektor peubah acak Z dikatakan memiliki sebaran normal
128 multivariat dengan vektor nilai harapan 0 dan matriks koragam In yang
129 dinotasikan dengan Z ∼Nn (0, In ) .
130 Misalkan Z memiliki sebaran Nn (0, In ) . Misalkan pula Σ merupakan
131 matriks simetrik dan semi-definit positif, serta µ adalah vektor berunsur
132 konstanta. Definisikan suatu vektor peubah acak X sebagai berikut
1
X = Σ 2 Z + µ, (1.2)
maka diperoleh
1 1
E (X) = µ dan Cov (X) = Σ 2 Σ 2 = Σ.
1.7 Sebaran Normal Multivariat 15
bagi X, yaitu
1 1 0 −1
fX (x) = n/2 1/2
exp − (x − µ) Σ (x − µ) , x ∈ Rn .
(2π) |Σ| 2
139 di mana fungsi pembangkit momen tersebut adalah fungsi pembangkit mo-
140 men bagi sebaran Nm (Aµ + b, AΣA0 ) . z
dengan Σ11 merupakan matriks koragam bagi X1 dan Σ12 merupakan ma-
triks koragam antara X1 dan X2 . Kemudian, definisikan matriks A sebagai
berikut
A = Im ... Omp ,
h i
146 di mana Omp merupakan matriks nol m × p, maka X1 = AX. Dengan meng-
147 gunakan Teorema 1.4 pada transformasi tersebut, diperoleh akibat sebagai
148 berikut:
152 Akibat 1.2 dapat digunakan untuk mencari sebaran marginal dari peubah
153 acak normal multivariat.
1.7 Sebaran Normal Multivariat 17
154 Teorema 1.5 Misalkan X ∼ Nn (µ, Σ) dan X dipartisi seperti pada per-
155 samaan 1.3 dan 1.4. X1 dan X2 saling bebas jika dan hanya jika Σ12 = O.
Nm µ1 + Σ12 Σ−1 −1
22 (X2 − µ2 ) , Σ11 − Σ12 Σ22 Σ21 .
Im −Σ12 Σ−1
22 Σ11 Σ12 Im O
O Ip Σ21 Σ22 −Σ12 Σ−122 Ip
−1
Σ11 − Σ12 Σ22 Σ21 O
= .
O Σ22
atau
W + Σ12 Σ−1 −1 −1 −1
22 X 2 |X 2 ∼ Nm µ1 − Σ 12 Σ22 µ2 + Σ12 Σ 22 X 2 , Σ 11 − Σ 12 Σ 22 Σ21 .
159 z
160 Contoh 1.6 Misalkan dalam suatu populasi, bobot badan dan tinggi badan
161 pria memiliki sebaran normal bivariat. Jika diketahui bahwa rata-rata dan
162 ragam dari bobot badan pria secara berturut-turut sebesar 60 kg dan 25 kg2 ,
163 kemudian rata-rata dan ragam dari tinggi badannya secara berturut-turut
164 sebesar 165 cm dan 100 cm2 , serta besar korelasi antara bobot badan dan
165 tinggi badan sebesar 0.6, maka tentukan :
1.7 Sebaran Normal Multivariat 18
170 Jawab.
172 catatan: σy2 = σ11 , σx2 = σ22 , dan σ12 = σ21 = ρσx σy .
173 Berdasarkan Teorema 1.6,
σ12 σ12
Y |X ∼ N2 µy + (x − µx ) , σ11 − σ21
σ22 σ22
ρσx σy 2 ρσx σy
∼ N2 µy + (x − µx ) , σy − (ρσx σy )
σx2 σx2
σy 2 2
∼ N2 µy + ρ (x − µx ) , σy 1 − ρ
σx
10
E (Y |x = 65) = 165 + 0.6 (65 − 60) = 171
5
V ar (Y |x = 65) = 100 (1 − 0.36) = 64.
1.8 Latihan 19
174 Jadi,
160 − 171 175 − 171
P (160 < Y < 175|X = 65) = P <Z<
8 8
= Φ (0.5) − Φ (−1.375)
= Φ (0.5) − [1 − Φ (1.375)]
= 0.6915 − [1 − 0.9154]
= 0.6069.
175 z
pX,Y,Z (x, y, z) = c (x + y + z) I (x = 1, 2; y = 1, 2; z = 1, 3)
189 4. Misalkan X ∼N2 (µ, Σ). Tentukan sebaran dari vektor peubah acak
190 (X1 + X2 , X1 − X2 ) serta tunjukkan bahwa peubah acak X1 + X2 dan
191 X1 − X2 saling bebas jika V ar (X1 ) = V ar (X2 ) .
195 6. Buktikan bahwa X1 dan X2 saling bebas jika dan hanya jika Σ12 = O,
196 di mana X ∼ Nn (µ, Σ) dan X dipartisi seperti pada persamaan 1.3
197 dan 1.4.
198 BAB 2
Jika α = 1, maka Z ∞
Γ (1) = e−y dy = 1.
0
202 Jika α > 1, maka dengan menggunakan teknik integral parsial diperoleh
Z ∞
Γ (α) = (α − 1) y α−2 e−y dy
0
= (α − 1) Γ (α − 1) .
203 Oleh karena itu, jika α adalah bilangan bulat positif yang lebih besar dari 1,
204 maka
21
2.1 Sebaran Gamma 22
205 merupakan fungsi kepekatan peluang dari suatu peubah acak kontinu. Peubah
206 acak X yang memiliki fungsi kepekatan peluang tersebut disebut memiliki
207 sebaran gamma dengan parameter α dan β, dinotasikan Γ (α, β) .
208 Berikut merupakan ilustrasi dari sebaran gamma apabila salah satu pa-
209 rameternya dibuat tetap. Gambar 1 merupakan sebaran gamma dengan pa-
210 rameter β tetap, yaitu β = 2 dan parameter α yang berbeda, yaitu α = 1, 2, 4.
211
214
215 Fungsi pembangkit momen bagi peubah acak X yang menyebar gamma
216 ialah
Z ∞
1
MX (t) = etx α
xα−1 e−x/β dx
Γ (α) β
Z0 ∞
1
= α
xα−1 e−x(1−βt)/β dx
0 Γ (α) β
α
1 β
= × Γ (α) ×
Γ (α) β α 1 − βt
1 1
= α,t < .
(1 − βt) β
Selanjutnya,
M 0 (t) = (−α) (1 − βt)−α−1 (−β)
dan
M 00 (t) = (−α) (−α − 1) (1 − βt)−α−2 (−β)2 .
Dengan demikian, sebaran gamma memiliki nilai harapan dan ragam sebagai
berikut
E (X) = M 0 (0) = αβ
217 dan
218 Teorema 2.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak yang saling
Pn bebas
219 di mana Xi ∼PΓ (αi , β) untuk i = 1, 2, ..., n. Misalkan pula Y = i=1 Xi ,
220 maka Y ∼ Γ ( ni=1 αi , β) .
223 untuk t < P1/β. Persamaan 2.1 merupakan fungsi pembangkit momen dari
224 sebaran Γ ( ni=1 αi , β) . z
Teorema 2.2 Misalkan X memiliki sebaran χ2 (r) . Jika k > −r/2, maka
nilai harapan dari X k ada dan
2k Γ 2r + k
k
E X = .
Γ 2r
229 Bukti.
Z ∞
1
k
x(r/2)+k−1 e−x/2 dx
E X = r/2
0 Γ (r/2) 2
1 r
= × Γ + k × 2r/2+k
Γ (r/2) 2r/2 2
r
Γ + k
= 2k 2 .
Γ (r/2)
230 z
233 Y ∼ χ2 ( ni=1 ri ) .
234 Dengan menggunakan asumsi kebebasan dan fungsi pembangkit momen dari
235 sebaran khi-kuadrat, diperoleh
" ( n )#
X
MY (t) = E exp t Xi
i=1
n
Y
= E [exp {tXi }]
i=1
Yn
= (1 − 2t)−ri /2
i=1
1 Pn
= (1 − 2t)− 2 i=1 ri
(2.2)
F (y) = P (Y ≤ y)
= P (Z 2 ≤ y)
√ √
= P − y ≤ Z ≤ y
√
= 2P √0 ≤ Z ≤ y
R y 2
= 2 0 √12π e−z /2 dz.
√
239 Dengan menggunakan butir (8) pada Appendix untuk β (y) = y, α (y) = 0,
2
240 dan f (z, y) = √12π e−z /2 , maka diperoleh fungsi kepekatan peluang peubah
241 acak Y yaitu
f (y) = F 0 (y)
1 1 √ 2 1
= 0 + 2 × √ e− 2 ( y) − y −1/2 + 0
2π 2
1
= √ √ y −1/2 e−y/2
π 2
1
= 1
1/2
y 1/2−1 e−y/2 I (y > 0) .
Γ 2 2
243 Akibat 2.2 Jika peubah acak X menyebar N (µ, σ 2 ) , σ 2 > 0, maka peubah
244 acak V = (X − µ)2 /σ 2 menyebar χ2 (1) .
245 Teorema 2.4 Jika X ∼ Nn (µ, Σ) dengan Σ adalah matriks definit positif,
246 maka peubah acak W = (X − µ)0 Σ−1 (X − µ) memiliki sebaran χ2 (n) .
1 1 1
247 Bukti. Σ adalah matriks definit positif, maka Σ = Σ 2 Σ 2 dan Σ 2 memi-
1
248 liki invers. Vektor peubah acak Z = Σ− 2 (X − µ) ∼ Nn (0, In ) . Misalkan
n
peubah acak W = Z0 Z = Zi2 . Karena untuk ∀i = 1, 2, ..., n, Zi adalah
P
249
i−1
n
bsi
Zi2 memiliki se-
P
250 peubah acak normal baku bebas, Zi ∼ N (0, 1) , maka
i−1
251 baran χ2 (n) . z
2.3 Sebaran t 27
257 Fungsi kepekatan peluang bersama bagi peubah acak T dan W = U ialah
p
g (t, w) = f t w/r, w |J|
t2
1 r+1
−1 w
= √ w 2 exp − 1+ I (−∞ < t < ∞, w > 0) .
2πrΓ (r/2) 2r/2 2 r
2.3 Sebaran t 28
259 Definisi 2.2 Jika Z ∼ N (0, 1) , U ∼ χ2 (r) , dan dua peubah acak tersebut
Z
260 saling bebas, maka sebaran dari T = p disebut sebaran t dengan derajat
U/r
261 bebas r, dinotasikan T ∼ t (r) , serta fungsi kepekatan peluang dari T seperti
262 pada persamaan 2.3.
263 Sebaran t ini dikenal juga sebagai sebaran t−Student yang diperkenalkan
264 pertama kali oleh W. S. Gosset dengan nama samaran Student. Berikut
265 merupakan ilustrasi sebaran t dengan parameter r = 0.5, 1.5, dan ∞.
266
2.3 Sebaran t 29
267 Teorema 2.5 Jika peubah acak T memiliki sebaran t dengan derajat bebas
268 r, maka
E (T ) = 0, jika r ≥ 2
r
V ar (T ) = , jika r ≥ 3.
r−2
Z
T =p
U/r
269 dengan Z ∼ N (0, 1) , U ∼ χ2 (r) , dan dua peubah acak tersebut saling
270 bebas.
!
Z
E (T ) = E p
U/r
= r E (Z) E U −1/2
1/2
= 0.
272 jika r ≥ 2.
273 Selanjutnya, momen ke-2 dari peubah acak T ialah
2
2
Z
E T = E
U/r
= rE Z 2 E U −1 .
(2.4)
U/r1
W = .
Y /r2
u/r1
Dengan transformasi satu-satu antara peubah w = dan z = y, maka
y/r2
dapat diperoleh fungsi kepekatan peluang gW (w) dari peubah acak W. Dari
transformasi satu-satu,
u/r1
w= dan z = y
y/r2
⇔ u = rr12 zw, y = z,
281 diperoleh
∂u ∂u
J = ∂w
∂y
∂z
∂y
∂w ∂z
r1
z ?
= r2
0 1
r1
= z.
r2
282 Fungsi kepekatan peluang g (w, z) dari peubah acak W dan Z = Y ialah
(r /2)−1
1 r1 zw 1
g (w, z) = (r +r )/2
z (r2 /2)−1
Γ (r1 /2) Γ (r2 /2) 2 1 2 r2
z r1 r1 z
exp − 1+ w I (0 < w, z < ∞) .
2 r2 r2
2.4 Sebaran F 32
Definisi 2.3 Misalkan U dan Y peubah acak bebas khi-kuadrat dengan der-
ajat bebas r1 dan r2 . Sebaran dari
U/r1
W =
Y /r2
284 disebut sebaran F dengan derajat bebas r1 dan r2 , dinotasikan F (r1 , r2 ) ,
285 dengan fungsi kepekatan peluang seperti pada persamaan 2.5.
286 Berikut merupakan ilustrasi dari sebaran F , yaitu F (5, 10) , F (10, 5) ,
287 dan F (10, 10) .
288
2.5 Teorema Student 33
289 Teorema 2.6 Jika peubah acak W memiliki sebaran-F dengan derajat bebas
290 r1 dan r2 , maka
r2
E (X) = , jika r2 ≥ 3
r2 − 2
2r22 (r1 + r2 − 2)
V ar (X) = , jika r2 ≥ 5.
r1 (r2 − 2)2 (r2 − 4)
291 Bukti. Analog dengan Teorema 2.5. z
295 maka
σ2
296 a. X̄ ∼ N µ, n
.
297 b. X̄ dan S 2 saling bebas.
298 c. (n − 1) S 2 /σ 2 ∼ χ2 (n − 1) .
X̄ − µ
299 d. Peubah acak T = √ memiliki sebaran t dengan derajat
S/ n
300 bebas n − 1.
Bukti. Misalkan X = (X1 , X2 , ..., Xn )0 . Karena X1 , X2 , ..., Xn adalah
peubah acak bebas stokastik identik dari sebaran N (µ, σ 2 ) , maka X memi-
liki sebaran normal multivariat N (µ1, σ 2 I) di mana 1 merupakan vektor yang
berunsur 1. Misalkan v0 = (1/n, ..., 1/n) = (1/n) 10 , maka X̄ = v0 X. Defin-
0
isikan vektor peubah acak Y = X1 − X̄, ..., Xn − X̄ . Perhatikan transfor-
masi peubah berikut.
v0
X̄
W= = X.
Y I − 1v0
301 Karena W adalah transformasi linear dari vektor peubah acak normal mul-
302 tivariat, maka berdasarkan Teorema 1.4, W memiliki sebaran normal multi-
303 variat dengan nilai harapan
v0 v0
µ
E (W) = E (X) = µ1 = , (2.6)
I − 1v0 I − 1v0 0n
305 Karena koragamnya bernilai nol, maka X̄ saling bebas dengan Y. Dengan
306 demikian, X̄ juga saling bebas dengan S 2 = (n − 1)−1 Y0 Y.
Selanjutnya,
2
307 berdasarkan persamaan 2.6 dan 2.7 diperoleh bahwa X̄ ∼ N µ, σn .
Misalkan suatu peubah acak
n 2
X Xi − µ
V = ,
i=1
σ
2.5 Teorema Student 35
2
Xi − µ
maka berdasarkan Teorema 2.2, ∀i = 1, ..., n, menyebar χ2 (1) ,
σ
sehingga
n 2
X Xi − µ
V = ∼ χ2 (n)
i=1
σ
308 (lihat Akibat 2.1). Peubah acak V juga dapat dituliskan menjadi
n !2
X Xi − X̄ + X̄ − µ
V =
i=1
σ
n 2 2
X Xi − X̄ X̄ − µ
= + √
i=1
σ σ/ n
2
(n − 1) S 2
X̄ − µ
= + √ . (2.8)
σ2 σ/ n
Karena X̄ dan S 2 saling bebas, dua bagian pada ruas kanan persamaan 2.8,
2 2
(n − 1) S 2
X̄ − µ X̄ − µ
yaitu dan √ juga saling bebas. Peubah acak √
σ2 σ/ n σ/ n
merupakan kuadrat dari peubah acak normal baku, sehingga memiliki se-
baran χ2 (1) . Selanjutnya, fungsi pembangkit momen dari kedua ruas pada
persamaan 2.8, yaitu
(n − 1) S 2
−n/2
(1 − 2t) = E exp t (1 − 2t)−1/2 .
σ2
309 Dengan demikian,
(n − 1) S 2 (1 − 2t)−n/2
E exp t =
σ2 (1 − 2t)−1/2
= (1 − 2t)−(n−1)/2 ,
(n − 1) S 2
310 sehingga ∼ χ2 (n − 1) .
σ2
311 Selanjutnya, dapat disimpulkan bahwa peubah acak T , yaitu
√
X̄ − µ / (σ/ n)
T = p
(n − 1) S 2 / (σ 2 (n − 1))
X̄ − µ
= √
S/ n
312 memiliki sebaran t dengan derajat bebas (n − 1) . z
2.6 Latihan 36
313 Contoh 2.3 Diketahui X ∼ N (10, 25) dan X1 , X2 , ..., X501 adalah contoh
314 acak dari populasi X. Tentukan nilai harapan dari ragam contoh S 2 .
(501 − 1) S 2
315 Jawab. Berdasarkan Teorema 2.7, ∼ χ2 (500) , sehingga
25
(501 − 1) S 2
E = 500
25
500
E S 2 = 500
25
2
25
E S = (500)
500
= 25.
316 z
348 Definisi 3.1 Peubah acak X1 , X2 , ..., Xn disebut sebagai sampel acak dari
37
3.2 Metode Pendugaan Titik 38
349 peubah acak X jika peubah-peubah acak tersebut saling bebas dan masing-
350 masing memiliki sebaran yang sama dengan sebaran X.
351 Definisi 3.2 Misalkan n peubah acak X1 , X2 , ..., Xn merupakan sampel acak
352 dari X yang memiliki sebaran f (x; θ). Fungsi dari sampel yang tidak bergan-
353 tung pada parameter θ, yaitu T = T (X1 , X2 , ..., Xn ) disebut sebagai statis-
354 tik.
merupakan penduga titik bagi µ dan σ 2 , serta dugaan titik bagi µ dan σ 2
ialah
1 Xn 1 Xn
x̄ = xi dan s2 = (xi − x̄)2 .
n i=1 n−1 i=1
E X k = gk (θ1 , θ2 , ..., θm )
3.2 Metode Pendugaan Titik 39
364 merupakan momen ke-k dari sampel. Dengan menggunakan metode momen,
365 penduga bagi m-parameter θ diperoleh dengan cara mencari solusi dari per-
366 samaan penduga m-momen pertama (jika ada) yang memberi solusi tunggal
367 (khas) dari X, yaitu
g1 θ̂1 , θ̂2 , ..., θ̂m = M1
g2 θ̂1 , θ̂2 , ..., θ̂m = M2
g3 θ̂1 , θ̂2 , ..., θ̂m = M3
..
.
gm θ̂1 , θ̂2 , ..., θ̂m = Mm .
373 Contoh 3.2 Misalkan X ∼ N (µ, σ 2 ) dan X1 , X2 , ..., Xn adalah contoh acak
374 dari populasi X. Tentukan penduga bagi µ dan σ 2 dengan menggunakan
375 metode momen.
3.2 Metode Pendugaan Titik 40
377 sehingga
g1 µ, σ 2 = µ
g2 µ, σ 2 = σ 2 + µ2 .
386 Jawab. Nilai harapan bagi X dengan f (x; θ) = θxθ−1 I (0 < x < 1) ialah
Z1
E (X) = xf (x; θ) dx
0
Z1
= xθxθ−1 dx
0
θ
= ,
θ+1
sehingga
θ
g1 (θ) = .
θ+1
387 Dengan metode momen,
M1 = g1 θ̂
θ̂
X̄ =
θ̂ + 1
X̄
θ̂ = ,
1 − X̄
X̄
dengan X̄ adalah rata-rata dari sampel. Dengan demikian, statistik
1 − X̄
adalah penduga bagi θ,
X̄
θ̂ = .
1 − X̄
Karena x1 = 0.2, x2 = 0.6, x3 = 0.5, x4 = 0.3, diperoleh x̄ = 0.4, sehingga
dugaan bagi θ ialah
0.4 2
= .
1 − 0.4 3
388 z
389 Contoh 3.4 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran ser-
390 agam (α, β) , α < β. Dengan menggunakan metode momen, tentukan pen-
391 duga bagi α dan β. Untuk ukuran sampel n = 9 dengan nilai-nilai amatan
392 0.5, 0.6, 0.1, 0.9, 1.3, 1.6, 0.7, 0.9, dan 1.0, tentukanlah dugaan bagi α dan
393 β.
3.2 Metode Pendugaan Titik 42
α̂ + β̂ = 2Q1
⇔ α̂ = 2Q1 − β̂
2
α̂2 + α̂β̂ + β̂ = 3Q2
2 2
⇔ 2Q1 − β̂ + 2Q1 − β̂ β̂ + β̂ = 3Q2
2
⇔ β̂ − 2β̂Q1 + q
4Q21 − 3Q2 = 0
2Q1 ± 4Q21 −4(4Q21 −3Q2 )
⇔ β̂ 1,2 = p 2
⇔ β̂ 1,2 = Q1 ± p3 (Q2 − Q21 )
⇔ α̂1,2 = Q1 ∓ 3 (Q2 − Q21 ).
397 Untuk ukuran sampel n = 9 dengan nilai-nilai amatan 0.5, 0.6, 0.1, 0.9, 1.3,
398 1.6, 0.7, 0.9, dan 1.0 akan diperoleh dugaan bagi Q1 sebesar 0.84 dan dugaan
399 bagi Q2 sebesar 0.89 serta dugaan bagi α sebesar 0.096 dan dugaan bagi β
400 sebesar 1.584. z
401 Dari Contoh 3.4, dugaan yang diperoleh dengan metode momen tidak
402 memberikan dugaan yang layak, karena untuk menduga β yang seharusnya
403 bernilai lebih besar sama dengan 1.6, diperoleh dugaannya sebesar 1.584.
405 Catatan : L (θ; x) adalah fungsi kepekatan bersama dari sampel. Karena
406 L (θ; x) merupakan fungsi dari θ, maka kita juga dapat menggunakan notasi
407 L (θ) .
410 2. Perhatikan bahwa setiap nilai θ yang memaksimumkan L (θ) juga akan
411 memaksimumkan fungsi log-kemungkinan ln L (θ), sehingga untuk memu-
412 dahkan perhitungan kita tentukan θ yang memaksimumkan ln L (θ) .
Contoh 3.5 Misalkan dan X1 , X2 , ..., Xn adalah sampel acak dari populasi
X dengan fungsi kepekatan peluang
1
f (x; θ) = I (0 < x < θ) .
θ
416 Tentukan penduga bagi θ dengan menggunakan metode kemungkinan maksi-
417 mum.
3.2 Metode Pendugaan Titik 44
d ln L (θ) d
= [−n ln θ]
dθ dθ
n
= − < 0.
θ
Karena d lndθL(θ) < 0, maka ln L (θ) merupakan fungsi turun. Dengan demikian,
θ = xmax memaksimumkan fungsi ln L (θ) . Jadi, penduga kemungkinan mak-
simum bagi θ ialah
θ̂ = X(n) ,
421 di mana X(n) adalah statistik tataan ke-n dari sampel. z
Contoh 3.6 Jika X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan
peluang
f (x; θ) = θe−θx I (x > 0) ,
422 maka tentukan penduga kemungkinan maksimum bagi θ.
3.2 Metode Pendugaan Titik 45
426 z
Contoh 3.7 Jika X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan
peluang
f (x; θ) = (1 − θ) x−θ I (0 < x < 1) ,
427 maka tentukan penduga kemungkinan maksimum bagi θ.
431 z
432 Contoh 3.8 Misalkan dan X1 , X2 , ..., Xn adalah sampel acak dari populasi
433 X yang menyebar N (θ1 , θ2 ) . Tentukan penduga bagi θ1 dan θ2 dengan meng-
434 gunakan metode kemungkinan maksimum.
∂ ln L (θ1 , θ2 )
= 0
∂θ1
2 ni=1 (xi − θ1 )
P
= 0
2θ2
Pn
i=1 xi
θ1 =
n
θ1 = x̄,
θ̂1 = X̄, (3.3)
∂ ln L (θ1 , θ2 )
= 0
∂θ2
Pn
n (xi − θ1 )2
− + i=1 = 0
2θ2 2 (θ2 )2
Pn 2
i=1 (xi − θ1 ) n
2 =
2 (θ2 ) 2θ2
Pn 2
i=1 (xi − θ1 )
θ2 = . (3.4)
n
Selanjutnya, substitusikan 3.3 pada 3.4 untuk menentukan penduga kemu-
ngkinan maksimum bagi θ2 , yaitu
Pn 2
i=1 Xi − X̄
θ̂2 = .
n
437 z
438 Contoh 3.9 Misalkan dan X1 , X2 , ..., Xn adalah sampel acak dari populasi
439 X yang menyebar gamma dengan parameter α dan β. Tentukan penduga bagi
440 α dan β dengan menggunakan metode kemungkinan maksimum.
3.2 Metode Pendugaan Titik 49
∂ ln L (α, β)
= 0
∂β
Pn
nα xi
− + i=12 = 0
β β
Pn
i=1 xi
nα =
β
x̄
β = , (3.5)
α
∂ ln L (α, β)
= 0
∂α
n
n 0
X
− Γ (α) − n ln β + ln xi = 0
Γ (α) i=1
n
Γ0 (α) 1X
− − ln β + ln xi = 0
Γ (α) n i=1
n
Γ0 (α) 1X
+ ln β = ln xi . (3.6)
Γ (α) n i=1
443 Selanjutnya, substitusikan 3.5 pada 3.6 untuk menentukan penduga kemu-
3.2 Metode Pendugaan Titik 50
X̄
β̂ = . (3.8)
α̂
448 z
449 Penduga kemungkinan maksimum θ̂ bagi parameter θ memiliki sifat in-
450 varian. Sifat invarian tersebut menyatakan
bahwa jika θ̂ adalah penduga
451 kemungkinan maksimum bagi θ, maka g θ̂ adalah penduga kemungkinan
452 maksimum bagi g (θ) . Sifat tersebut dinyatakan dalam teorema berikut.
Contoh 3.10 Jika X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan
peluang
f (x; θ) = θe−θx I (x > 0) ,
√
456 maka tentukan penduga kemungkinan maksimum bagi θ2 + 5.
θ̂1 = 2X̄,
Jika
lim B θ̂, θ = 0 atau lim E (T ) = θ,
n→∞ n→∞
465 Contoh 3.11 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran nor-
466 mal dengan nilai harapan µ dan ragam σ 2 . Apakah penduga bagi µ dan σ 2
467 yang telah ditunjukkan pada Contoh 3.2 merupakan penduga takbias?
469 bagi µ.
" n #
2 1X 2
E σ̂ = E Xi − X̄
n i=1
" n
#
n−1 1 X 2
= E Xi − X̄
n n − 1 i=1
" n
#
n−1 1 X 2
= E Xi − X̄
n n − 1 i=1
n − 1 2
= E S
n
σ2
n−1 2
= E S , (3.9)
n σ2
n−1 2
470 Karena S ∼ χ2 (n − 1), maka persamaan 3.9 menjadi
σ2
σ2
E σ̂ 2
= (n − 1)
n
n−1 2
= σ
n
6= σ 2 .
Pn 2
471 Jadi, σ̂ 2 = 1
n i=1 Xi − X̄ merupakan penduga bias bagi σ 2 . z
3.3 Sifat-Sifat Penduga 53
B σ̂ 2 , σ 2 = E σ̂ 2 − σ 2
n−1 2
= σ − σ2
n
2 2
n−1 2 2
lim B σ̂ , σ = lim σ −σ
n→∞ n→∞ n
σ2
= lim −
n→∞ n
= 0.
2 σ2
× (n − 1) = σ 2 .
E S =
n−1
Jadi,
n
2 1 X 2
S = Xi − X̄
n − 1 i=1
473 merupakan penduga takbias bagi σ 2 .
474 Penduga takbias kadang dapat memberi dugaan yang tidak layak seperti
475 pada contoh berikut.
e−θ θx
f (x; θ) = I (x = 0, 1, 2, ...) .
x!
476 Ingin diperoleh penduga takbias bagi e−3θ . Untuk peubah acak tersebut, berikan
477 penduga bagi fungsi parameter g (θ) = e−3θ .
478 Jawab. Untuk sampel acak berukuran satu, yaitu X, T (X) = (−2)X ,
3.3 Sifat-Sifat Penduga 54
479 diperoleh
E (T (X)) = E (−2)X
∞ −θ x
x e θ
X
= (−2) ·
x=0
x!
n
−θ
X (−2θ)x
= e
x=1
x!
−θ −2θ
= e e
= e−3θ .
480 Jadi, T (X) = (−2)X merupakan penduga takbias bagi e−3θ , tetapi dugaan
481 yang diperoleh akan kurang dari nol bila x merupakan bilangan gasal, suatu
482 dugaan yang tidak layak digunakan bagi suatu fungsi parameter yang positif.
483 z
Definisi 3.7 Misalkan X adalah peubah acak dengan fungsi kepekatan pelu-
ang f (x; θ). Andaikan f (x; θ) kontinu dan terturunkan dua kali, maka in-
formasi Fisher, dinotasikan I (θ) , didefinisikan sebagai
Z ∞ 2
d ln f (x; θ)
I (θ) = f (x; θ) dx.
−∞ dθ
h i2
Dengan kata lain, I (θ) adalah nilai harapan dari peubah acak d ln fdθ(X;θ) ,
yaitu
2 !
d ln f (X; θ)
I (θ) = E .
dθ
Lema 3.2 Jika X1 , X2 , ..., Xn adalah sampel acak dari sebaran X dengan
fungsi kepekatan peluang f (x; θ), maka informasi Fisher dari sampel beruku-
ran n ialah
In (θ) = nI (θ) .
Contoh 3.14 Misalkan X adalah peubah acak dari sebaran eksponensial den-
gan fungsi kepekatan peluang
1
f (x; θ) = e−x/θ I (0 ≤ x < ∞) , θ > 0.
θ
507 Tentukan I (θ) dengan menggunakan Definisi 3.7 dan Lema 3.1.
514 Contoh 3.15 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran nor-
515 mal dengan parameter µ dan σ 2 . Tentukan informasi Fisher In (µ) .
518 Jadi,
In (µ) = nI (µ)
d2 ln f (X; µ)
= n × −E
dµ2
1
= n× .
σ2
519 z
maka E (Z) = 0 dan V ar (Z) = nI (θ) . Persamaan 3.12 dapat ditulis menjadi
p
k 0 (θ) = E (Y Z) = E (Y ) E (Z) + ρσY nI (θ)
[k 0 (θ)]2
σY2 ≥ .
nI (θ)
526 z
Akibat 3.1 Berdasarkan asumsi pada Teorema 3.2, jika Y = u (X1 , X2 , ..., Xn )
adalah penduga takbias bagi θ, k (θ) = θ, maka pertaksamaan Rao-Cramèr
menjadi
1
V ar (Y ) ≥ .
nI (θ)
3.3 Sifat-Sifat Penduga 61
528 Contoh 3.16 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran Pois-
529 son dengan nilai harapan θ > 0. Tunjukkan bahwa X̄ adalah penduga efisien
530 bagi θ.
531 Jawab.
d ln f (x; θ) d
= (x ln θ − θ − ln x!)
dθ dθ
x
= −1
θ
x−θ
=
θ
" 2 #
d ln f (X; θ)
I (θ) = E
dθ
E (X − θ)2
=
θ2
2
σ
=
θ2
θ
=
θ2
1
= .
θ
Karena X ∼ Poisson(θ), maka
V ar (X) θ
V ar X̄ = = .
n n
Batas bawah Rao-Cramèr:
1 θ
= = V ar X̄ ,
nI (θ) n
sehingga X̄ merupakan penduga efisien bagi θ. Efisiensi penduga X̄ bagi θ
sebesar
1/ [nI (θ)] θ/n
× 100% = × 100% = 100%.
V ar X̄ θ/n
532 z
Contoh 3.17 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran nor-
mal dengan nilai harapan µ dan ragam θ. Tentukan efisiensi bagi penduga
takbias θ, yaitu 2
Pn
i=1 X i − X̄
S2 = .
n−1
3.3 Sifat-Sifat Penduga 62
533 Jawab.
d ln f (x; θ) d 1 1 1 2
= − ln 2π − ln θ − (x − µ)
dθ dθ 2 2 2θ
1 1
= − + 2 (x − µ)2
2θ 2θ
d2 ln f (x; θ) 1 1
= − (x − µ)2
dθ2 2θ2 θ3
2
d ln f (X; θ)
I (θ) = −E
dθ2
1 1
= 2
− 3 E (X − µ)2
2θ θ
1 1
= 2
− 3 ·θ
2θ θ
1
= .
2θ2
Batas bawah pertaksamaan Rao-Cramèr:
1 1 2θ2
= 1 = .
nI (θ) n 2θ2 n
Pn 2
i=1 Xi − X̄
534 Karena Y = ∼ χ2 (n − 1), maka V ar (Y ) = 2 (n − 1) dan
θ
θ
S2 = Y,
(n − 1)
θ2
V ar S 2 =
V ar (Y )
(n − 1)2
θ2
= · 2 (n − 1)
(n − 1)2
2θ2
= .
(n − 1)
Dengan demikian,
2θ2 1 2θ2
V ar S 2 =
> = .
(n − 1) nI (θ) n
Efisiensi penduga S 2 bagi θ sebesar
1/ [nI (θ)] n−1
2
× 100% = × 100%
V ar (S ) n
3.3 Sifat-Sifat Penduga 63
535 yang akan sama dengan 100% untuk n → ∞, sehingga S 2 merupakan pen-
536 duga efisien asimtotik bagi θ. z
maka
∀ε > 0, lim P θ̂n − θ ≥ ε = 0.
n→∞
maka
lim P θ̂n − θ ≥ ε = 0.
n→∞
543
z
544 Bias bagi penduga θ ialah B θ̂, θ = E θ̂n − θ. Jika penduga yang
545 diperoleh merupakan penduga takbias, maka B θ̂, θ = 0. Selanjutnya, akan
546 ditunjukkan bahwa
2 h i2
E θ̂ − θ = V ar θ̂ + B θ̂, θ . (3.13)
548 Jika
lim V ar θ̂ = 0 dan lim B θ̂, θ = 0, (3.14)
n→∞ n→∞
549 Dengan kata lain, untuk menunjukkan bahwa suatu penduga konsisten, kita
550 cukup menunjukkan persamaan 3.14.
3.3 Sifat-Sifat Penduga 65
Bias B σ̂ 2n , σ 2 ialah
553
B σ̂ 2n , σ 2 = E σ̂ 2n − σ 2
n
!
1X 2
= E Xi − X̄ − σ2
n i=1
2
1 2 (n − 1) S
= E σ 2
− σ2
n σ
2
(n − 1) S 2
σ
= E − σ2
n σ2
(n − 1) σ 2
= − σ2
n
σ2
= − ,
n
σ2
lim B σ̂ 2n , σ 2 = − lim
= 0.
n→∞ n→∞ n
1
Pn 2
554 Jadi, n i=1 Xi − X̄ adalah penduga konsisten bagi σ 2 . z
Contoh 3.19 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (µ, σ 2 ) ,
dengan asumsi σ 2 > 0 diketahui. Misalkan
pula √ X̄ merupakan nilai tengah
dari sampel, maka peubah acak X̄ − µ / (σ/ n) memiliki sebaran normal
baku. Dengan kata lain,
X̄ − µ
√ ∼ N (0, 1) .
σ/ n
565 Tentukan selang kepercayaan 100 (1 − α) % bagi µ.
567 z
568 Contoh 3.20 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (µ, σ 2 ) ,
569 dengan asumsi σ 2 tidak diketahui. Misalkan X̄ dan S 2 merupakan nilai ten-
570 gah dan ragam dari sampel. Tentukan selang kepercayaan 100 (1 − α) % bagi
571 µ.
n−1 2
dengan X̄ dan n
S
saling bebas. Oleh karena itu, peubah acak
X̄ − µ
T = √ ∼ t (n − 1) .
S/ n
(X̄−µ)
572 Untuk 0 < α < 1, definisikan bahwa P S/√n > tα/2 = α2 sedemikian
573 sehingga
!
X̄ − µ
1−α = P −tα/2 < √ < tα/2
S/ n
S S
= P − √ tα/2 < X̄ − µ < √ tα/2
n n
S S
= P X̄ − √ tα/2 < µ < X̄ + √ tα/2 .
n n
di mana
1 Xn 1 Xn
x̄ = xi dan s2 = (xi − x̄)2 .
n i=1 n−1 i=1
574 z
575 Contoh 3.21 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (µ, σ 2 ) ,
576 dengan asumsi σ 2 tidak diketahui. Misalkan X̄ dan S 2 merupakan nilai ten-
577 gah dan ragam dari sampel. Tentukan selang kepercayaan 100 (1 − α) % bagi
578 σ2.
581 Contoh 3.22 Misalkan X adalah peubah acak Bernoulli dengan peluang suk-
582 ses sebesar p dan X1 , X2 , ..., Xn adalah sampel acak dari sebaran X. Mis-
583 alkan
Pn p̂ = X̄ adalah proporsi sampel yang menyatakan sukses, dengan p̂ =
1
584
n i=1 Xi merupakan nilai tengah dan V ar (p̂) = p (1 − p) /n. Tentukan se-
585 lang kepercayaan bagi p.
591 dengan
1 Xm
s21 = (xi − x̄)2 ,
m−1 i=1
1 Xn
s22 = (yi − ȳ)2 .
n−1 i=1
592 Selang kepercayaan bagi beda dua nilai tengah yang dihasilkan pada per-
593 samaan 3.16 merupakan suatu pendekatan. Berikut ini akan dijelaskan hasil
594 eksak untuk selang kepercayaan bagi beda dua nilai tengah jika diasum-
595 sikan bahwa sebaran X dan Y adalah normal dengan ragam yang sama,
596 yaitu σ12 = σ22 . Asumsikan X ∼ N (µx , σ 2 ) dan Y ∼ N (µy , σ 2 ) saling be-
597 bas. Misalkan n = n1 + n2 adalah total dari ukuran sampel. Misalkan pula
598 X1 , X2 , ..., Xn1 adalah sampel acak dari sebaran X dan Y1 , Y2 , ..., Yn2 adalah
599 sampel acak dari sebaran Y .
Penduga bagi µx − µy adalah X̄ − Ȳ dengan E X̄ − Ȳ = µx − µy dan
2 2
V ar X̄ − Ȳ = nσ1 + nσ2 . Karena X̄ dan Ȳ saling bebas, maka
X̄ − Ȳ − (µx − µy )
q ∼ N (0, 1) .
σ n11 + n12
3.4 Penduga Selang 71
Misalkan
(n1 − 1) S12 + (n2 − 1) S22
Sp2 = .
n1 + n2 − 2
Perhatikan bahwa Sp2 merupakan penduga tak bias bagi σ 2 . Karena
600 serta S12 dan S22 saling bebas, maka (n − 2) Sp2 /σ 2 ∼ χ2 (n − 2) . Dengan
601 demikian,
h q1 1
i
X̄ − Ȳ − (µx − µy ) / σ n1 + n2
T = q
(n − 2) Sp2 / (n − 2) σ 2
X̄ − Ȳ − (µx − µy )
= h q i
Sp n11 + n12
W/ (m − 1)
∼ F (m − 1, n − 1) ,
V / (n − 1)
Sy2 /σy2
= P Fα/2 (m − 1, n − 1) ≤ 2 2 ≤ F1−α/2 (m − 1, n − 1)
Sx /σx
2
σx2 Sx2
Sx
= P Fα/2 (m − 1, n − 1) 2 ≤ 2 ≤ F1−α/2 (m − 1, n − 1) 2 .
Sy σy Sy
σx2
Jadi, selang kepercayaan 100 (1 − α) % bagi σy2
ialah
s2 s2
Fα/2 (m − 1, n − 1) x2 , F1−α/2 (m − 1, n − 1) x2
sy sy
605 dengan
1 Xn
s2x = (xi − x̄)2 ,
n−1 i=1
1 Xm
s2y = (yi − ȳ)2 .
m−1 i=1
Catatan: Misalkan
W/ (m − 1)
Z= ∼ F (m − 1, n − 1)
V / (n − 1)
atau
1 V / (n − 1)
= ∼ F (n − 1, m − 1) ,
Z W/ (m − 1)
maka
1
Fα/2 (m − 1, n − 1) = .
F1−α/2 (n − 1, m − 1)
Bukti. Karena Z ∼ F (m − 1, n − 1) , maka
α
P Z≤ Fα/2 (m − 1, n − 1) = 2
⇔ P Z1 ≥ Fα/2 (m−1,n−1)
1
= α2 .
3.5 Latihan 73
1
Karena Z
∼ F (n − 1, m − 1) , maka
1
F1−α/2 (n − 1, m − 1) =
Fα/2 (m − 1, n − 1)
1
⇔ Fα/2 (m − 1, n − 1) = .
F1−α/2 (n − 1, m − 1)
606 z
610 dan Y1 < Y2 < ... < Yn merupakan statistik-statistik tataan (order
611 statistics)-nya. Carilah penduga bagi θ dengan menggunakan:
621 di mana −∞ < θ < ∞. Periksa apakah penduga X(1) dan X̄ − 1 meru-
622 pakan penduga tak bias bagi θ? Di antara penduga tersebut, manakah
623 penduga yang lebih efisien?
624 6. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran X ∼ P oisson (λ)
625 dengan λ > 0. Tentukan penduga bagi λ dan periksa apakah penduga
626 tersebut merupakan penduga konsisten bagi λ.
633 8. Andaikan fungsi kepekatan peluang f (x; θ) = θ exp (−θx) I (x > 0) dan
634 Y = (X1 + X2 + ... + Xn )/n, maka :
638 9. Misalkan X1 , X2 , ..., X11 adalah sampel acak dari sebaran normal
P11 den-
2
639 gan nilai tengah µ (tidak diketahui) dan ragam σ = 9.9. Jika i=1 xi =
640 132, tentukanlah konstanta
√k sedemikian
√ sehingga
90% selang keper-
641 cayaan bagi µ ialah 12 − k 0.9, 12 + k 0.9 .
3.5 Latihan 75
10. Misalkan X̄ dan Ȳ adalah nilai tengah dari dua sampel acak yang sal-
ing bebas dari sebaran N (µx , σ 2 ) dan N (µy , σ 2 ) dengan asumsi ragam
tidak diketahui. Tentukan n sedemikian sehingga
P X̄ − Ȳ − σ/5 < µx − µy < X̄ − Ȳ + σ/5 = 0.90.
642 BAB 4
643 Kecukupan
f (x1 , ..., xn ; θ)
= H (x1 , ..., xn ) ,
gY (u (x1 , ..., xn ) ; θ)
646 Contoh 4.1 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran den-
647 (x; θ) = θx (1 − θ)1−x I (x = 0, 1) di mana 0 < θ < 1. Tunjukkan bahwa
gan fP
648 Y = ni=1 Xi adalah statistik cukup bagi θ.
649 Jawab.
Yn
f (x1 , ..., xn ; θ) = θxi (1 − θ)1−xi I (xi = 0, 1)
i=1
n Yn
Σn
= θ i=1 xi (1 − θ)n−Σi=1 xi I (xi = 0, 1) .
i=1
Pn
Karena Xi ∼ Bernoulli (θ) , maka Y = i=1 Xi ∼ binomial (n, θ) sehingga
n y
gY (y; θ) = θ (1 − θ)n−y I (y = 0, 1, ..., n) .
y
76
4.1 Statistik Cukup 77
Pn
650 Sebaran bersyarat dari X1 , X2 , ..., Xn untuk Y = i=1 Xi = y ialah
n
θΣi=1 xi (1 − θ)n−Σi=1 xi
n
f (x1 , ..., xn ; θ)
= n
n
θ i=1 i (1 − θ)n−Σi=1 xi
Σn x
gY (y; θ) Σn xi
i=1
1
= n
Σn
i=1 xi
1
= n
y
Pn
651 (tidak bergantung pada parameter θ) . Jadi, Y = i=1 Xi merupakan statis-
652 tik cukup bagi θ. z
653 Contoh 4.2 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran den-
654 gan f (x; θ) = e−(x−θ) I (x > θ) . Tunjukkan bahwa Y = X(1) adalah statistik
655 cukup bagi θ.
= ne−n(y−θ) I (y > θ) .
657 Sebaran bersyarat dari X1 , X2 , ..., Xn untuk Y = X(1) = min (Xi ) ialah
Yn
f (x1 , ..., xn ; θ) e−(xi −θ)
i=1
=
gY (y; θ) ne−n(min(xi )−θ)
exp (nθ − ni=1 xi )
P
=
n exp (−n (min (xi ) − θ))
exp (− ni=1 xi )
P
=
n exp (−n min (xi ))
658 (tidak bergantung pada parameter θ) . Jadi, Y = X(1) merupakan statistik
659 cukup bagi θ. z
Jika m (y1 ) = 0, maka gY1 (y1 ; θ) = 0. Jika m (y1 ) > 0, maka fungsi k1 (y1 ; θ)
dapat dituliskan menjadi
gY1 (u1 (x1 , x2 , ..., xn ) ; θ)
k1 (u1 (x1 , x2 , ..., xn ) ; θ) =
m (u1 (x1 , x2 , ..., xn ))
dan faktorisasinya menjadi
n
Y k2 (x1 , x2 , ..., xn )
f (xi ; θ) = gY1 (u1 (x1 , x2 , ..., xn ) ; θ) ,
i=1
m (u1 (x1 , x2 , ..., xn ))
4.1 Statistik Cukup 79
k2 (x1 , x2 , ..., xn )
H (x1 , ..., xn ) = ,
m (u1 (x1 , x2 , ..., xn ))
665 Contoh 4.3 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran N (θ, σ 2 ),
666 −∞ < θ < ∞, di mana σ 2 > 0 diketahui. Dengan menggunakan Teorema
667 4.1 (Faktorisasi Neyman), tunjukkan bahwa X̄ adalah statistik cukup bagi θ.
Pn
xi
668 Jawab. Jika x̄ = i=1
n
, maka
n
X n
X
2
(xi − θ) = (xi − x̄ + x̄ − θ)2
i=1 i=1
Xn
(xi − x̄)2 + 2 (xi − x̄) (x̄ − θ) + (x̄ − θ)2
=
i=1
n
X
= (xi − x̄)2 + n (x̄ − θ)2 ,
i=1
Pn
669 karena (x̄ − θ) i=1 (xi − x̄) = 0. Fungsi kepekatan peluang bersama bagi
670 X1 , X2 , ..., Xn ialah
Yn
f (x1 , x2 , ..., xn ; θ) = f (xi ; θ)
i=1
n " P #
n 2
1 (x i − θ)
= √ exp − i=1 2
σ 2π 2σ
( " #) ( )
n (x̄ − θ)2 exp − ni=1 (xi − x̄)2 /2σ 2
P
= exp − × √ n
2σ 2 σ 2π
= k1 (x̄; θ) × k2 (x1 , x2 , ..., xn ) .
Yn
671 Karena f (xi ; θ) dapat difaktorkan menjadi k1 dan k2 di mana k2 tidak
i=1
672 bergantung pada parameter θ, maka berdasarkan Teorema 4.1, X̄ merupakan
673 statistik cukup bagi θ. z
674 Akibat 4.1 Jika Y adalah statistik cukup bagi θ, maka penduga kemungki-
675 nan maksimum bagi θ adalah fungsi dari Y .
4.1 Statistik Cukup 80
676 Bukti. Berdasarkan Teorema 4.1, fungsi kemungkinan L (θ) dapat di-
677 faktorisasi menjadi
Yn
L (θ) = f (xi , θ)
i=1
= k1 (y; θ) × k2 (x) ,
678 sehingga untuk memaksimumkan L (θ) , hanya perlu memaksimumkan k1 (y; θ) .
679 Dengan demikian, penduga kemungkinan maksimum bagi θ merupakan fungsi
680 dari statistik cukup Y. z
686 Bukti. Misalkan X merupakan peubah acak kontinu. Karena E (Y2 |y1 ) =
687 ϕ (y1 ) , maka
Z ∞
E (ϕ (Y1 )) = ϕ (y1 ) fY1 (y1 ; θ) dx
−∞
Z ∞ Z ∞
= y2 f (y2 |y1 ) dy2 fY1 (y1 ; θ) dy1
−∞ −∞
Z ∞ Z ∞
f (y1 , y2 ; θ)
= y2 dy2 fY1 (y1 ; θ) dy1
−∞ −∞ fY1 (y1 ; θ)
Z ∞Z ∞
= y2 f (y1 , y2 ; θ) dy2 dy1
−∞ −∞
= E (Y2 )
= θ.
688
Z Z
E [(Y2 − ϕ (Y1 )) (ϕ (Y1 ) − θ)] = (y2 − ϕ (y1 )) (ϕ (y1 ) − θ) f (y1 , y2 ; θ) dy1 dy2
Z Z
= (y2 − ϕ (y1 )) (ϕ (y1 ) − θ) f (y2 |y1 ) fY1 (y1 ; θ) dy1 dy2
Z Z
= (ϕ (y1 ) − θ) (y2 − ϕ (y1 )) f (y2 |y1 ) dy2 fY1 (y1 ; θ) dy1
Z
= (ϕ (y1 ) − θ) (ϕ (y1 ) − ϕ (y1 )) fY1 (y1 ; θ) dy1
= 0
4.1 Statistik Cukup 81
689
V ar (Y2 ) ≥ V ar (ϕ (Y1 )) .
690 z
691 Berdasarkan Teorema 4.2, jika Y1 adalah statistik cukup untuk suatu
692 parameter θ, maka untuk mendapatkan penduga takbias dengan ragam min-
693 imum atau Minimum Variance Unbiased Estimator (MVUE), cukup dengan
694 mencari fungsi dari statistik Y1 , ϕ (Y1 ) , sedemikian sehingga E (ϕ (Y1 )) = θ.
695 Contoh 4.4 Misalkan X1 , X2 , ..., Xn adalah sampel acak dengan f (x; θ) =
1 −x/θ
696
θ
e I (x > 0) . Tentukan MVUE bagi θ.
697 Jawab.
Yn
L (θ) = f (xi , θ)
i=1
Pn
−n i=1 xi
L (θ) = θ exp − . (4.2)
θ
Y1
sehingga diperoleh penduga kemungkinan
Pn maksimum bagi θ adalah X̄ = n
.
Karena Xi ∼ Γ (1, θ) , maka Y1 = i=1 xi ∼ Γ (n, θ) .
Y1 1 1
E X̄ = E = E (Y1 ) = · nθ = θ,
n n n
Misalkan ϕ (Y1 ) = E (Y2 |Y1 ) adalah penduga takbias yang memiliki ragam
lebih kecil daripada penduga takbias bagi θ, yaitu Y2 . Misalkan pula suatu
fungsi dari suatu statistik Y3 , dinotasikan dengan Υ (Y3 ) dan amatannya
didefinisikan sebagai Υ (y3 ) = E (ϕ (Y1 ) |Y3 = y3 ) , di mana Y3 bukan statis-
tik cukup. Berdasarkan Teorema 4.2 (Rao-Blackwell), E (Υ (Y3 )) = θ dan
Υ (Y3 ) memiliki ragam lebih kecil daripada ϕ (Y1 ) . Oleh karena itu, seharus-
nya Υ (Y3 ) merupakan penduga takbias yang lebih baik jika dibandingkan
dengan ϕ (Y1 ) . Namun, hal ini tidak benar karena Y3 bukan statistik cukup,
sehingga sebaran bersyarat dari Y1 jika diketahui Y3 = y3 dan nilai hara-
pan bersyarat dari Y3 masih mengandung θ. Jadi, meskipun E (Υ (Y3 )) = θ,
Υ (Y3 ) bukanlah suatu statistik karena masih bergantung pada paramater θ
yang tidak diketahui. Sebagai contoh, misalkan X1 , X2 , X3 adalah sampel
acak dari sebaran eksponensial dengan nilai harapan θ > 0, maka fungsi
kepekatan peluang bersama dari sampel acak tersebut ialah
3 3
1 x1 + x2 + x3 Y
f (x1 , x2 , x3 ; θ) = exp − I (0 < xi < ∞) .
θ θ i=1
699 dan Y1 /3 = X̄ ialah fungsi dari statistik cukup yang merupakan penduga
700 takbias bagi θ.
701 Misalkan Y2 = X2 +X3 dan Y3 = X3 . Transformasi satu-satu x1 = y1 −y2 ,
702 x2 = y2 − y3 , x3 = y3 memiliki determinan matriks Jacobi sama dengan
∂x
J = det
∂y0
1 −1 0
= 0 1 −1
0 0 1
= 1
716 Berikut merupakan beberapa contoh famili lengkap dan famili tak lengkap.
1
= θΣxi e−nθ × Qn
i=1 (xi !)
= k1 (y1 ; θ) × k2 (x1 , x2 , ..., xn ) .
(nθ)y1 e−nθ
g (y1 ; θ) = I (y1 = 0, 1, 2, . . .) .
y1 !
Misalkan {g (y1 ; θ) : θ > 0} merupakan famili dari fungsi massa peluang.
Misalkan pula u (Y1 ) adalah fungsi dari Y1 sedemikian sehingga E (u (Y1 )) =
0. Akan ditunjukkan bahwa bila E (u (Y1 )) = 0 memerlukan u (Y1 ) = 0 ke-
cuali pada himpunan berpeluang nol untuk setiap g (y1 ; θ) , θ > 0.
E (u (Y1 )) = 0
∞
X (nθ)y1 e−nθ
u (y1 ) =0
y1 =0
y1 !
" #
nθ (nθ)2
e−nθ u (0) + u (1) + u (2) + ··· = 0.
1! 2!
n2 u (2) 2
u (0) + [nu (1)] θ + θ + · · · = 0.
2
4.2 Kelengkapan dan Kekhasan 85
722 Catatan: Jika suatu deret (pangkat) takhingga konvergen ke nol untuk
723 setiap θ > 0, maka setiap koefisiennya sama dengan nol.
Dengan demikian,
n2 u (2)
u (0) = 0, nu (1) = 0, = 0, · · · .
2
724 Artinya, u (0) = u (1) = u (2) = · · · = 0. Jadi, {g (y1 ; θ) : θ > 0} merupakan
725 famili lengkap. z
727 Jawab. Misalkan pula u (Z) adalah fungsi dari peubah acak Z sedemikian
728 sehingga E (u (Z)) = 0, yaitu
1 ∞
Z
u (z) e−z/θ dz = 0, θ > 0. (4.3)
θ 0
Catatan: Misalkan £ merupakan operator transformasi Laplace. Bila £f =
£g, maka f = g pada titik-titik kekontinuannya. Dengan kata lain,
Z ∞ Z ∞
−st
f (t) e dt = g (t) e−st dt ⇒ f (t) = g (t) .
0 0
Karena ruas kiri pada persamaan 4.3 merupakan transformasi Laplace bagi
fungsi u (z) , maka u (z) = 0 pada titik-titik kekontinuannya. Jadi,
{h (z; θ) : θ ∈ Ω}
730 Contoh 4.7 Tunjukkan bahwa famili yang anggotanya sebagai berikut bukan
731 merupakan famili lengkap.
1
732 a. f (x; θ) = 2θ
I (|x| = 1, 2, ..., θ) , θ ∈ N.
1
733 b. f (x; θ) = 2θ
I (|x| < θ) .
734 Jawab.
4.2 Kelengkapan dan Kekhasan 86
741 z
Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan fungsi kepekatan
atau fungsi massa peluang f (x; θ) dan Y1 = u (X1 , X2 , . . . , Xn ) adalah statis-
tik cukup bagi θ. Misalkan pula ϕ (Y1 ) dan ψ (Y1 ) masing-masing adalah
fungsi dari statistik cukup Y1 (tidak bergantung pada θ) sedemikian sehingga
E (ϕ (Y1 )) = θ dan E (ψ (Y1 )) = θ, ∀θ ∈ Ω. Nilai harapan dari selisih kedua
fungsi tersebut ialah
E (ϕ (Y1 ) − ψ (Y1 )) = 0, θ ∈ Ω.
4.3 Kelas Eksponen 87
ϕ (y1 ) = ψ (y1 ) ,
742 kecuali pada himpunan yang berpeluang nol. Dengan demikian, ϕ (Y1 ) meru-
743 pakan fungsi dari statistik cukup Y1 yang khas dan memiliki ragam minimum
744 jika dibandingkan dengan penduga takbias lainnya (Teorema 4.2). Hal terse-
745 but dinyatakan dalam teorema berikut.
755 disebut sebagai anggota kelas eksponen biasa fungsi kepekatan peluang kon-
756 tinu atau fungsi massa peluang diskret jika
757 1. W tak bergantung pada parameter θ.
758 2. p (θ) fungsi kontinu nontrivial dari θ.
759 3. a. Jika X peubah acak kontinu, maka setiap K 0 (x) 6= 0 dan S (x)
760 fungsi kontinu dari x, x ∈ W.
761 b. Jika X peubah acak diskret, maka K (x) adalah fungsi nontrivial
762 dari x ∈ W.
763 merupakan anggota kelas eksponen biasa fungsi kepekatan peluang kontinu?
4.3 Kelas Eksponen 88
764 Jawab.
1 2
f (x; θ) = √ e−x /2θ
2πθ
= exp [ln f (x; θ)]
√
1 2
= exp − x − ln 2πθ I (−∞ < x < ∞) . (4.5)
2θ
765 Berdasarkan persamaan 4.5, W = (−∞, ∞) tidak bergantung pada param-
766 eter θ,
770 merupakan anggota kelas eksponen biasa fungsi massa peluang diskret?
771 Jawab.
θx
f (x; θ) = e−θ I (x = 0, 1, 2, . . .)
x!
= exp [ln f (x; θ)] I (x = 0, 1, 2, . . .)
1
= exp (ln θ) x + ln − θ I (x = 0, 1, 2, . . .) (4.6)
x!
772 Berdasarkan persamaan 4.6, W = {0, 1, 2, . . .} tidak bergantung pada pa-
773 rameter θ,
θx
f (x; θ) = e−θ I (x = 0, 1, 2, . . .)
x!
774 anggota kelas eksponen biasa fungsi massa peluang diskret. z
1
775 Misalkan X ∼ seragam (0, θ) , maka f (x; θ) = θ I (0 < x < θ) juga dapat
776 dituliskan seperti persamaan 4.6. Namun, perhatikan bahwa interval (0, θ)
777 bergantung pada parameter θ sehingga fungsi kepekatan peluang sebaran
778 seragam (0, θ) bukan anggota kelas eksponen biasa fungsi kepekatan peluang
779 kontinu.
780 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran yang meru-
781 pakan anggota kelas eksponen biasa. Fungsi kepekatan atau fungsi massa
782 peluang bersama dari X1 , X2 , . . . , Xn ialah
Yn Yn
f (xi ; θ) = exp [ln f (xi ; θ)]
i=1 i=1
" n n
#
X X
= exp p (θ) K (xi ) + S (xi ) + nq (θ)
i=1 i=1
" n
# " n
#
X X Yn
= exp p (θ) K (xi ) + nq (θ) exp S (xi ) I (xi ∈ W ) .
i=1
i=1 i=1
Teorema 4.4 Misalkan f (x; θ) , γ < θ < δ, adalah fungsi kepekatan atau
fungsi massa peluang dari peubah acak X yang merupakan anggota kelas ek-
sponen biasa. Jika X1 , X2 , . . . , Xn adalah contoh acak dari sebaran X, maka
n
X
Y1 = K (xi )
i=1
786 merupakan statistik cukup bagi θ dan famili {fY1 (y1 ; θ) : γ < θ < δ} dari
787 fungsi kepekatan atau fungsi massa peluang Y1 adalah famili lengkap. Dengan
788 kata lain, Y1 adalah statistik cukup lengkap.
atau
θ
x2 √ θ 2
f (x; θ) = exp 2 x − 2 − ln 2πσ 2 − 2 I (−∞ < x < ∞) ,
σ 2σ 2σ
sehingga
θ x2 √ θ2
p (θ) = , K (x) = x, S (x) = − − ln 2πσ 2 , q (θ) = − .
σ2 2σ 2 2σ 2
Berdasarkan Teorema 4.4, Y1 = ni=1 Xi merupakan statistik cukup lengkap.
P
792
793 Karena E (Y1 ) = nθ, maka ϕ (Y1 ) = Y1 /n = X̄ adalah penduga takbias khas
794 bagi θ dan fungsi dari statistik cukup Y1 yang memiliki ragam minimum.
795 Dengan demikian, X̄ merupakan UMVUE bagi θ. z
796 Contoh 4.11 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran bi-
797 nomial dengan parameter
(1, θ) , 0 < θ < 1. Tentukan UMVUE bagi θ dan
798 UMVUE bagi V ar X̄ .
799 Jawab.
f (x; θ) = θx (1 − θ)1−x I (x = 0, 1)
x
θ
= (1 − θ) I (x = 0, 1)
1−θ
θ
= exp x ln + ln (1 − θ) I (x = 0, 1)
1−θ
θ
p (θ) = ln , K (x) = x, S (x) = 0, q (θ) = ln (1 − θ) .
1−θ
800 Karena K (x) = x adalah fungsi nontrivial dari x ∈ {0, 1} , maka b (1, θ)
801 anggota
Pnkelas eksponen biasa fungsi massa peluang diskret. Dengan demikian,
802 Y = i=1 Xi merupakan statistik cukup lengkap bagi θ dan Y ∼ b (n, θ) ,
803 sehingga nilai harapan dan ragam dari Y ialah
E (Y ) = nθ dan V ar (Y ) = nθ (1 − θ) ,
Y Y θ
E = θ dan V ar = (1 − θ) .
n n n
4.3 Kelas Eksponen 91
804 Jadi, Y /n
adalah UMVUE bagi θ. Selanjutnya ingin ditentukan UMVUE bagi
805 V ar n = n (1 − θ) , di mana nθ (1 − θ) merupakan fungsi dari parameter θ.
Y θ
θ
806 Misalkan δ = (1 − θ) , maka dugaan kemungkinan maksimum bagi δ
n
807 diberikan sebagai fungsi dari statistik cukup, yaitu
1 Y Y
δ̄ = 1− .
n n n
1 Y Y
E δ̄ = E 1−
n n n
2
1 Y Y
= E −E .
n n n2
2
Y Y θ
Karena E = θ dan E 2
= (1 − θ) + θ2 , maka
n n n
1 Y Y (n − 1) θ
E 1− = × (1 − θ) ,
n n n n n
808 sehingga
n 1 Y Y n 1 Y Y
E × 1− = ×E 1−
n−1 n n n n−1 n n n
θ
= (1 − θ) .
n
Dengan kata lain, statistik
n 1 Y Y n
δ̂ = × 1− = δ̄
n−1 n n n n−1
809 adalah UMVUE bagi δ (ragam dari Y/n) . z
811 Berdasarkan Teorema Rao-Blackwell dan Lehmann-Scheffé, ϕ X̄ adalah
812 UMVUE bagi Φ (c − θ) .
Misalkan fungsi u (x1 ) = I (−∞ < x1 < c) , maka nilai harapan dari
E (u (X1 )) = 1 · P (X1 − θ ≤ c − θ) = Φ (c − θ) .
815 z
4.4 Latihan 93
831
832 BAB 5
835 Contoh 5.1 Misalkan X1 , X2 , . . . , X25 merupakan sampel acak dari sebaran
836 N (θ, 1) , −∞ < θ < ∞. Misalkan Y = X̄, nilai tengah dari sampel acak,
837 dan misalkan £ [θ, δ (y)] = [θ − δ (y)]2 . Bandingkanlah dua fungsi keputusan
838 berikut:
839 • δ1 (y) = y,
840 • δ2 (y) = 0.
94
5.1 Prinsip Minimax 95
841 Jawab. Fungsi risiko untuk masing-masing δ1 (y) dan δ2 (y) ialah
1
R (θ, δ1 ) = E (θ − Y )2 =
25
2
R (θ, δ2 ) = E (θ − 0) = θ2 .
842 Jelas bahwa jika pada kenyataannya θ = 0, maka δ2 (y) = 0 adalah keputusan
843 yang tepat dan R (0, δ2 ) = 0. Tetapi, jika θ 6= 0, maka δ2 (y) = 0 adalah
844 keputusan yang kurang tepat. Sebagai contoh, misalkan pada kenyataannya
1
845 θ = 2, maka R (2, δ2 ) = 4 > R (2, δ1 ) = 25 . Secara umum, R (θ, δ2 ) <
1 1
846 R (θ, δ1 ) jika − 5 < θ < 5 dan untuk θ selainnya R (θ, δ2 ) ≥ R (θ, δ1 ) . Dengan
847 demikian, kadang kala suatu fungsi keputusan lebih baik daripada fungsi
848 keputusan lainnya untuk beberapa nilai θ dan fungsi keputusan lainnya lebih
849 baik untuk nilai θ lainnya, sehingga jika kita membatasi fungsi keputusan δ,
850 seperti E (δ (Y )) = θ untuk setiap nilai θ, θ ∈ Ω, maka δ2 (y) = 0 tidak
851 termasuk ke dalam pertimbangan sebagai fungsi keputusan. Berdasarkan
852 hal tersebut, fungsi risiko merupakan ragam dari penduga takbias δ (Y ) .
Misalkan kita tidak ingin membatasi sendiri fungsi keputusan δ, seperti
E (δ (Y )) = θ untuk setiap nilai θ, θ ∈ Ω. Misalkan kita katakan bahwa fungsi
keputusan yang meminimumkan fungsi risiko yang maksimum merupakan
fungsi keputusan terbaik. Karena pada contoh ini R (θ, δ2 ) = θ2 tak terbatas,
maka berdasarkan kriteria tersebut, δ2 (y) = 0 bukanlah fungsi keputusan
terbaik. Dengan demikian, kita peroleh
1 1
maxR (θ, δ1 ) = max = .
θ θ 25 25
853 Oleh karena itu, δ1 (y) = y = x̄ merupakan fungsi keputusan terbaik berdasarkan
1
854 kriteria minimax karena 25 nilainya terkecil. z
855 Berdasarkan Contoh 5.1, dapat disimpulkan bahwa
856 • tanpa pemberian batasan pada fungsi keputusan, sulit untuk mencari
857 fungsi keputusan yang memiliki fungsi risiko yang secara umum lebih
858 kecil daripada fungsi risiko dari putusan yang lain,
862 untuk setiap fungsi keputusan δ (y) , maka δ (y) disebut sebagai fungsi
863 keputusan minimax (minimax decision function).
dengan L (x1 , . . . , xn |θ) = ni=1 f (xi |θ) . Fungsi kepekatan peluang marginal
Q
bagi X ialah Z∞
g1 (x1 , . . . , xn ) = g (x1 , . . . , xn , θ) dθ.
−∞
g (x1 , . . . , xn , θ)
k (θ|x1 , x2 , . . . , xn ) =
g1 (x1 , . . . , xn )
L (x1 , . . . , xn |θ) h (θ)
= .
g1 (x1 , . . . , xn )
bsi
877 Contoh 5.2 Misalkan Xi |θ ∼ P oisson (θ) dan Θ ∼ Γ (α, β) , α dan β dike-
878 tahui. Tentukan sebaran posterior bagi θ.
5.2 Sebaran Prior dan Posterior 97
882 z
Pada Contoh 5.2 terlihat bahwa tidak perlu menentukan fungsi kepekatan
peluang marginal g1 (x) untuk mencari sebaran posterior k (θ|x) . Jika kita
membagi L (x|θ) h (θ) dengan g1 (x) , maka diperoleh faktor yang bergantung
pada amatan peubah, x, tetapi tidak bergantung pada θ, misalkan disebut
c (x) , dan θΣxi +α−1 e−θ[β/(nβ+1)] , yaitu
Σxi +α−1 θ
k (θ|x) = c (x) θ exp − I (θ > 0)
β/ (nβ + 1)
dengan xi = 0, 1, 2, . . . dan i = 1, 2, . . . , n. Faktor c (x) tersebut harus
berupa konstanta sedemikian sehingga membuat k (θ|x) sebagai suatu fungsi
kepekatan peluang, yaitu
1
c (x) = .
Γ ( i=1 xi + α) [β/ (nβ + 1)]Σxi +α
Pn
5.3 Metode Pendugaan Bayes 98
883 Oleh karena itu, seringkali k (θ|x) dituliskan proporsional dengan L (x|θ) h (θ) ,
884 yaitu
k (θ|x) ∝ L (x|θ) h (θ) . (5.1)
885 Perhatikan bahwa ruas kanan pada 5.1, faktor yang bergantung pada peubah
886 x dan berupa konstanta dapat diabaikan. Sebagai ilustrasi, untuk menye-
887 lesaikan soal pada Contoh 5.2, k (θ|x) dapat dituliskan proporsional dengan
888 θΣxi +α−1 e−θ[β/(nβ+1)] , yaitu
Σxi +α−1 θ
k (θ|x) ∝ θ exp − I (θ > 0) . (5.2)
β/ (nβ + 1)
Selanjutnya, tentukan konstanta c (x) sedemikian sehingga membuat k (θ|x)
sebagai suatu fungsi kepekatan peluang.PJelas bahwa k (θ|x) harus berupa
fungsi kepekatan peluang dari sebaran Γ ( ni=1 xi + α, β/ (nβ + 1)) , sehingga
1
c (x) = .
Γ ( i=1 xi + α) [β/ (nβ + 1)]Σxi +α
Pn
di mana £ [θ, δ (x)] adalah fungsi kehilangan. Peubah acak terkait δ (X)
disebut penduga Bayes bagi θ. Jika fungsi kehilangan yang diberikan ialah
£ [θ, δ (x)] = [θ − δ (x)]2 ,
maka dugaan Bayes ialah δ (x) = E [Θ|x] , nilai harapan dari sebaran bersyarat
2
Θ|X = x. Hal tersebut berdasarkan fakta bahwa E (W − b) (jika ada)
adalah minimum ketika b = E (W ) . Jika fungsi kehilangan yang diberikan
ialah
£ [θ, δ (x)] = |θ − δ (x)| ,
892 maka dugaan Bayes ialah median dari sebaran bersyarat Θ|X = x. Hal terse-
893 but berdasarkan fakta bahwa E (|W − b|) (jika ada) adalah minimum ketika
894 b = median (W ) .
Secara umum, misalkan ξ (θ) adalah suatu fungsi dari θ. Untuk fungsi
kehilangan £ [ξ (θ) , δ (x)] , dugaan Bayes dari ξ (θ) adalah fungsi keputusan
δ yang meminimumkan
Z ∞
E {£ [Θ, δ (x)] |X = x} = £ [ξ (θ) , δ (x)] k (θ|x) dθ.
−∞
899 untuk setiap x di mana g (x) > 0, maka δ (x) juga meminimumkan nilai
900 harapan dari risiko.
5.3 Metode Pendugaan Bayes 100
910 Untuk £ [θ, δ (x)] = [θ − δ (x)]2 , maka δ (y) merupakan nilai harapan dari
911 sebaran normal dengan parameter 5.5, yaitu
yσ02 + θ0 σ 2 /n
δ (y) =
σ 2 + σ 2 /n
0 2
σ 2 /n
σ0
= y+ θ0 .
σ02 + σ 2 /n σ02 + σ 2 /n
Dugaan Bayes yang diperoleh ini merupakan rata-rata terbobot antara dugaan
yang diperoleh dari sebaran prior, yaitu θ0 dengan dugaan yang diperoleh
dari sebaran bersyarat Y |θ, yaitu y.
912 z
5.3 Metode Pendugaan Bayes 102
Sebaran bersama dan sebaran marginal bagi peubah acak Θ dan Y diperoleh
sebagai berikut:
P (Θ, Y ) y1 y2 y3 P (θj )
θ1 0.03 0.15 0.42 0.6
θ2 0.17 0.15 0.08 0.4
P (yi ) 0.2 0.3 0.5 1
920 di mana
P (Θ = θ, Y = y) = P (Y = y|Θ = θ) P (Θ = θ)
3
X
P (θj ) = P (Θ = θj , Y = yi ) , j = 1, 2
i=1
2
X
P (yi ) = P (Θ = θj , Y = yi ) , i = 1, 2, 3.
j=1
P (Θ|Y ) y1 y2 y3
θ1 0.15 0.5 0.84
θ2 0.85 0.5 0.16
931 3. Andaikan Yn merupakan statistik tataan ke-n dari suatu sampel acak
932 berukuran n dari sebaran dengan fungsi kepekatan peluang f (x; θ) =
933 θ−1 I (0 < x < θ). Andai pula θ merupakan amatan dari peubah acak
934 Θ dengan fungsi kepekatan peluang h (θ) = θ−β−1 βαβ I (θ > α) , α >
935 0, β > 0. Bila fungsi kehilangan £ [θ, δ (yn )] = [θ − δ (yn )]2 , maka
936 tentukanlah solusi Bayes δ (yn ) yang merupakan dugaan titik bagi θ.
937 dan α > 0, β > 0 merupakan bilangan yang diketahui. Misalkan pula
938 bahwa X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran Poisson
939 dengan nilai tengah θ. Bila Y = Σni=1 Xi dan fungsi kehilangannya
940 ialah £ [θ, δ (y)] = [θ − δ (y)]2 , maka tentukan solusi Bayes δ (y) sebagai
941 dugaan titik bagi θ.
950 Misalkan X peubah acak untuk suatu populasi dengan parameter θ yang
951 tidak diketahui, di mana θ ∈ Ω. Misalkan pula X1 , X2 , . . . , Xn ialah sampel
952 acak dari sebaran peubah acak X yang memiliki fungsi kepekatan atau fungsi
953 massa peluang f (x, θ) . Suatu hipotesis statistika adalah pernyataan tentang
954 sebaran dari populasi X. Pernyataan tersebut biasanya berkaitan dengan
955 parameter θ jika kita sedang berhadapan dengan statistika parametrik, selain
956 itu pernyataan tersebut ialah berkaitan dengan bentuk sebaran X. Hipotesis
957 statistika disebut sebagai hipotesis sederhana jika hipotesis tersebut secara
958 keseluruhan menunjukkan sebaran suatu populasi, sebaliknya disebut sebagai
959 hipotesis majemuk.
960 Definisikan suatu hipotesis sebagai berikut
H0 : θ ∈ ω0
H1 : θ ∈ ω1
968 Penerimaan suatu hipotesis tidak berarti bahwa hipotesis tersebut benar,
969 tetapi karena tidak ada bukti yang cukup untuk menolak atau menafikannya.
105
106
970 Dalam pengujian hipotesis, ada dua kemungkinan kesalahan yang dapat
971 kita lakukan, yaitu:
974 Kesalahan menolak H0 yang benar disebut sebagai kesalahan jenis I dan
975 kesalahan tidak menolak H0 yang salah disebut kesalahan jenis II. Peluang
976 terjadinya salah jenis I dinotasikan dengan α, sedangkan peluang terjadinya
977 salah jenis II dinotasikan dengan β.
H0 benar H0 salah
978 Tolak H0 Salah Jenis I Putusan benar
Tidak Tolak H0 Putusan benar Salah Jenis II
Ukuran atau taraf nyata dari suatu uji hipotesis adalah peluang dari salah
jenis I, yaitu
α = maxPθ [(X1 , X2 , . . . , Xn ) ∈ C] .
θ∈ω0
990 Contoh 6.1 Misalkan X ∼ N (µ, σ 2 ) . Tentukan daerah kritis C untuk hipote-
991 sis berikut
H0 : µ = µ0
H1 : µ > µ0
992 di mana µ0 diketahui. Asumsikan bahwa ukuran dari uji hipotesis ini ialah
993 α, untuk 0 < α < 1.
994 di mana tα (n − 1) adalah batas atas titik kritis α dari sebaran t–Student
995 dengan derajat bebas (n − 1) , yaitu α = P (T > tα (n − 1)) . Biasanya hal
996 tersebut disebut t-test dari H0 : µ = µ0 . Dengan demikian, daerah kritis C
997 berukuran α ialah
√
C = x : t = (x̄ − µ0 ) / s/ n ≥ tα (n − 1)
√
= x : x̄ ≥ µ0 + tα (n − 1) × s/ n .
998 z
Contoh 6.2 Misalkan X1 , X2 , . . . , X10 adalah sampel acak dari sebaran Pois-
son dengan nilai harapan θ. Daerah kritis untuk pengujian H0 : θ = 0.1 lawan
H1 : θ > 0.1 diberikan sebagai berikut
10
X
Y = Xi ≥ 3.
i=1
Statistisk Y memiliki sebaran dengan nilai harapan 10θ, sehingga bila θ = 0.1,
nilai harapan Y ialah 1. Taraf nyata dari uji ini ialah
α = P (Y ≥ 3) = 1 − P (Y ≤ 2) = 1 − 0.920 = 0.080.
Sebagai contoh, jika taraf nyata yang diinginkan ialah α = 0.05, maka hal
tersebut dapat disesuaikan dengan cara sebagai berikut. Misalkan W meru-
pakan peubah acak yang menyebar Bernoulli dengan peluang sukses sebesar
0.050 − 0.019 31
P (W = 1) = = .
0.080 − 0.019 61
Asumsikan bahwa W dipilih secara bebas dari sampel. Perhatikan aturan
penolakan berikut :
10
X 10
X
Tolak H0 jika xi ≥ 4 atau jika xi = 3 dan W = 1.
i=1 i=1
1008 Misalkan θ0 dan θ00 adalah nilai dari θ sedemikian sehingga Ω = {θ : θ = θ0 , θ00 }
1009 dan k adalah bilangan positif. Misalkan pula 0 C adalah himpunan bagian
L(θ ;x)
1010 dari ruang sampel sedemikian sehingga: (a) L(θ 00 ;x) ≤ k untuk setiap x ∈ C,
0
L(θ ;x) c
1011 (b) L(θ 00 ;x) ≥ k untuk setiap x ∈ C , dan (c) α = PH0 [X ∈ C] , maka C
1012 adalah daerah kritis terbaik berukuran α untuk pengujian hipotesis sederhana
1013 H0 : θ = θ0 dan H1 : θ = θ00 .
R
L (θ) . Jika terdapat daerah kritis berukuran α yang lain, misalkan daerah
tersebut adalah A, maka
Z Z
0
L (θ ) = L (θ0 ) = α.
A C
= L (θ00 ) − L (θ00 )
C A
= α − α = 0.
Jika hasil tersebut disubstitusi ke pertaksamaan 6.3, maka diperoleh
Z Z
00
L (θ ) − L (θ00 ) ≥ 0.
C A
1018 Jika peubah acak X adalah peubah acak diskret, maka pembuktian teorema
1019 tersebut sama seperti kasus kontinu, hanya saja notasi integral diubah men-
1020 jadi notasi sigma (penjumlahan). z
1021 Akibat 6.1 Misalkan C adalah daerah kritis terbaik berukuran α untuk pen-
1022 gujian hipotesis sederhana H0 : θ = θ0 dan H1 : θ = θ00 . Misalkan taraf
1023 nyata dari pengujian tersebut ialah α. Misalkan pula γC (θ00 ) = Pθ00 [X ∈ C]
1024 menyatakan kuasa dari pengujian tersebut, maka α ≤ γC (θ00 ) .
1026 Jawab.
√ n
L (θ0 ; x) 1/ 2π exp (− ni=1 x2i /2)
P
= √ n
L (θ00 ; x) 1/ 2π exp − ni=1 (xi − 1)2 /2
P
n
!
X n
= exp − xi + .
i=1
2
6.2 Uji Selalu Paling Kuasa 111
Contoh 6.4 Misalkan X1 , X2 adalah sampel acak dari sebaran yang memi-
liki fungsi kepekatan peluang
1
f (x; θ) = e−x/θ I (x > 0) .
θ
1035 Tentukan daerah kritis terbaik C berukuran α untuk hipotesis berikut
H0 : θ = 2
H1 : θ = θ∗ ; θ∗ > 2.
1036 Jawab.
L (θ0 ; x) L (2)
=
L (θ00 ; x) L (θ∗ )
1
22
exp [− (x1 + x2 ) /2]
= 1 .
(θ∗ )2
exp [− (x1 + x2 ) /θ∗ ]
Jika k > 0, maka himpunan dari semua titik (x1 , x2 ) sedemikian sehingga
1
22
exp [− (x1 + x2 ) /2]
1 ≤k
(θ∗ )2
exp [− (x1 + x2 ) /θ∗ ]
1037 adalah daerah kritis terbaik berkuran α.
1
22
exp [− (x1 + x2 ) /2]
1 ≤k
(θ∗ )2
exp [− (x1 + x2 ) /θ∗ ]
⇔ − log 4 − (x1 + x2) /2 + log (θ∗ )2 + (x1 + x2 ) /θ∗ ≤ log k
⇔ (x1 + x2 ) θ1∗ − 21 ≤ k1
⇔ (x1 + x2 ) 12 − θ1∗ ≥ k2 ,
(6.4)
karena ∀θ∗ > 2, 21 − θ1∗ > 0, maka pertaksamaan 6.4 dapat ditulis menjadi
(x1 + x2 ) ≥ k3 ,
1038 sehingga daerah kritis C = {(x1 , x2 ) : (x1 + x2 ) ≥ k3 } .
α = P (X ∈ C|H0 )
0.05 = Pθ=2 (X1 + X2 ≥ k2 )
0.05 = 1 − P (X1 + X2 < k2 )
Z k3 Z k3 −x1
1
0.05 = 1 − exp [− (x1 + x2 ) /2] dx2 dx1
0 4
0
k3
0.05 = e−k3 /2 1 +
2
k3 = 9.5.
1039 z
6.3 Uji Rasio Kemungkinan 113
1040 Definisi 6.2 Daerah kritis C adalah daerah kritis selalu paling kuasa
1041 (uniformly most powerful critical region) berukuran α untuk pengujian hipote-
1042 sis sederhana H0 dan hipotesis majemuk H1 jika himpunan C adalah daerah
1043 kritis terbaik berukuran α untuk pengujian hipotesis H0 dengan setiap hipote-
1044 sis sederhana H1 . Pengujian yang didefinisikan berdasarkan daerah kritis C
1045 tersebut disebut uji selalu paling kuasa (uniformly most powerful test)
1046 dengan taraf nyata α untuk pengujian hipotesis sederhana H0 dan hipote-
1047 sis majemuk H1 .
1048 Contoh 6.5 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran nor-
1049 mal N (θ, 1). Tentukan daerah kritis selalu paling kuasa berukuran α (jika ada)
1050 untuk hipotesis berikut
H0 : θ = 5
H1 : θ = θ∗ ; θ∗ 6= 5.
1051 Jawab.
Yn 2
√1 exp − 1 (x − 5)
L (θ = 5) 2π 2
= Yni=1
L (θ = θ∗ ) √1 exp − 1 (x − θ ∗ )
2
2π 2
i=1
n n
1 X 21X
= − (xi − 5) + (xi − θ∗ )2
2 i=1
2 i=1
n
X 25n
= (5 − θ∗ ) xi + n (θ∗ )2 − ≤ k1 .
i=1
2
n
X 25n
∗
(5 − θ ) xi ≤ k1 − n (θ∗ )2 + .
i=1
2
∗
, . . . , xn ) : ni=1 xi ≤ k2 }, tetapi untuk θ∗ > 5,
P
1052 Jika θ < 5, maka C = {(x1 , x2P
1053 maka C = {(x1 , x2 , . . . , xn ) : ni=1 xi ≥ k2 } . Dengan demikian, tidak ada
1054 daerah kritis selalu paling kuasa. z
Prinsip dari rasio kemungkinan untuk menolak H0 adalah jika dan hanya jika
Λ ≤ λ0 < 1, di mana
supL (ω)
θ∈ω L (ω̂)
Λ (x) = = ,
supL (Ω) L Ω̂
θ∈Ω
1056 dengan taraf nyata dari uji tersebut ialah α = maxPH0 [Λ (X) ≤ λ0 ] .
θ∈ω
sehingga
" #n/2
L (ω̂) Σni=1 (xi − x̄)2
Λ (x) = = .
L Ω̂ Σni=1 x2i
2
Karena X̄ ∼ N (θ1 , θ2 ) dan Σni=1 Xi − X̄ /θ2 ∼ χ2 (n − 1) , maka
√
n X̄ − θ1
T =q 2 ∼ t − Student (n − 1)
n
Σi=1 Xi − X̄ / (n − 1)
H0 : θ1 = θ2 , θ3 > 0
H1 : θ1 6= θ2 , θ3 > 0,
di mana θ1ω dan θ3ω memaksimumkan L (ω) . Selanjutnya, jika ∂ ln L (Ω) /∂θ1 ,
∂ ln L (Ω) /∂θ2 , dan ∂ ln L (Ω) /∂θ3 dibuat sama dengan nol, maka
Σni=1 (xi − θ1 ) = 0
Σmi=1 (yi − θ2 ) = 0
1 n
− (n + m) + Σi=1 (xi − θ1 )2 + Σm
i=1 (yi − θ1 )
2
= 0.
θ3
Solusi dari persamaan di atas untuk θ1 , θ2 dan θ3 berturut-turut ialah
θ1 = x̄
θ2 = ȳ
θ3 = (n + m)−1 Σni=1 (xi − θ1 )2 + Σm 2
i=1 (yi − θ2 )
θ̂3
Λ2/(n+m) (X) =
θ̂3ω
2 2
Σni=1 Xi − X̄ + Σmi=1 Yi − Ȳ
= 2 2 .
Pn nX̄ + mȲ Pm nX̄ + mȲ
i=1 Xi − + i=1 Yi −
n+m n+m
1080 Karena
n 2 n 2
X nX̄ + mȲ X nX̄ + mȲ
Xi − = Xi − X̄ + X̄ −
i=1
n+m i=1
n+m
n 2
X 2 nX̄ + mȲ
= Xi − X̄ + n X̄ −
i=1
n+m
n
X 2 m2 n 2
= Xi − X̄ + 2 X̄ − Ȳ
i=1
(n + m)
6.3 Uji Rasio Kemungkinan 118
1081 dan
m 2 m 2
X nX̄ + mȲ X nX̄ + mȲ
Yi − = Yi − Ȳ + Ȳ −
i=1
n + m i=1
n+m
m 2
X 2 nX̄ + mȲ
= Yi − Ȳ + m Ȳ −
i=1
n+m
m
X 2 n2 m 2
= Yi − Ȳ + X̄ − Ȳ ,
i=1
(n + m)2
1082 maka
n
2 m
2
Σ i=1 X i − X̄ + Σ i=1 Y i − Ȳ
Λ2/(n+m) (X) = Pn 2 Pm 2 2
i=1 X i − X̄ + i=1 Y i − Ȳ + [nm/ (n + m)] X̄ − Ȳ
1
= 2 .
[nm/ (n + m)] X̄ − Ȳ
1 + Pn 2 Pm 2
i=1 Xi − X̄ + i=1 Yi − Ȳ
1085 dikatakan memiliki sebaran t takterpusat dengan derajat bebas r dan param-
1086 eter takterpusat δ. Jika δ = 0, maka T disebut memiliki sebaran terpusat
1087 t.
6.3 Uji Rasio Kemungkinan 119
1088 Pada dua contoh di atas, Contoh 6.6 dan Contoh 6.7, penentuan uji
1089 rasio kemungkinan tersebut dilakukan berdasarkan statistik di mana jika H0
1090 benar, maka memiliki sebaran t. Kemudian, kita ingin menguji statistik pada
1091 contoh-contoh tersebut dengan menggunakan Definisi 6.3. Pada Contoh 6.6,
1092 diperoleh
√
nX̄
T =q 2
Σni=1 Xi − X̄ / (n − 1)
1093 di mana
√ √
nX̄ nθ1
Z1 = ∼N ,1
σ σ
2
Σni=1 Xi − X̄
U1 = ∼ χ2 (n − 1) ,
σ2
1094 peubah acak Z1 dan U1 saling bebas. Dengan demikian, jika θ1 6= 0, maka
1095
√ t takterpusat dengan derajat bebas n − 1 dan parameter
T memiliki sebaran
nθ1
1096 terpusatnya δ1 = .
σ
Dari Contoh 6.7 diperoleh
Z2
T =p
U2 / (n + m − 2)
di mana r
nm
Z2 = X̄ − Ȳ /σ
n+m
dan " n #
m
1 X 2 X 2
U2 = 2 Xi − X̄ + Yi − Ȳ .
σ i=1 i=1
1098 Berdasarkan prinsip dari uji rasio kemungkinan, H0 ditolak jika dan hanya
1099 jika Λ ≤ λ0 , sehingga untuk statistik −2 ln Λ, H0 ditolak jika −2 ln Λ > λ1
1100 untuk suatu konstanta λ1 . Dengan demikian, uji rasio kemungkinan ekuiv-
1101 alen dengan uji yang menggunakan statistik −2 ln Λ. Berikut ini merupakan
1102 teorema yang menyatakan sebaran asimtotik bagi −2 ln Λ.
Teorema 6.2 Misalkan X1 , X2 , ..., Xn adalah sampel acak dengan fungsi kepekatan
peluang f (x; θ) , θ ∈ Ω, di mana Ω merupakan himpunan bagian berdimensi
r dari Rr dan misalkan ω merupakan himpunan bagian berdimensi m dari Ω.
Misalkan pula himpunan positif dari fungsi kepekatan peluang tidak bergan-
tung pada θ, maka sebaran asimtotik dari −2 ln Λ ialah χ2 (r − m) , asalkan
θ ∈ ω, yaitu saat n → ∞,
Pθ (−2 ln Λ ≤ x) → G (x) , x ≥ 0, ∀θ ∈ ω,
1. Dengan penolakan H0 : θ = θ0 ,
L (θ0 ; n)
≤ k0 .
L (θ00 ; n)
2. Dengan penerimaan H0 : θ = θ0 ,
L (θ0 ; n)
≥ k1 .
L (θ00 ; n)
f (x; θ) = θx (1 − θ)1−x I (x = 0, 1) .
Jawab.
1 1 Σxi 2 n−Σxi
L ;n
3
2
= 3 3
= 2n−2Σxi ,
2 Σxi 1 n−Σxi
L ; n
3 3 3
di mana Σxi = Σni=1 xi .
1
L 3
;n
k0 < 2
< k1
L 3
;n
log2 k0 < n − 2Σni=1 xi < log2
k1
n 1 n 1
c0 (n) = − log2 k1 < Σni=1 xi < − log2 k0 = c1 (n) .
2 2 2 2
Perhatikan bahwa L 31 ; n /L 32 ; n ≤ k0 jika dan hanya jika c1 (n) ≤ Σni=1 xi
α (1 − β0 ) ≤ α0 (1 − β) , β (1 − α0 ) ≤ β0 (1 − α) . (6.7)
α + β ≤ α 0 + β0 .
α ≈ α0 ,
β ≈ β0 .
6.4 Uji Rasio Peluang Bersekuens 124
1118 Catatan 6.1 Peluang bahwa prosedur dari pengujian tersebut terus berlanjut
1119 sampai n → ∞ ialah nol. Jika θ = θ0 atau θ = θ00 , maka
1
E (N |H0 ) = [α ln k0 + (1 − α) ln k1 ] ,
E (Z|H0 )
1
E (N |H1 ) = [(1 − β) ln k0 + β ln k1 ] ,
E (Z|H1 )
di mana
f (X; θ0 )
Z = ln
f (X; θ00 )
1120 dan N merupakan peubah acak yang menyatakan ukuran sampel.
1121 Contoh 6.9 Misalkan X memiliki sebaran N ∼ (µ, 1) . Gunakan uji rasio
1122 peluang bersekuens Wald untuk menentukan rata-rata ukuran contoh yang
1123 diharapkan untuk sampai pada suatu putusan bila diketahui hipotesis sebagai
1124 berikut :
H0 : µ = 0
H1 : µ = 1
1126 Jawab.
0.01 1
k0 = =
1 − 0.01 99
1 − 0.01
k1 = = 99
0.01
f (X; θ0 )
Z = ln
f (X; θ00 )
" #
exp − 12 X 2
= ln
exp − 12 [X − 1]2
1
= − X 2 − (X − 1)2
2
1
= −X
2
1127
1
E (Z|H0 ) = E − X | H0
2
1
=− E (X | µ = 0)
2
1
=
2
1
E (Z|H1 ) = E − X | H1
2
1
= − E (X | µ = 1)
2
1
= −1
2
1
= −
2
1128
1 1
E (N |H0 ) = 0.01 ln + 0.99 ln (99) = 9
1/2 99
1 1
E (N |H1 ) = 0.99 ln + 0.01 ln (99) = 9
−1/2 99
6.5 Latihan 126
1131
1132 z
Σn x
i
1135 (a) Tunjukkanlah bahwa C = {(x1 , x2 , . . . , xn ) : i=1
n
≥ c} meru-
1136 pakan daerah kritis terbaik untuk pengujian H0 : θ = 10 lawan
1137 H1 : θ = 12.
1138 (b) Tentukan pula n dan c sehingga α = 0.05 dan 1 − β = 0.90.
1139 Catatan:
1140 Bila Z˜N (0, 1), maka P (Z ≥ 1.645) = 0.05 dan P (Z ≥ 1.285) = 0.10.
1141 (a) Tunjukkanlah bahwa ada Uji Selalu Paling Kuasa (UMPT, Uni-
1142 formly Most Powerful Test) dalam pengujian ini.
1143 (b) Bila α = 0.05 maka berikanlah daerah kritis dan fungsi kuasanya.
H0 : θ = θ0 lawan H1 : θ 6= θ0
1144 (a) Apakah dapat diperoleh uji selalu paling kuasa (Uniformly Most
1145 Powerful Test)? Jelaskan.
1146 (b) Tunjukkanlah bahwa uji rasio kemungkinan (LRT, Likelihood Ra-
1147 tio Test) H0 : θ = θ0 lawan H1 : θ 6= θ0 dapat didasarkan pada
1148 statistik W = Σni=1 (Xi − 5)2 /θ0 . Tentukan sebaran dari W bila
1149 H0 benar dan berikan daerah kritisnya untuk taraf nyata (level of
1150 significance) α.
1151 Isilah nilai f (z; θ0 ) / sup f (z; θ) pada tabel di atas dan berikanlah uji
1152 rasio kemungkinan (LRT, Likelihood Ratio Test) untuk pengujian H0 :
1153 θ = θ0 lawan H1 : θ 6= θ0 dengan amatan tunggal untuk α = 1/6.
1154 Berikan pula kuasa uji-nya (1 − β).
6.5 Latihan 128
1155 5. Misalkan peubah acak X bersebaran N (0, θ). Berikanlah uji rasio
1156 peluang bersekuens (SPRT, Sequential Probability Ratio Test) bagi
1157 H0 : θ = 4 lawan H1 : θ = 9 dengan α = 0.05 dan β = 0.10. Berikan
1158 pula rata-rata ukuran contoh yang diharapkan untuk sampai pada su-
1159 atu putusan.
1160 LAMPIRAN
1167 Jawab:
131
6.5 Latihan 132
1168 2. Dari soal nomor 1, hitunglah probabilitas bahwa tim khusus dari 5
1169 karyawan yang dipilih secara acak tersebut, terdiri dari 3 karyawan
1170 dari departemen Aktuaria dan 2 karyawan dari departemen Market
1171 Management.
1172 Jawab:
7 6
× = 1 × 6 = 6.
0 5
7 6
× = 7 × 15 = 105.
1 4
7 6
× = 21 × 20 = 420.
2 3
7 6
× = 35 × 15 = 525.
3 2
7 6
× = 35 × 6 = 210.
4 1
7 6
× = 21 × 1 = 21.
5 0
1173 Jadi probabilitas bahwa tim khusus dari 5 karyawan yang dipilih secara
1174 acak tersebut, terdiri dari 3 karyawan dari departemen Aktuaria dan 2
1175 karyawan dari departemen Market Management adalah
525 525
= = 0, 41.
6 + 105 + 420 + 525 + 210 + 21 1287
6.5 Latihan 133
1182 Jawab:
1187 Jawab:
1188 Probabilitas dari sedikitnya satu klaim selama bulan tertentu adalah
Pr(1 ≤ N ≤ 4)
Pr(N ≥ 1|N ≤ 4) =
Pr(N ≤ 4)
1
Σ41 (n+1)(n+2)
= 1
Σ40 (n+1)(n+2)
2
=
5
= 0, 4.
6.5 Latihan 135
1192 Jawab:
1203 Jawab:
1204 Hitunglah nilai variansi pembayaran biaya perawatan dari polis asuransi
1205 tersebut.
1206 Jawab:
Jadi,
E[B(x)] = Σk=5
k=1 B(k)P (X = k)
= 100 · (1 · 6−1
15
+ 2 · 6−2
15
+ 3 · 6−3
15
) + 25 · (4 · 6−4
15
+ 5 · 6−5
15
)
= 168, 33.
E[B 2 (x)] = Σk=5 2
k=1 B (k)P (X = k)
= 1002 · (12 · 6−1
15
+ 22 · 6−2
15
+ 32 · 6−3
15
) + 252 · (42 · 6−4
15
+ 52 · 6−5
15
)
= 34375.
V ar[B(x)] = E[B 2 (x)] − (E[B(x)])2
= 34375 − (168, 33)2
= 6038, 9.
6.5 Latihan 138
x 2 4 6 7 12
1209
Pr(X = x) 3/7 1/7 1/7 1/7 1/7
1211 Jawab:
4 + (6 − 4) ∗ (0, 8) = 5, 6.
6.5 Latihan 139
1216 9. Distribusi probabilitas dari ukuran klaim untuk sebuah polis asuransi
1217 diberikan dalam tabel berikut.
Ukuran klaim 20 30 40 50 60 70 80
1218
Probabilitas 0,15 0,10 0,05 0,20 0,10 0,10 0,30
1219 Tentukanlah persentase dari klaim yang terletak dalam nilai satu stan-
1220 dar deviasi dari rata-rata ukuran klaim.
1221 Jawab:
1226 10. Misalkan dipilih sebuah angka W yang merupakan variabel acak dari
1227 50, 55, 60, 65, 70. Hitunglah Pr[W ≥ 55].
1228 Petunjuk: W = 5X + 45, dimana X mempunyai distribusi uniform
1229 diskrit pada 1, 2, 3, 4, 5.
1230 Jawab:
1233 11. Misalkan X adalah variabel acak yang mempunyai distribusi binomial
1234 dengan n = 10 dan V ar[X] = 0, 25E[X].
1235 Hitunglah probabilitas untuk X = 7.
1236 Jawab:
1239 Jawab:
1240 13. Masa beroperasi dari sebuah bagian mesin mempunyai distribusi kon-
1241 tinu pada interval [0, 40] dengan fungsi probabilitas densitas, f (x) ,
1242 yang proporsional dengan (10 + x)−2 . Hitunglah probabilitas untuk
1243 masa beroperasi dari sebuah bagian mesin yang lebih kecil dari 5.
1244 Jawab:
−2
1245 Misal f (x)
R 40= k(10 + x) untuk x pada interval [0, 40].
−2
1246 Karena 0 k(10 + x) dx = 1 maka diperoleh k = 12, 5.
1247 Jadi
Z 5
Pr[X < 5] = 12, 5(10 + x)−2 dx
0
5
12, 5
= −
10 + x 0
= −0, 83 + 1, 25
= 0, 42.
6.5 Latihan 144
1249 Jawab:
1257 Jawab:
1267 Jawab:
1268 17. Misalkan X adalah variabel acak yang berdistribusi eksponensial de-
1269 ngan variansi 9. Hitunglah E(X 4 ).
1270 Jawab:
1 1
f (x) = e− 3 x
3
1274
Z ∞
1 1
4
E[X ] = x4 e− 3 x dx
0 3
− 1 x ∞
1 4 3 2
= − 3x + 36x + 324x + 1944x + 5832 e 3
3 0
1
= × 5832
3
= 1944.
6.5 Latihan 148
1275 18. Misalkan X adalah variabel acak dengan mean µx dan variansi σx2 . X
1276 disebut sebagai variabel acak populasi. Misalkan X1 , X2 , ...Xn adalah
1277 pengamatan-pengamatan yang berdistribusi identik dan saling bebas
1278 dari X.
1279 X1 , X2 , ...Xn adalah sampel acak dari X. Misalkan S = Σni=1 Xi dan
1280 X̄ = n1 Σni=1 Xi . X̄ adalah mean dari sampel.
1281 Manakah dari pernyataan berikut yang benar.
1286 Jawab:
1288 19. Sebuah koin yang kedua sisinya seimbang dilempar sebanyak dua kali.
1289 Misalkan X adalah banyaknya sisi pertama yang terlihat pada lem-
1290 paran pertama. Misalkan Y adalah banyaknya sisi pertama yang terli-
1291 hat pada dua lemparan pertama. Hitunglah V ar(X + Y ).
1292 Jawab:
Luaran X Y Z =X +Y Pr(Z = z)
S1 S1 1 2 3 1/4
1293 S1 S2 1 1 2 1/4
S2 S1 0 1 1 1/4
S2 S2 0 0 0 1/4
1298 Jawab:
x ↓, y −→ 0 1 2 pX (x)
0 1/4 1/4 0 1/2
1299
1 0 1/4 1/4 1/2
pY (y) 1/4 1/2 1/4 1
E(Y |X = 1) = Σy · p(y|x = 1)
= 0 · p(0|x = 1) + 1 · p(1|x = 1) + 2 · p(2|x = 1)
= 0 · pp(1,0)
X (1)
+ 1 · pp(1,1)
X (1)
+ 2 · pp(1,2)
X (1)
= 0
0 · 1/2 + 1 · 1/4
1/2
+ 2 · 1/4
1/2
= 0 + 21 + 1
3
= 2
= 1, 50.
6.5 Latihan 151
1303 Jawab:
E[N2 |N1 = 2] = Σ∞
n2 =1 n2 p(n2 |N1 = 2)
p(2, n2 )
= Σ∞
n2 =1 n2
p(N1 = 2)
1304
1 1 −2
p(N1 = 2) = Σ∞
n2 =1 e (1 − e−2 )n2 −1
34
1 ∞
= Σ (1 − e−2 )n2
12e2 n2 =0
1 1
=
12e 1 − (1 − e−2 )
2
1
=
12
1305 Oleh karena itu diperoleh
1 1 −2
e (1 − e−2 )n2 −1
E[N2 |N1 = 2] = Σ∞
n2 =1 n2
34
1
12
= Σ∞ −2
n2 =1 n2 e (1 − e )
−2 n2 −1
= Σ∞ −2 −2 n2
n2 =0 n2 e (1 − e )
1306 Perhatikan bahwa nilai ekspektasi di atas adalah nilai ekspektasi untuk
1307 peubah acak geometri N2 . Maka diperoleh
1 − e−2
E[N2 |N1 = 1] =
e−2
2
= e − 1.
6.5 Latihan 152
1308 22. Sebuah model aktuaria untuk lama penggunaan peralatan menggu-
1309 nakan variabel acak Y = 10 · X 0,8 , dimana X adalah variabel acak
1310 yang berdistribusi eksponensial dengan mean 1 tahun.
1311 Tentukanlah fungsi probabilitas densitas f (y) , untuk y > 0, dari vari-
1312 abel acak Y .
1313 Jawab:
1314 23. Misalkan variabel acak X berdistribusi uniform pada interval [2,6].
1315 Misalkan variabel acak Y = X1 . Tentukanlah fungsi probabilitas densi-
1316 tas untuk variabel acak Y pada interval [1/6,1/2].
1317 Jawab:
1318 24. Misalkan S adalah variabel acak yang berdistribusi eksponensial de-
1319 ngan mean 1 dan T adalah variabel acak yang berdistribusi eksponen-
1320 sial dengan mean 2. Tentukanlah fungsi probabilitas densitas untuk
1321 fX (x), dimana X = S + T .
1322 Jawab:
S ∼ fS (s) = e−s
1325 dan
1 1
T ∼ fT (t) = e− 2 t .
2
Sehingga diperoleh
fXR(x)
x
= 0 fS (s)fT (x − s)ds
R x −s 1 − 1 (x−s)
= 0 e 2e 2 ds
1 − 12 x x − 21 s
R
= 2e 0
e ds
− 12 x 1
= e (1 − e− 2 x )
1
= e− 2 x − e−x .
6.5 Latihan 155
1326 25. Suatu populasi mempunyai mean 100 dan standar deviasi 16. Hi-
1327 tunglah probabilitas bahwa mean sampel berada dalam interval ±3
1328 dari mean populasi jika ukuran sampel n = 100.
1329 Jawab:
Pr(|X̄ − 100| ≤ 3)
= Pr(−3 ≤ X̄ − 100 ≤ 3)
= Pr( 16/−3
√
100
X̄−100
≤ 16/√
100
≤ 16/√3 100 )
= Pr( 16/−3
√
100
≤ Z ≤ 16/√3 100 )
√
= Pr(|Z| ≤ 3 16100 )
= Pr(|Z| ≤ 1, 875)
= 2 P r(0 ≤ Z ≤ 1, 875)
= 0, 9392.
6.5 Latihan 156
1330 26. Variabel acak Y diketahui mempunyai distribusi normal. Sampel acak
1331 berukuran n = 14 menghasilkan nilai Ȳ = −43, 2 dan SY = 17, 9.
1332 Hitunglah interval kepercayaan 98% untuk mean populasi.
1333 Jawab:
SY 17, 9
ε = tα/2 (n − 1) √ −→ ε = t0,01 (13) √ = 12, 7.
n 14
1334 Jadi interval kepercayaan 98% untuk mean populasi adalah
1335 27. Sampel acak dari 9 pengamatan diambil dari populasi normal meng-
1336 hasilkan statistik
1 9
X̄ = 5 dan Σ (Xi − X̄)2 = 36.
8 i=1
1337 Tentukanlah batas kepercayaan 95% simetris untuk mean populasi.
1338 Jawab:
SX 6
ε = tα/2 (n − 1) √ −→ ε = t0,025 (8) √ = 4, 6.
n 9
1339 Jadi batas kepercayaan 95% simetris untuk mean populasi adalah 5 ±
1340 4, 6.
6.5 Latihan 158
1349 Jawab:
1350 Tingkat signifikansi dari uji di atas adalah peluang menolak H0 jika H0
1351 benar, yaitu diberikan sebagai berikut:
1352
P (Y ≤ 2|λ = 0, 1)
1353 Karena Y adalah jumlah dari peubah acak Poisson yang saling bebas
1354 dengan rata-rata 0,1 maka rata-rata Y adalah 25 × (0, 1) = 2, 5. Oleh
1355 karena itu diperoleh:
2.5 2.52
P (Y ≤ 2) = P (Y = 0; 1; 2) = e−2,5 + e−2,5 + e−2,5 = 0.5438.
1! 2!
1356 Jadi tingkat signifikansi uji di atas sedikitnya 0,50 dan lebih kecil dari
1357 0,6.
6.5 Latihan 159
1358 29. Sampel acak dari 21 pengamatan dari distribusi normal memberikan
1359 hasil sebagai berikut:
1 21
X̄ = 3, 5 Σi=1 (Xi − X̄)2 = 0, 445
20
1360 Digunakan uji dua arah
H0 : µ = 3
H1 : µ 6= 3
1362 Jawab:
1363 30. Misalkan X1 , ..., X12 adalah variabel-variabel acak yang masing-masing
1364 berdistribusi normal dengan mean 0 dan variansi σ 2 > 0. Dengan nilai
1365 p = 0,025 untuk uji hipotesis:
H0 : σ 2 = 10
H1 : σ 2 < 10
1367 Jawab:
1371 atau
Σ12 2
i=1 Xi < 38, 16.
6.5 Latihan 161
1372 31. Kode peserta ujian dari suatu ujian profesi aktuaris terdiri dari satu
1373 digit angka, tiga huruf, dan 3 digit angka (contohnya 1SAM123), ke-
1374 cuali huruf I, O, dan Q tidak dimasukkan pada posisi alphabet pertama
1375 dan ketiga. Hitunglah banyaknya kode peserta ujian yang mungkin dari
1376 ujian profesi aktuaris tersebut.
1377 Jawab:
10 × 23 × 26 × 23 × 10 × 10 × 10 = 137.540.000
6.5 Latihan 162
1391 Jawab:
n n!
=
r r!(n − r)!
n (n − 1)!n
=
r r!(n − r − 1)!(n − r)
n (n − 1)! n
=
r r!((n − 1) − r)! n − r
n (n − 1)! (n − r) + r
=
r r!((n − 1) − r)! n − r
n (n − 1)! r
= (1 + )
r r!((n − 1) − r)! n−r
n (n − 1)! (n − 1)!r
= +
r r!((n − 1) − r)! r!((n − 1) − r)!(n − r)
n (n − 1)! (n − 1)!r
= +
r r!((n − 1) − r)! (r − 1)!((n − r) − 1)!r(n − r)
n (n − 1)! (n − 1)!
= +
r r!((n − 1) − r)! (r − 1)!(n − r)!
n (n − 1)! (n − 1)!
= +
r r!((n − 1) − r)! (r − 1)!((n − 1) − (r − 1))!
n n−1 n−1
= +
r r r−1
6.5 Latihan 163
1393 Jawab:
1396 34. Misalkan himpunan universal adalah U = {1, 2, π, Jamaal, water, gum}.
1397 Misalkan A = {1, 2, π} dan B = {1, 2, Jamaal, gum}. Tentukanlah
1398 (A ∪ B)c .
1399 Jawab:
(A ∪ B)c = U − (A ∪ B)
= {1, 2, π, Jamaal, water, gum} − {1, 2, π, Jamaal, gum}
= {water}
6.5 Latihan 165
1404 Jawab:
Pr(A) = 1 − Pr(Ac ) = 1 − 0, 6 = 0, 4.
1410 Jawab:
Pr(A) = 1 − Pr(Ac ) = 1 − 0, 6 = 0, 4.
37. Sebuah polis asuransi memberikan manfaat individu sebesar 100 per
hari untuk biaya perawatan sampai 3 hari dan 50 per hari untuk biaya
perawatan setelah 3 hari seterusnya. Jumlah hari perawatan, X, adalah
variabel acak diskrit dengan fungsi probabilitas
6−k
15
untuk k = 1, 2, 3, 4, 5
P (X = k) =
0 lainnya
1413 Hitunglah nilai variansi pembayaran biaya perawatan dari polis asuransi
1414 tersebut.
1415 Jawab:
1418 38. Misalkan X adalah variabel acak diskrit dengan distribusi probabilitas
1419 sebagai berikut:
x 2 4 6 7 12
1420
Pr(X = x) 6/11 2/11 1/11 1/11 1/11
1422 Jawab:
1423 Misalkan Q3 menyatakan kuartil ketiga dari data di atas. Dengan men-
1424 gasumsikan bahwa data di atas sebanyak 11 data, maka diperoleh:
Q3 = x 3 ·12 = x9 = 6.
4
6.5 Latihan 169
1425 39. Distribusi probabilitas dari ukuran klaim untuk sebuah polis asuransi
1426 diberikan dalam tabel berikut.
Ukuran klaim 30 40 50 60 70 80 90
1427
Probabilitas 0,15 0,10 0,05 0,20 0,10 0,1 0,30
1428 Tentukanlah persentase dari klaim yang terletak dalam nilai satu stan-
1429 dar deviasi dari median ukuran klaim.
1430 Jawab:
60+70
Median ukuran klaim = 2
= 65. Rata-rata ukuran klaim
= 30 · 0, 15 + 40 · 0, 10 + 50 · 0, 05 + 60 · 0, 20 + 70 · 0, 10 + 80 · 0, 10 + 90 · 0, 30
= 4, 5 + 4 + 2, 5 + 12 + 7 + 8 + 27
= 65
1435 40. Misalkan X adalah variabel acak yang berdistribusi uniform dari bilan-
1436 gan asli yang dipilih acak dari 1 sampai 100. Tentukanlah nilai modus
1437 dari X.
1438 Jawab:
1
1439 Karena Pr(X = x) = 100 maka peluang untuk setiap variabel acak
1440 adalah sama. Hal ini berarti modus dari X tidak ada.
6.5 Latihan 171
1446 Jawab:
1453 Jawab:
q
1−p
1454 Misalkan p menyatakan peluang sukses. Karena σX = p2
dan σX =
√
15
1455
2
maka diperoleh 15p2 + 4p − 4 = 0. Sedangkan 0 ≤ p ≤ 1 maka nilai
1456 p yang memenuhi adalah p = 25 = 0, 4.
1457 Karena E[X] = 1−pp
maka diperoleh E[X] = 1, 5. Jadi
1458 43. Fungsi probabilitas densitas untuk variabel acak X diberikan oleh
1460 Jawab:
R∞
1461 Karena 0
f (x)dx = 1 maka diperoleh
Z ∞
k(10 + x)−2 dx = 1
0
k
= 1
10
k = 10
1462 Jadi
Z 15
Pr(X ≤ 15) = 10k(10 + x)−2 dx
0
= −10(10 + x)−1 |x=15
x=0
10
= − +1
25
15
=
25
= 0, 6.
6.5 Latihan 174
44. Kerugian yang disebabkan oleh kebakaran pada sebuah bangunan di-
modelkan dengan variabel acak X yang mempunyai fungsi probabilitas
densitas
0, 005(20 − x) , 0 < x < 20
f (x) =
0 , lainnya
1463 Diberikan bahwa kerugian kebakaran melebihi 8, hitunglah probabilitas
1464 bahwa kerugian kebakaran melebihi 16.
1465 Jawab:
1467 Jawab:
R6
E[g(X)] = −2 g(x) · f (x)dx
R6 √
= −2 (x3 + x + 2) · 18
6
= 18 ( 41 x4 + 23 (x + 2)3/2 −2
= 41, 89.
6.5 Latihan 176
1468 46. Misalkan variabel acak Y berdistribusi uniform kontinu pada interval
1469 [-2,5]. Hitunglah Pr(Y = 1).
1470 Jawab:
1472 47. Usia dari sebuah mesin cetak dengan harga 200 mempunyai distribusi
1473 eksponensial dengan mean 2 tahun. Pabrik yang memproduksi mesin
1474 cetak akan membayar full refund kepada pembeli jika mesin cetak rusak
1475 selama tahun pertama dan one-half refund jika mesin cetak rusak se-
1476 lama tahun kedua. Jika pabrik tersebut menjual 100 mesin cetak, hi-
1477 tunglah nilai harapan dari refund yang akan dibayar.
1478 Jawab:
1479 Misal X adalah variabel acak yang menyatakan usia sebuah mesin
1
1480 cetak. Karena X ∼ eksponensial(1/2) maka diperoleh f (x) = 21 e− 2 x .
1481 Misal R(x) menyatakan refund yang akan dibayar untuk satu mesin
1482 cetak, maka diperoleh
200 , 0 ≤ x ≤ 1
R(X = x) = 100 , 1 < x ≤ 2
0 , selainnya
Z 1 Z 2
1 1 1 1
E[R(X)] = 200 e− 2 x + 100 e− 2 x
0 2 1 2
1 1
= 200[−e− 2 x ]10 + 100[−e− 2 x ]21
− 12 1
= 200(1 − e ) + 100(e− 2 − e−1 )
= 102, 56.
1483 Jadi jika pabrik tersebut menjual 100 mesin cetak, maka nilai harapan
1484 dari refund yang akan dibayar adalah
1485 48. Misalkan Z adalah variabel acak yang berdistribusi normal standar.
1486 Hitunglah Pr(|Z| > 2, 05).
1487 Jawab:
1488 49. Sebuah uji diagnostik mengenai ada atau tidaknya suatu penyakit mem-
1489 punyai dua hasil yang mungkin: 1 untuk ada penyakit dan 0 untuk
1490 tidak ada penyakit. Misalkan X menunjukkan adanya atau tidaknya
1491 penyakit berdasarkan pernyataan pasien, dan Y menunjukkan hasil
1492 dari uji diagnostik. Fungsi probabilitas bersama dari X dan Y diberikan
1493 oleh
1495 Jawab:
Y
0 1 Pr(X = x)
1496 X 0 0,800 0,025 0,825
1 0,050 0,125 0,175
Pr(Y = y) 0,850 0,150 1
X Y Z =X +Y Pr(Z = z)
0 0 0 0,800
0 1 1 0,025
1 0 1 0,050
1 1 2 0,125
1498 Jawab:
1505 Jawab:
1507 52. Sebuah investasi memberikan tingkat bunga tahunan R yang mengikuti
1508 distribusi uniform pada interval (0,04 ; 0,08). Untuk investasi awal
1509 sebesar 10.000 akan memberikan hasil setelah satu tahun mengikuti
1510 variabel acak V = 10.000eR . Tentukanlah fungsi distribusi kumulatif,
1511 F (v) , untuk nilai v yang memenuhi 0 < F (v) < 1.
1512 Jawab:
1513 Karena R mengikuti distribusi uniform pada interval (0,04 ; 0,08) maka
1
1514 diperoleh f (r) = 0,04 .
1515
Z r
Pr(R ≤ r) = f (s)ds
Z0,04
r
1
= ds
0,04 0, 04
1
= r − 1.
0, 04
1516 Dengan demikian, diperoleh
F (v) = Pr(V ≤ v)
= Pr(10.000eR ≤ v)
= Pr(ln 10.000 + R ≤ ln v)
= Pr(R ≤ ln v − ln 10.000)
v
= Pr R ≤ ln
10000
1 v
= ln −1
0, 04 10000
h v i
= 25 ln − 0, 04 .
10000
6.5 Latihan 183
1517 53. Misalkan X1 dan X2 adalah variabel-variabel acak dari distribusi nor-
1518 mal standar. Tentukanlah fungsi densitas probabilitas dari Y1 = X1
X2
.
1519 Jawab:
1 2
X1 ∼ fX1 (x1 ) = √ e−x1 /2 , − ∞ < x1 < ∞
2π
1520
1 2
X2 ∼ fX2 (x2 ) = √ e−x2 /2 , − ∞ < x2 < ∞
2π
1521
Z ∞
g1 (y1 ) = 2 fX2 (x2 )fX1 (x2 y1 )x2 dx2
0
Z ∞ x2 x2 2
1 2 1 2 y1
= 2 √ e− 2 √ e− 2 x2 dx2
Z0 2π 2π
1 ∞ − x22 (1+y12 )
= e 2 x2 dx2
π 0
1 1 x2 (1+y 2 )
− 2 2 1 0
= e |−∞
π (1 + y12 )
1
= .
π(1 + y12 )
6.5 Latihan 184
1522 54. Dari soal nomor 53, tentukanlah mean dari variabel acak Y1 .
1523 Jawab:
Z ∞
1
E[Y1 ] = y1 dy1
−∞ π(1 + y12 )
y1
1524 Karena f (y1 ) = π(1+y12 )
adalah fungsi ganjil, maka
E[Y1 ] = 0.
6.5 Latihan 185
1525 55. Suatu populasi mempunyai mean 100 dan standar deviasi 16. Hi-
1526 tunglah probabilitas bahwa mean sampel berada dalam interval ±3
1527 dari mean populasi jika ukuran sampel n = 200.
1528 Jawab:
P r(|X̄ − 100|√≤ 3)
= P r(|Z| ≤ 3 16200 )
= P r(|Z| ≤ 2, 652)
= 2 P r(0 ≤ Z ≤ 2, 652)
= 0, 992.
6.5 Latihan 186
1529 56. Misalkan X adalah variabel acak populasi dengan mean µX dan variansi
2
1530 σX , dan misalkan (Xi )ni=1 adalah sampel acak dari X.
1531 Tentukanlah bentuk lain dari Σni=1 (Xi − X̄)2 .
1532 Jawab:
1533 57. Variabel acak Y diketahui mempunyai distribusi normal. Sampel acak
1534 berukuran n = 14 menghasilkan Σni=1 Yi = −602 dan SY = 18. Ten-
1535 tukanlah interval kepercayaan 95% untuk mean populasi.
1536 Jawab:
SY 18
ε = tα/2 (n − 1) √ −→ ε = t0,025 (13) √ = 10, 4.
n 14
1537 Jadi Hitunglah interval kepercayaan 95% untuk mean populasi adalah
H0 : µ = 45.000 H1 : µ 6= 45.000.
1544 Jawab:
X̄ − µX 42 − 45
t(n − 1) = −→ t(24) = = −1, 875.
√S √8
n 25
1552 59. Laporan survei menyebutkan biaya rata-rata dari kamar hotel di suatu
1553 kota lebih kecil dari 49,21. Untuk menguji ini, peneliti memilih sampel
1554 dari 24 kamar hotel dan memperoleh biaya rata-rata sampel adalah
1555 47,37 dengan standar deviasi adalah 3,42. Pada α = 0, 01 , berilah
1556 kesimpulan dari uji tersebut.
1557 Jawab:
H0 : µ = 49, 21
H1 : µ < 49, 21.
1560 dan daerah penolakan untuk α = 0, 01 adalah t(24) < t0,005 (24) =
1561 2, 807 maka kesimpulannya menolak H0 pada α = 0, 01. Jadi, biaya
1562 kamar di kota tersebut lebih kecil dari 49, 21 pada α = 0, 01.
6.5 Latihan 190
1563 60. Misalkan X1 , X2 , X3 , X4 adalah sampel acak dari distribusi normal de-
1564 ngan mean µ yang tidak diketahui dan variansi σ 2 yang tidak diketahui.
1565 Significance level α = 0, 05 menggunakan statistik Student-t untuk uji
1566 hipotesis:
H0 : µ = 10
H1 : µ 6= 10
Σ4 (X −X̄)2
1567 Diketahui X̄ = 15, 84 dan S 2 = i=1 3i = 16. Tentukanlah critical
1568 t-value dan keputusan yang diperoleh.
1569 Jawab:
1571 dan daerah penolakan untuk α = 0, 05 adalah |t(4)| > t0,025 (4) = 2, 78.
1572 Dengan critical t-value t = 2, 78 maka kesimpulannya menolak H0 pada
1573 α = 0, 05.
1574 ERRATA
1575 1. Halaman : 7
1576 Nomor baris : 17
1577 Tertulis : Σ = Γ0 Λ1/2 Γ
1578 Seharusnya : Σ = Γ0 ΛΓ
1579 2. Halaman : 26
1580 Nomor baris : 12
1 √ 2
√1 e− 2 ( y ) − 1 y − 2
1
1581 Tertulis : = 0 + 2 × 2π 2
+0
1 √ 2
1582 Seharusnya : = 2 × √1 e− 2 ( y ) 1 − 12
y
2π 2
1583 3. Halaman : 81
1584 Nomor baris : 15
1585 Tertulis : dx
1586 Seharusnya : dy1
1587 4. Halaman : 90
1588 Nomor baris : 26
1589 Tertulis : K (xi )
1590 Seharusnya : K (Xi )
191
6.5 Latihan 192
1616 [1] Hogg RV, McKean J, Craig AT. 2005. Introduction to Mathematical
1617 Statistics. Sixth Edition. New Jersey: Pearson Education, Inc.
1618 [2] Hogg RV, McKean J, Craig AT. 2014. Introduction to Mathematical
1619 Statistics. Seventh Edition. New Jersey: Pearson Education, Inc.
1620 [3] Lindgren BW. 1976. Statistical Theory. Third Edition. New York:
1621 Macmillan Publishing Co, Inc.
1622 [4] Rice JA. 2007. Mathematical Statistics and Data Analysis. Duxbury:
1623 Thomson Brooks/Cole.
1624 [5] Roussas GG. 1973. A First Course in Mathematical Statistics. Boston:
1625 Addison-Wesley Publishing Company.
193
INDEX
Istilah di buku Muncul pertama di
Bab
Hipotesis alternatif
Bernoulli trials
Bias
Bias Estimator
Binomial (Distribusi)
Teorema Limit Pusat
Ch‐Squared (Distribusi)
Hipotesis Null‐Komposit
Peluang Bersyarat
Fungsi Kepekatan Peluang
Bersyarat
Selang Kepercayaan
Peubah acak kontinu
Konvergensi
Korelasi
Kovarians
Titik Kritis
Daerah Kritis
Data
Fungsi Kepekatan
Peubah acak (Dependent)
Peubah Acak Diskret
Distribusi
INDEX
Fungsi Distribusi
Distribusi
Binomial
Chi‐kuadrat
Empirik
Frekuensi
Gamma
Geometrik
Gompertz
Hipergeometrik
Campuran
mode (??)
Multivariat
Normal
Poisson
Estimasi
Estimator
Bias
Titik
Tak bias
Taksiran
Nilai Harapan
Distribusi‐F
INDEX
Statistik‐F
Uji‐F
Fungsi
Gamma (distribusi)
Fungsi Gamma
Geometrik (distribusi)
Kejadian saling bebas
PEubah acak saling bebas
Peubah Acak
Ketidaksamaan
Selang
Konvergensi (Selang)
Fungsi kepekatan peluang
gabungan
Hukum Bilangan Besar
Fungsi Likelihood
Taksiran likelihood Maximum
Rataan
Fungsi kepekatan peluang
marjinal
INDEX
Median
Metode kuadrat terkecil
Multivariat (Distribusi)
Normal (Distribusi)
Normal (peubah acak)
Hipotesis Null
Hipotesis komposit
Hipotesis sederhana
Statistik terurut
Rataan Sampel
Varians Sampel
Statistik
Uji …
Hipotesis Null sederhana
Simpangan Baku
Galat baku
Uji Hipotesis
Estimator tak bias
INDEX
Peubah
Varians
DAFTAR PUSTAKA 194
Figure 6.1: Siswadi lulus Sarjana dari IPB. Kemudian, ia melanjutkan pen-
didikan S2 Statistika di The University of Minnesota. Pendidikan S3 ditem-
puh di Universitas North Carolina, Raleigh. Terhitung mulai tahun 2013 di-
angkat sebagai Guru Besar di Institut Pertanian Bogor. SINTA ID : 6029265