Paiseriebook Statistika Matematik Untuk Aktuaris

Seri Pendidikan Aktuaris Indonesia
Siswadi
Windiani Erliana
Statistika Matematik
Untuk Aktuaris
STATISTIKA MATEMATIK
UNTUK
AKTUARIS
Siswadi dan Windiani Erliana

e-book DOI: doi.org/10.31227/osf.io/nj3ag
ISBN : 978-XXX-XXXX-XX-X
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
2 Beberapa Sebaran Kontinu 21

2.1 Sebaran Gamma . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Sebaran Khi-Kuadrat . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Sebaran t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Sebaran F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Teorema Student . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
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
6 Pengujian Hipotesis 105

6.1 Uji Paling Kuasa . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.2 Uji Selalu Paling Kuasa . . . . . . . . . . . . . . . . . . . . . 111
6.3 Uji Rasio Kemungkinan . . . . . . . . . . . . . . . . . . . . . 113
6.4 Uji Rasio Peluang Bersekuens . . . . . . . . . . . . . . . . . . 120
6.5 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
1
2 Kata Pengantar
3 Buku ini disusun berdasarkan perkuliahan Statistika Matematik pada rentang

4 waktu 2014/2015, 2015/2016, 2016/2017, 2017/2018, 2018/2019, yang di-
5 ampu oleh penulis pertama.
6 Mata kuliah Statistika Matematik, merupakan salah satu bagian yang
7 diakui untuk mata uji profesi Persatuan Aktuaris Indonesia (PAI). Sehingga
8 dilengkapi dengan beberapa soal ujian A20 Probabilitas dan Statistika.
9 Pada Lampiran diberikan kumpulan soal ujian A20, terima kasih kepada
10 Dr. Lia Yuliawati, MSi dari STKIP 11 April, Sumedang, yang telah mem-
11 berikan kontribusi pada kumpulan soal tersebut. Serta saudari Grace Agustina,
12 SMat., atas sejumlah catatannya.
13 Hibah PUPT-IPB, ’Pengembangan Perangkat Lunak Berbasis Finite El-
14 ement Method (FEM) untuk Produk Jasa Keuangan dan Asuransi’ dengan
15 kontrak no: 079/SP2H/LT/DRPM/II/2016, secara tidak langsung memberi
16 bantuan pendanaan kepada penulis yunior. Terima kasih kami ucapkan.
17 Terima kasih disampaikan kepada Dr. Ir. IG Putu Purnaba, yang mem-
18 berikan koreksi atas jawaban soal ujian PAI. Dr. Ir. Sri Nurdiati, MSc.,
19 selaku peneliti utama Hibah PUPT-IPB tersebut di atas, yang memberikan
20 kesempatan kepada penulis yunior mengembangkan ilmu aktuaria. Terakhir,
21 kepada Drs. Agah D. Garnadi, Grad. Dip. Sci. yang berulangkali meminta
22 agar naskah ini untuk diterbitkan dalam seri buku: ’Pendidikan Aktuaris In-
23 donesia’, sehingga bisa dimanfaatkan khususnya untuk pendidikan aktuaria
24 di Indonesia.
25 Terima kasih kepada Rianto Ahmadi, PhD., ketua PAI periode 2014-
26 2017, yang sudi memberikan kata sambutan seri buku ’Pendidikan Aktuaris
27 Indonesia’.
28 Bogor, 09 Juni 2019
29 Siswadi
30 Windiani Erliana
i
31 BAB 1
32 Sebaran Multivariat
33 1.1 Vektor Peubah Acak

34 Definisi 1.1 Misalkan Ω adalah ruang contoh suatu percobaan acak. Peubah
35 acak Xi dari percobaan tersebut adalah suatu fungsi bernilai real Xi : Ω →
36 R, i = 1, 2, ..., n dengan (X1 , X2 , ..., Xn ) disebut vektor peubah acak dimensi-
37 n.
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 , x2 , ..., xn )
0
X1 x1
 X2   x2 
 ..  =  .. 
   
 .  .
Xn xn
38 1.2 Fungsi Sebaran Bersama

39 Fungsi sebaran bersama bagi vektor peubah acak tersebut didefinisikan se-
40 bagai berikut
FX (x) = P (X1 ≤ x1 , ..., Xn ≤ xn ) .

41 Jika n peubah acak X1 , X2 , ..., Xn adalah peubah acak diskret, maka
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.
Contoh 1.1 Misalkan fungsi kepekatan peluang dari peubah acak X1 , X2 , X3

adalah sebagai berikut
f (x1 , x2 , x3 ) = e−(x1 +x2 +x3 ) I (0 < x1 , x2 , x3 < ∞) ,
maka fungsi sebaran bersama bagi X1 , X2 , X3 ialah
FX1 ,X2 ,X3 (x1 , x2 , x3 ) = P (X1 ≤ x1 , X2 ≤ x2 , X3 ≤ x3 )

Rx1 Rx2 Rx3 −(x +x +x )
= e 1 2 3 dx1 dx2 dx3
0 0 0
= (1 − e−x1 ) (1 − e−x2 ) (1 − e−x3 ) I (0 < x1 , x2 , x3 < ∞) .
44 1.2.1 Fungsi Massa Peluang Marginal

Definisi 1.2 Misalkan X1 , ..., Xn adalah peubah acak diskret yang menyebar
bersama dengan fungsi massa peluang bersama pX1 ,...,Xn (x1 , ..., xn ) . Fungsi
massa peluang marginal dari peubah acak X1 ialah
X X
pX1 (x1 ) = ... pX1 ,...,Xn (x1 , ..., xn ) .
x2 xn
45 1.2.2 Fungsi Kepekatan Peluang Marginal

Definisi 1.3 Misalkan X1 , ..., Xn adalah peubah acak kontinu yang menye-
bar bersama dengan fungsi kepekatan peluang bersama fX1 ,...,Xn (x1 , ..., xn ) .
Fungsi kepekatan peluang marginal dari peubah acak X1 ialah
Z ∞ Z ∞
fX1 (x1 ) = ... fX1 ,...,Xn (x1 , ..., xn ) dx2 ...dxn .
−∞ −∞
1.3 Nilai Harapan 3
46 1.3 Nilai Harapan

Definisi 1.4 Misalkan Y = u (X1 , X2 , ..., Xn ) adalah fungsi terhadap vektor
peubah acak (X1 , X2 , ..., Xn )0 . Jika X1 , X2 , ..., Xn adalah peubah acak diskret
yang menyebar bersama dengan fungsi massa peluang bersama p (x1 , x2 , ..., xn ) ,
maka nilai harapan dari Y didefinisikan sebagai
X X
E (Y ) = ... u (x1 , x2 , ..., xn ) p (x1 , x2 , ..., xn ) ,
xn x1
asalkan jumlah di atas konvergen mutlak. Jika X1 , X2 , ..., Xn adalah peubah

acak kontinu yang menyebar bersama dengan fungsi kepekatan peluang bersama
f (x1 , x2 , ..., xn ) , maka nilai harapan dari Y didefinisikan sebagai
Z∞ Z∞
E (Y ) = ... u (x1 , x2 , ..., xn ) f (x1 , x2 , ..., xn ) dx1 dx2 ...dxn
−∞ −∞
47 asalkan integral di atas konvergen mutlak.
Teorema 1.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak yang terdefinisi

dalam ruang peluang yang sama dan k1 , k2 , ..., km adalah m konstanta bilan-
gan real. Jika Yi = u (X1 , X2 , ..., Xn ), i = 1, 2, ..., m, adalah fungsi terhadap
vektor peubah acak (X1 , X2 , ..., Xn )0 , maka
X m Xm
E ki Yi = ki E (Yi ) .
i=1 i=1
48 Misalkan n Wm = (Wij ) merupakan matriks peubah acak berukuran n×m

49 yang berunsur peubah acak Wij , maka
E (W) = (E (Wij ))
 
E (W11 ) E (W12 ) ... E (W1m )
 E (W21 ) E (W22 ) ... E (W2m ) 
=  .
 
.. .. . . ..
 . . . . 
E (Wn1 ) E (Wn2 ) ... E (Wnm )
50 Berikut merupakan teorema yang menunjukkan sifat linearitas dari nilai
51 harapan.
52 Teorema 1.2 Misalkan n Vm dan n Wm masing-masing merupakan matriks

53 peubah acak; k An , k Bn , dan m Cp masing-masing merupakan matriks berun-
54 sur konstanta, maka
E [AV + BW] = AE [V] + BE [W]
E [AWC] = AE [W] C.
1.4 Kebebasan Vektor Peubah Acak 4
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
57 1.4 Kebebasan Vektor Peubah Acak

Misalkan peubah acak X1 , X2 , ..., Xn memiliki fungsi kepekatan peluang bersama
f (x1 , x2 , ..., xn ) dan fungsi kepekatan peluang marginal f1 (x1 ) , f2 (x2 ) , ..., fn (xn )
secara berturut-turut bagi x1 , ..., xn . Peubah acak X1 , X2 , ..., Xn saling bebas
jika
f (x1 , x2 , ..., xn ) = f1 (x1 ) f2 (x2 ) ...fn (xn ) ,
untuk kasus kontinu. Pada kasus diskret, X1 , X2 , ..., Xn dikatakan saling
bebas jika
p (x1 , x2 , ..., xn ) = p1 (x1 ) p2 (x2 ) ...pn (xn ) .
58 Misalkan X1 , X2 , ..., Xn saling bebas, maka
59 1. P (a1 < X1 < b1 , a2 < X2 < b2 , ..., an < Xn < bn )

60 = P (a1 < X1 < b1 ) P (a2 < X2 < b2 ) ...P (an < Xn < bn )
Qn
61 = P (ai < Xi < bi )
i=1
n
n
Q Q
62 2. E u (Xi ) = E [u (Xi )] .
i=1 i=1
3. Fungsi pembangkit momen bagi peubah acak X1 , X2 , ..., Xn dinotasikan

dengan MX (t1 , t2 , ..., tn ) dan didefinisikan sebagai berikut
MX (t1 , t2 , ..., tn ) = E [exp (t1 X1 + t2 X2 + ... + tn Xn )]
MX (t) = E [exp (t0 X)] , ∀t ∈ B ⊂ Rn ,
63 dengan B = {t : −hi < ti < hi , i = 1, 2, ..., n}. Bagi fungsi sebaran
64 marginal dari peubah acak Xi , fungsi pembangkit momen peubah acak
65 Xi didefinisikan sebagai MX (0, 0, ..., 0, ti , 0, ..., 0) , i = 1, 2, ..., n.
1.5 Dekomposisi Spektrum 5
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
f (x) = 2x I (0 < x < 1) .
66 Fungsi kepekatan peluang bersama bagi peubah acak tersebut ialah
f (x1 , x2 , x3 ) = f (x1 ) f (x2 ) f (x3 )

= 8x1 x2 x3 I (0 < x1 , x2 , x3 < 1) .
Nilai harapan bagi 5X1 (X2 )3 + 3X2 (X3 )4 ialah
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
MT (t) = [MX (t)]n , −h < t < h.
70 1.5 Dekomposisi Spektrum

Dari aljabar linear diperoleh bahwa suatu matriks dapat didekomposisikan
atau diuraikan menjadi perkalian beberapa matriks. Khususnya bagi matriks
Σ yang merupakan matriks n × n, simetrik, dan semi-definit positif, maka

dekomposisi spektrum dari Σ ialah sebagai berikut
Σ = Γ0 ΛΓ,
di mana Λ merupakan matriks diagonal,
Λ = diag (λ1 , λ2 , ..., λn ) ,
71 λ1 ≥ λ2 ≥ ... ≥ λn ≥ 0 merupakan nilai eigen dari Σ, dan kolom-kolom
72 matriks Γ0 ialah v1 , v2 , ..., vn yang merupakan vektor eigen padanannya
73 yang ortonormal. Nilai eigen tersebut tidak perlu ditata dari yang terbesar
74 ke yang terkecil. Untuk analisis multivariat, tataan ini kita perlukan terkait
75 dengan tataan ragam atau pentingnya peubah baru. Matriks Γ merupakan
76 matriks ortogonal di mana Γ0 Γ = ΓΓ0 = I. Matriks Γ tidak bersifat khas,
77 karena vektor eigen suatu matriks (walaupun dipilih yang merupakan vektor
78 satuan) tidak bersifat khas.
Penulisan dekomposisi tersebut dapat dituliskan dalam bentuk lain, yaitu
n
X
0
Σ = Γ ΛΓ = λi vi vi0 .
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 .
80 Jawab. Berikut merupakan polinom karakteristik dari matriks Σ :

3−λ 0 −1

|Σ − λI| = 0
4−λ 0
−1 0 3−λ

2+2
3 − λ −1
= (−1) (4 − λ)
−1 3 − λ
= (4 − λ) (3 − λ)2 − 1

= (4 − λ) (3 − λ + 1) (3 − λ − 1)
= (4 − λ)2 (2 − λ) ,
sehingga nilai eigen dari matriks tersebut ialah
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
Vektor-vektor ortonormal dari v1 , v2 , dan v3 tersebut secara berturut-turut

ialah      
0 −1 1
1 1
w1 =  1  , w2 = √  0  , dan w3 = √  0  ,
0 2 1 2 1
sehingga matriks Λ dan Γ0 ialah sebagai berikut

−1 √1
0 √
   
4 0 0 2 2
Λ= 0 4 0  , Γ0 =  1 0 0 .
0 0 2 0 √12 √1
2
81 Jadi, dekomposisi spektrum dari matriks Σ ialah
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
82 Selanjutnya, berikut merupakan matriks Σ1/2 dan Σ−1/2 .
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
84 1.6 Matriks Koragam

Misalkan Xi dan Xj masing-masing merupakan peubah acak ke-i dan ke-j
dengan nilai harapan E[Xi ] = µi dan E[Xj ] = µj , serta koragam σij =
E ([Xi − µi ][Xj − µj ]) . Bila X = (X1 , X2 , ..., Xn )0 adalah suatu vektor dari
n peubah acak, maka  
µ1
 µ2 
E (X) =  ..  ,
 
.
µn
85 dan matriks koragam (covariance matrix ) vektor peubah acak X ialah
Cov (X) = E [X − µ] [X − µ]0

 
E ([X1 −µ1 ] [X1 −µ1 ]) ... E ([X1 −µ1 ] [Xm −µm ])
 E ([X2 −µ ] [X1 −µ ]) ... E ([X2 −µ2 ] [Xm −µm ]) 
2 1
= 
 
.. .. .. 
 . . . 
E ([Xn −µn ] [X1 −µ1 ]) ... E ([Xn −µn ] [Xm −µm ])
 
σ11 σ12 ... σ1m
 σ21 σ22 ... σ2m 
=  .. ..  . (1.1)
 
.. . .
 . . . . 
σn1 σn2 ... σnm
86 Misalkan a adalah vektor berunsur konstanta yang berukuran n×1. Misalkan

87 pula Y = a0 X adalah peubah acak, maka Y memiliki ragam bernilai non-
88 negatif, yaitu 0 ≤ V ar (Y ) = V ar (a0 X) = a0 Cov (X) a. Dengan demikian,
89 matriks koragam pada 1.1 merupakan matriks semi-definit positif.
90 Secara umum, kita dapat mendefinisikan matriks koragam antara vektor
91 p-peubah acak X = (X1 , X2 , ..., Xp )0 dengan vektor q-peubah acak Y =
92 (Y1 , Y2 , ..., Yq )0 sebagai
Cov (X, Y) = E [X−E (X)] [Y−E (Y)]0

 
E ([X1 −E (X1 )] [Y1 −E (Y1 )]) ... E ([X1 −E (X1 )] [Yq −E (Yq )])
E ([X2 −E (X2 )] [Y1 −E (Y1 )]) ... E ([X2 −E (X2 )] [Yq −E (Yq )])
=  ,
 
.. ... ..
 . . 
E ([Xp −E (Xp )] [Y1 −E (Y1 )]) ... E ([Xp −E (Xp )] [Yq −E (Yq )])
93 sehingga Cov (X) merupakan Cov (X, X) . Selanjutnya, misalkan X dan Y

94 merupakan vektor peubah acak dengan vektor nilai harapan µX dan µY ,
95 maka
ΣX,Y = Cov (X, Y)

E [X−E (X)] [Y−E (Y)]0

=
= E (XY0 ) − E (X) [E (Y)]0
= E (XY0 ) − µX µ0Y ,
96 sehingga
ΣX = ΣX,X
= E (XX0 ) − µX µ0X .
97 Bila A dan B merupakan matriks konstanta, maka E (AX) = AµX dan

98 E (BY) = BµY , serta
Cov (AX, BY) = ΣAX,BY

E [AX−E (AX)] [BY−E (BY)]0

=
E [AX − AE (X)] [BY − BE (Y)]0

=
E [AX − AµX ] [BY − BµY ]0

=
E [A (X − µX )] [B (Y − µY )]0

=
E A (X − µX ) (Y − µY )0 B0

=
AE (X − µX ) (Y − µY )0 B0

=
= AΣX,Y B0 ,
sehingga
Cov (AX) = ΣAX = AΣX A0 .
99 Misalkan pula
V = AX + δ
W = BY + η
100 dengan δ dan η merupakan vektor berunsur konstanta, maka
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
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
Contoh 1.5 Misalkan X = (X1 , X2 , X3 )0 , Y = (Y1 , Y2 , Y3 , Y4 )0 , dan

 
1 3 −2 5
Cov (X, Y) =  −1 2 4 6  .
2 1 0 7
108 Tentukan :
109 1. Cov (X1 + 2X2 − 3X3 + 1, 2Y1 + Y2 + 4Y3 − 5Y4 + 2) .
2. Cov (V, W) jika

 
Y1 − 2Y2 + 3Y3 − 5Y4 + 7
X1 + 2X2 − 3X3 + 3
V= dan W =  2Y1 + Y2 − 4Y3 − Y4 .
4X1 − 2X2 + 3X3 + 4
Y1 + Y2 − 6Y3 + 2Y4
1. Misalkan U = X1 + 2X2 − 3X3 + 1 dan Z = 2Y1 + Y2 + 4Y3 − 5Y4 + 2,

maka U = [1, 2, −3] X + 1 dan Z = [2, 1, 4, −5] Y + 2.


  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
113 1.7 Sebaran Normal Multivariat

114 Pada subbab ini dibahas sebaran normal multivariat untuk vektor peubah
115 acak dimensi-n. Misalkan vektor peubah acak Z = (Z1 , ..., Zn )0 dengan Z1 , ..., Zn
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
118 Karena E (Zi ) = 0, V ar (Zi ) = 1, dan Cov (Zi , Zj ) = 0 untuk ∀i 6= j, maka
119 1. E (Z) = 0,
2. Cov (Z) = ΣZ = E [Z − E (Z)] [Z − E (Z)]0

120
 
V ar (Z1 ) 0 ··· 0
 0 V ar (Z1 ) · · · 0 
=
 
121 .. .. . . .. 
 . . . . 
0 0 · · · V ar (Zn )
 
1 0 ··· 0
0 1 · · · 0
=  .. .. . . .. 
 
122
. . . .
0 0 ··· 1
123 = In ,
124 dengan In adalah matriks identitas berukuran n × n.
125 Selanjutnya, karena peubah acak Zi bebas stokastik identik, maka fungsi
126 pembangkit momen bagi Z ialah
MZ (t) = E [exp {t0 Z}]

" n #
Y
= E exp {ti Zi }
i=1
n
Y
= E [exp {ti Zi }]
i=1
n
Y
= MZ (ti )
i=1
n
Y 1 2
= exp t
i=1
2 i
(n
)
1X 2
= exp t
2 i=1 i

1 0
= exp t t , ∀t ∈ Rn .
2
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.
133 Kemudian, fungsi pembangkit momen bagi X ialah
MX (t) = E [exp {t0 X}]

h n 1
oi
= E exp t0 Σ 2 Z + t0 µ
h n 1
oi
= exp {t0 µ} E exp t0 Σ 2 Z
0 1
0 1 1
= exp {t µ} exp Σ2 t Σ2 t
2

0 1 0
= exp {t µ} exp t Σt
2

0 1 0
= exp t µ+ t Σt .
2
Definisi 1.5 (Normal Multivariat) Vektor peubah acak X memiliki sebaran

normal multivariat atau X ∼ Nn (µ, Σ) jika X memiliki fungsi pembangkit
momen sebagai berikut

0 1 0
MX (t) = exp t µ+ t Σt ,
2
134 untuk setiap t ∈ Rn dan Σ merupakan matriks simetrik, semi-definit positif,

135 serta µ ∈ Rn .
1
Jika Σ merupakan matriks definit positif, maka matriks Σ 2 memiliki
invers, sehingga transformasi satu-satu antara peubah acak X dan Z pada
persamaan 1.2
1
Z = Σ− 2 (X − µ)
dengan Jacobi Σ−1/2 = |Σ|−1/2 menghasilkan fungsi kepekatan peluang

bagi X, yaitu

1 1 0 −1
fX (x) = n/2 1/2
exp − (x − µ) Σ (x − µ) , x ∈ Rn .
(2π) |Σ| 2
136 Teorema 1.4 Misalkan X ∼ Nn (µ, Σ). Misal Y = AX + b dengan A

137 adalah matriks berukuran m×n dan b ∈ Rm , maka Y ∼ Nm (Aµ + b, AΣA0 ) .
138 Bukti. ∀t ∈ Rm , fungsi pembangkit momen bagi Y ialah
MY (t) = E [exp {t0 Y}]

= E [exp {t0 (AX + b)}]
0
= exp {t0 b} E exp (A0 t) X

0 0 0 1 0 0 0
= exp {t b} exp (A t) µ+ (A t) Σ (A t)
2

0 1 0 0
= exp t (Aµ + b) + t AΣA t ,
2
139 di mana fungsi pembangkit momen tersebut adalah fungsi pembangkit mo-
140 men bagi sebaran Nm (Aµ + b, AΣA0 ) . z
141 Misalkan X1 merupakan subvektor berdimensi m < n dari vektor peubah

142 acak X, maka X dapat dituliskan menjadi

X1
X= , (1.3)
X2
143 dengan X2 merupakan vektor berdimensi p = n − m. Karena X dipartisi

144 seperti pada persamaan 1.3, maka nilai harapan dan matriks koragam dari
145 X juga dapat dipartisi sebagai berikut

µ1 Σ11 Σ12
µ= dan Σ = , (1.4)
µ2 Σ21 Σ22
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:
149 Akibat 1.2 Misalkan X ∼ Nn (µ, Σ) . Jika X1 merupakan subvektor berdi-

150 mensi m < n dari vektor peubah acak X (persamaan 1.3) , maka X1 ∼
151 Nn (µ1 , Σ11 ) .
152 Akibat 1.2 dapat digunakan untuk mencari sebaran marginal dari peubah
153 acak normal multivariat.
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.
156 Bukti. Disediakan untuk latihan. z
Teorema 1.6 Misalkan X ∼ Nn (µ, Σ) dan X dipartisi seperti pada per-

samaan 1.3 dan 1.4. Asumsikan bahwa Σ adalah matriks definit positif,
maka sebaran bersyarat dari X1 |X2 ialah
Nm µ1 + Σ12 Σ−1 −1

22 (X2 − µ2 ) , Σ11 − Σ12 Σ22 Σ21 .
Bukti. Perhatikan vektor peubah acak W = X1 − Σ12 Σ−1

22 X2 dan X2 ,
maka
Im −Σ12 Σ−1

W 22 X 1
= .
X2 O Ip X2
157 Berdasarkan Teorema 1.4, E (W) = µ1 − Σ12 Σ−1
22 µ2 , E (X2 ) = µ2 , dan ma-
158 triks koragam
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
Dengan demikian, berdasarkan Teorema 1.5, vektor peubah acak W dan X2

saling bebas. Karena saling bebas, sebaran bersyarat W|X2 sama dengan
sebaran marginal dari W ∼Nm µ1 − Σ12 Σ−1 −1
22 µ2 , Σ11 − Σ12 Σ22 Σ21 . Aki-
batnya,
X1 |X2 ∼ Nm µ1 − Σ12 Σ−1 −1 −1

22 µ2 + Σ12 Σ22 X2 , Σ11 − Σ12 Σ22 Σ21 ,
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 :
166 a. P (160 < Y < 175) ,
167 b. P (160 < Y < 175|X = 65) ,

168 dengan X dan Y secara berturut-turut menyatakan bobot badan dan
169 tinggi badan pria.
170 Jawab.
171 a. P (160 < Y < 175)

160 − µy Y − µy 175 − µy
P (160 < Y < 175) = P < <
σy σy σy

160 − 165 175 − 165
= P <Z<
10 10
= P (−0.5 < Z < 1)
= Φ (1) − Φ (−0.5)
= Φ (1) − [1 − Φ (0.5)]
= 0.8413 − [1 − 0.6915]
= 0.5328.
b. P (160 < Y < 175|X = 65)

Y µy σ11 σ12
∼ N2 ,
X µx σ21 σ22
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
176 1.8 Latihan

1. Misalkan X, Y, dan Z adalah tiga peubah acak diskret yang menyebar
bersama dengan fungsi massa peluang
pX,Y,Z (x, y, z) = c (x + y + z) I (x = 1, 2; y = 1, 2; z = 1, 3)
177 a. Tentukan nilai c.

178 b. Tentukan fungsi massa peluang marginal pX,Y (x, y) dan pX (x) .
179 c. Tentukan E (X + Y + Z) .
2. Misalkan X, Y, dan Z adalah tiga peubah acak kontinu yang menyebar

bersama dengan fungsi kepekatan peluang
fX,Y,Z (x, y, z) = cxyz I (0 ≤ x ≤ y ≤ z ≤ 2)
180 a. Tentukan nilai c.

181 b. Tentukan fungsi kepekatan peluang marginal fX,Y (x, y) dan fX (x) .
182 c. Tentukan E (XY + Z) .
183 3. Misalkan X dan Y memiliki sebaran normal bivariat dengan µx = 3,

184 µy = 1, σx2 = 16, σy2 = 25, dan ρ = 53 . Tentukan:
185 a. P (3 < Y < 8) .
186 b. P (3 < Y < 8|X = 7) .
187 c. P (−3 < X < 3) .
188 d. P (−3 < X < 3|X = −4) .
1.8 Latihan 20
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 ) .
5. Misalkan X = (X1 , X2 , X3 )0 memiliki sebaran N3 (µ, Σ) di mana µ =

(3, 2, 1)0 , dan  
5 −1 2
Σ =  −1 2 1 
2 1 3
a. Tentukanlah sebaran dari vektor peubah acak
(X1 − X2 + 1, 2X2 + 3X3 − 4)0 ,
192 serta berikanlah korelasi dari kedua peubah acak tersebut.

193 b. Carilah P (X1 > X2 − 2X3 + 3).
c. Carilah P (X1 − X2 − X3 )2 > 10 .

194
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
199 Beberapa Sebaran Kontinu
200 2.1 Sebaran Gamma

Definisi 2.1 Fungsi Gamma yang dinotasikan Γ (α) didefinisikan sebagai
Z ∞
Γ (α) = y α−1 e−y dy
0
201 dengan α > 0.
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
Γ (α) = (α − 1) (α − 2) ... (3) (2) (1) Γ (1)

= (α − 1)!.
Misalkan suatu variabel baru y = x/β di mana β > 0, maka

Z ∞ α−1
x −x/β 1
Γ (α) = e dx
0 β β
21
2.1 Sebaran Gamma 22
atau ekuivalen dengan

Z ∞
1
1= xα−1 e−x/β dx.
0 Γ (α) β α
Karena α > 0, β > 0, dan Γ (α) > 0, maka

1
f (x) = xα−1 e−x/β I (x > 0)
Γ (α) β α
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
212 Selanjutnya, Gambar 2 merupakan sebaran gamma dengan parameter α

213 tetap, yaitu α = 2 dan parameter β yang berbeda, yaitu β = 0.5, 1, 1.5.
2.1 Sebaran Gamma 23
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
V ar (X) = M 00 (0) − [E (X)]2

= α (α + 1) β 2 − α2 β 2
= αβ 2 .
2.2 Sebaran Khi-Kuadrat 24
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) .
221 Bukti. Dengan menggunakan asumsi kebebasan dan fungsi pembangkit

222 momen dari sebaran gamma, diperoleh
" ( n )#
X
MY (t) = E exp t Xi
i=1
n
Y
= E [exp {tXi }]
i=1
n
Y
= (1 − βt)−αi
i=1
Pn
= (1 − βt)− i=1 αi
(2.1)
223 untuk t < P1/β. Persamaan 2.1 merupakan fungsi pembangkit momen dari
224 sebaran Γ ( ni=1 αi , β) . z
225 2.2 Sebaran Khi-Kuadrat

Sebaran khi-kuadrat merupakan kasus khusus dari sebaran gamma, yaitu jika
parameter α = 2r dan β = 2 di mana r adalah bilangan bulat positif. Nilai
harapan dan ragam dari sebaran khi-kuadrat ialah
r
E (X) = αβ = ×2=r
2
dan r
V ar (X) = αβ 2 = × 22 = 2r.
2
Jadi, fungsi kepekatan peluang bagi peubah acak kontinu X yang memiliki
sebaran khi kuadrat dengan parameter r, dinotasikan dengan X ∼ χ2 (r),
ialah
1
f (x) = r/2
xr/2−1 e−x/2 I (x > 0) ,
Γ (r/2) 2
226 di mana parameter r disebut sebagai derajat bebas dari sebaran χ2 (r) . Gam-
227 bar fungsi kepekatan peluang untuk r = 2, r = 4, dan r = 8 diberikan pada
228 Gambar 1.
2.2 Sebaran Khi-Kuadrat 25
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
231 Akibat 2.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak yangP

saling bebas di
232 mana XiP ∼ χ (ri ) untuk i = 1, 2, ..., n. Misalkan pula Y = ni=1 Xi , maka
2
233 Y ∼ χ2 ( ni=1 ri ) .
Bukti. Karena sebaran khi-kuadrat dengan derajat bebas r merupakan

kasus khusus dari sebaran gamma yang memiliki parameter α = 2r dan β = 2,
maka fungsi pembangkit momen bagi sebaran khi-kuadrat ialah
M (t) = (1 − βt)−α = (1 − 2t)−r/2 .
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)
236 untuk t < 1/2.

Pn Persamaan 2.2 merupakan fungsi pembangkit momen dari
2
237 sebaran χ ( i=1 ri ) . z
2.3 Sebaran t 26
238 Teorema 2.3 Jika Z ∼ N (0, 1) , maka Z 2 ∼ χ2 (1) .
Bukti. Misalkan Y = Z 2 , maka fungsi sebaran dari peubah acak Y ialah
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
Dengan demikian, Y = Z 2 ∼ Gamma 21 , 2 = χ2 (1) .

242 z
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
252 2.3 Sebaran t

253 Misalkan peubah acak Z menyebar N (0, 1) dan peubah acak U menyebar
254 χ2 (r) , kedua peubah acak tersebut saling bebas. Fungsi kepekatan peluang
255 bersama bagi Z dan U ialah
f (z, u) = f (z) · f (u)

2
1 z 1 (r/2)−1
u
= √ exp − · r
u exp − I (−∞ < z < ∞, u > 0)
2π 2 Γ 2
2r/2 2
Definisikan suatu peubah acak

Z
T =p .
U/r
z
Dengan transformasi peubah t = p dan w = u, maka dapat diperoleh
u/r
fungsi kepekatan peluang gT (t) dari peubah acak T. Dari transformasi satu-
satu,
z p
t= p dan w = u ⇔ z = t w/r, u = w,
u/r
256 diperoleh
∂z ∂z

∂t
J = ∂u ∂w
∂u
∂t ∂w
p
w/r ?
=
0 1
√
w
= √ .
r
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
258 Dengan demikian, fungsi kepekatan peluang marginal bagi T ialah

Z∞
gT (t) = g (t, w) dw
0
Z∞
t2

1 r+1
−1 w
= √ w 2 exp − 1+ dw
2πrΓ (r/2) 2r/2 2 r
0
!(r+1)/2
1 r+1 2
= √ ×Γ × 2
2πrΓ (r/2) 2r/2 2 1 + tr
!(r+1)/2
Γ r+1

2 1
= √ × 2 I (−∞ < t < ∞) . (2.3)
πr × Γ (r/2) 1 + tr
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
Bukti. Karena T ∼ t (r) , maka
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.
Berdasarkan Teorema 2.2,

r
− 21

−1/2 Γ
= 2−1/2 × 2

E U r
,
Γ 2
di mana E U −1/2 terdefinisi bila 2r − 12 > 0 ⇔ r > 1, sehingga E (T ) = 0

271
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)
274 Berdasarkan Teorema 2.2,

r

−1
−1 Γ 2
−1
E U = 2 × r

2
Γ
Γ 2r − 1

1
= × r
− 1 Γ 2r − 1

2 2
1
= ,
r−2
2.3 Sebaran t 30
275 sehingga ruas kanan pada persamaan 2.4 menjadi

1
E T2 = r × 1 ×

r−2
r
= , r ≥ 3.
r−2
276 Dengan demikian,
V ar (T ) = E T 2 − (E (T ))2

r
= −0
r−2
r
= , r ≥ 3.
r−2
277 z
Contoh 2.1 Misalkan X1 , X2 , X3 , X4 adalah peubah acak bebas dari sebaran
normal baku. Tentukan nilai harapan dari peubah acak
X 1 − X2 + X 3
W =p 2 .
X1 + X22 + X32 + X42
Jawab. Karena Xi ∼ N (0, 1) , maka
X1 − X2 + X3 ∼ N (0, 3)
dan
X 1 − X2 + X3
√ ∼ N (0, 1) ,
3
serta Xi2 ∼ χ2 (1) , sehingga
X12 + X22 + X32 + X42 ∼ χ2 (4) .
Dengan demikian, peubah acak
X1 − X2 + X3
√
3 2
r = √ W ∼ t (4) .
X12 + X22 + X32 + X42 3
4
278 Berdasarkan Teorema 2.5, nilai harapan dari W ialah
√
3 2
E (W ) = E √ W
2 3
√
3
= ×0
2
= 0.
279 z
2.4 Sebaran F 31
280 2.4 Sebaran F

Misalkan U dan Y adalah peubah acak bebas khi-kuadrat dengan derajat
bebas r1 dan r2 . Fungsi kepekatan peluang bersama bagi peubah acak U dan
Y ialah
1
h (u, y) = u(r1 /2)−1 y (r2 /2)−1 e−(u+y)/2 I (u, y > 0) .
Γ (r1 /2) Γ (r2 /2) 2(r1 +r2 )/2
Definisikan suatu peubah acak
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
283 Dengan demikian, fungsi kepekatan peluang marginal bagi W ialah

Z ∞
gW (w) = g (w, z) dz
0
∞
(r1 /r2 )r1 /2 w(r1 /2)−1
Z
= z (r1 +r2 )/2−1
0 Γ (r1 /2) Γ (r2 /2) 2(r1 +r2 )/2

z r1 r1 z
× exp − 1+ w dz.
2 r2 r2
(r1 /r2 )r1 /2 w(r1 /2)−1

r1 + r2
= ×Γ
Γ (r1 /2) Γ (r2 /2) 2(r1 +r2 )/2 2
2
× (r1 +r2 )/2 I (w > 0) .
r1
1 + r2 w
Γ r1 +r (r1 /r2 )r1 /2

2
2
w(r1 /2)−1
= × (r1 +r2 )/2 I (w > 0) . (2.5)
Γ (r1 /2) Γ (r2 /2) r1
1 + r2 w
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
Contoh 2.2 Misalkan X1 , X2 , X3 , X4 dan Y1 , Y2 , Y3 , Y4 , Y5 adalah peubah acak

bebas dari sebaran normal baku. Tentukan ragam dari peubah acak
5 (X12 + X22 + X32 + X42 )
U= .
4 (Y12 + Y22 + Y32 + Y42 + Y52 )
Jawab. Karena Xi ∼ N (0, 1) dan Yi ∼ N (0, 1) , maka
X12 + X22 + X32 + X42 ∼ χ2 (4)
dan
Y12 + Y22 + Y32 + Y42 + Y52 ∼ χ2 (5) ,
sehingga
(X12 + X22 + X32 + X42 )
U= 4 ∼ F (4, 5) .
(Y12 + Y22 + Y32 + Y42 + Y52 )
5
292 Berdasarkan Teorema 2.6, ragam dari U ialah
2 (5)2 (4 + 5 − 2)
V ar (U ) =
4 (5 − 2)2 (5 − 4)
350
=
36
= 9.72.
293 z
294 2.5 Teorema Student

Teorema 2.7 Misalkan X1 , X2 , ..., Xn adalah peubah acak bebas stokastik
identik yang menyebar N (µ, σ 2 ) . Definisikan peubah acak
n n
1X 1 X 2
X̄ = Xi dan S 2 = Xi − X̄ ,
n i=1 n − 1 i=1
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
304 di mana 0n adalah vektor yang berunsur 0 dan matriks koragam

0
v0 v0

2
Σ = σ I (2.7)
I − 1v0 I − 1v0
00n

2 1/n
= σ .
0n I − 1v0
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
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
(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
317 2.6 Latihan

318 1. Misalkan X1 dan X2 merupakan contoh acak dari sebaran dengan fkp
319 f (x) = exp (−x)I(x > 0), maka tunjukkanlah bahwa Z = X1 /X2 meru-
320 pakan peubah acak bersebaran F. Tentukan pula derajat bebasnya.
321 2. Tunjukkan bahwa fungsi kepekatan peluang bagi peubah acak W =

U/r1
322
V /r2
adalah seperti pada persamaan 2.5, serta tentukan momen ke-k
323 dari peubah acak W.
W
324 3. Misalkan peubah acak T = p di mana W ∼ N (0, 1) dan V ∼
V /r
325 χ2 (r) saling bebas. Tunjukkan bahwa memiliki sebaran-F dengan pa-
326 rameter r1 = 1 dan r2 = r.
327 4. Misalkan X1 , X2 , X3 adalah tiga peubah acak bebas khi-kuadrat den-

328 gan derajat bebas masing-masing adalah r1 , r2 , dan r3 .
X1
329 a. Tunjukkan bahwa Y1 = X2
dan Y2 = X1 + X2 saling bebas serta
330 Y2 ∼ χ2 (r1 + r2 ) .
X1 /r1 X3 /r3
331 b. Tunjukkan bahwa dan merupakan peubah
X2 /r2 (X1 + X2 ) / (r1 + r2 )
332 acak bebas yang memiliki sebaran-F.
333 BAB 3
334 Pendugaan Parameter
335 3.1 Penduga Titik

Dalam statistika, populasi adalah sekumpulan data yang mempunyai karak-
teristik yang sama dan menjadi objek inferensi. Statistika inferensia men-
dasarkan diri pada dua konsep dasar, yaitu populasi sebagai keseluruhan data
dan sampel sebagai bagian dari populasi yang digunakan untuk melakukan
pendekatan terhadap populasi. Suatu populasi biasanya dijelaskan oleh su-
atu peubah acak X. Jika informasi mengenai sebaran f (x; θ) dari peubah
acak X diketahui, maka informasi mengenai populasi tersebut juga akan
diketahui. Misalkan X1 , X2 , ..., Xn adalah peubah acak yang memiliki fungsi
kepekatan peluang f (x; θ) yang sama dengan populasi, maka
X1 = x1 , X2 = x2 , ..., Xn = xn
336 merupakan data atau nilai amatan sampel yang digunakan untuk mewakili
337 populasi.
338 Misalkan X adalah peubah acak yang memiliki fungsi kepekatan peluang
339 f (x; θ) atau fungsi massa peluang p (x; θ), di mana θ merupakan suatu bilan-
340 gan real atau vektor bilangan real yang tidak diketahui. Asumsikan bahwa
341 θ ∈ Ω merupakan himpunan bagian dari Rp untuk p ≥ 1. Dalam tulisan ini,
342 kadangkala notasi f (x; θ) digunakan baik sebagai fungsi kepekatan peluang
343 atau fungsi massa peluang peubah acak X, yang hasilnya berlaku baik untuk
344 kasus peubah acak kontinu maupun diskret. Sebagai contoh, θ merupakan
345 vektor (µ, σ 2 ) jika X ∼ N (µ, σ 2 ) atau θ merupakan peluang sukses p jika X
346 memiliki sebaran binomial. Informasi mengenai parameter θ dapat diketahui
347 berdasarkan sampel X1 , X2 , ..., Xn .
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.
Statistik T yang didefinisikan pada definisi 3.2, digunakan untuk men-

duga parameter θ. Dalam hal ini, T (X1 , X2 , ..., Xn ) disebut sebagai penduga
(estimator ) titik bagi θ yang dilambangkan dengan θ̂ dan T (x1 , x2 , ..., xn )
disebut sebagai dugaan (estimate) titik bagi θ. Sebagai contoh, andaikan
X1 , X2 , ..., Xn merupakan sampel acak dari suatu sebaran dengan nilai hara-
pan µ dan ragam σ 2 , maka
1 Xn 1 Xn 2
µ̂ = X̄ = Xi dan σ̂ 2 = S 2 = Xi − X̄
n i=1 n−1 i=1
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
355 Pada pendugaan titik secara parametrik, diasumsikan bahwa sebaran

356 populasi f (x; θ) diketahui, sehingga pendugaan yang dilakukan hanya pada
357 parameter yang tidak diketahui, yaitu parameter θ atau fungsi dari param-
358 eter θ, misalkan k (θ) . Pendugaan tersebut dilakukan berdasarkan informasi
359 yang tersedia dari sampel. Terdapat beberapa metode untuk melakukan pen-
360 dugaan titik, di antaranya metode momen dan metode kemungkinan maksi-
361 mum.
362 3.2 Metode Pendugaan Titik

363 3.2.1 Metode Momen
Misalkan X1 , X2 , ..., Xn merupakan sampel acak dari populasi X dengan
fungsi kepekatan atau fungsi massa peluang f (x; θ1 , θ2 , ..., θm ) di mana θ1 , θ2 ,
..., θm merupakan parameter-parameter yang tidak diketahui. Misalkan pula
E X k = gk (θ1 , θ2 , ..., θm )

merupakan momen ke-k dari populasi. Selanjutnya, misalkan

n
1X k
Mk = X
n i=1 i
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 .
Contoh 3.1 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X

dengan fungsi kepekatan peluang
1
f (x; θ) = I (0 < x < θ)
θ
368 Tentukan penduga bagi θ dengan menggunakan metode momen.
369 Jawab. Berdasarkan fungsi kepekatan peluang f (x; θ) , maka X ∼ ser-

θ
370 agam (0, θ) , sehingga E (X) = = g1 (θ) . Dengan menggunakan metode
2
371 momen diperoleh

g1 θ̂ = M1 ,
θ̂
= X̄.
2
Jadi, penduga bagi θ ialah
θ̂ = 2X̄.
372 z
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.
376 Jawab. Karena X ∼ N (µ, σ 2 ), maka

E (X) = µ
E X 2 = σ 2 + µ2 ,

377 sehingga
g1 µ, σ 2 = µ

g2 µ, σ 2 = σ 2 + µ2 .

378 Dengan metode momen,

g1 µ̂, σ̂ 2

= M1
2

g2 µ̂, σ̂ = M2 ,
379 sehingga
n
1X
µ̂ = Xi = X̄,
n i=1
n
2 2 1X 2
σ̂ + µ̂ = X
n i=1 i
n
2 1X 2
σ̂ = Xi − µ̂2
n i=1
n
1X 2
= X − X̄ 2
n i=1 i
n
1X 2
= Xi − X̄ .
n i=1
380 Jadi, penduga bagi parameter µ dan σ 2 secara berturut-turut ialah µ̂ = X̄

1 Pn 2
381 dan σ̂ 2 = i=1 Xi − X̄ . z
n
Contoh 3.3 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X
dengan fungsi kepekatan peluang
f (x; θ) = θxθ−1 I (0 < x < 1)
382 di mana 0 < θ < ∞ ialah parameter yang tidak diketahui. Dengan meng-
383 gunakan metode momen, tentukan penduga bagi θ. Jika x1 = 0.2, x2 = 0.6,
384 x3 = 0.5, x4 = 0.3 adalah nilai amatan dari empat sampel acak, maka ten-
385 tukan dugaan bagi θ.
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.
394 Jawab. Karena E (X) = α+β 2

= g1 (α, β) dan E (X 2 ) = 31 (α2 + αβ + β 2 ) =
395 g2 (α, β) , maka dengan metode momen diperoleh
n
α̂ + β̂ 1X
= Xi = Q1 , (3.1)
2 n i=1
n
1 2 2
1X 2
α̂ + α̂β̂ + β̂ = X = Q2 . (3.2)
3 n i=1 i
Dari persamaan 3.1 dan 3.2, diperoleh
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 ).
396 Karena α̂ < β̂, maka

q
α̂ = Q1 − 3 (Q2 − Q21 )
q
β̂ = 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.
404 3.2.2 Metode Kemungkinan Maksimum

Definisi 3.3 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X
dengan fungsi kepekatan peluang f (x; θ), di mana θ adalah parameter yang
tidak diketahui dalam ruang parameter Ω. Fungsi kemungkinan atau likeli-

hood function, L (θ; x) , didefinisikan sebagai berikut
n
Y
L (θ; x) = f (xi ; θ) .
i=1
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) .
Definisi 3.4 Suatu fungsi dari X, katakanlah θ̂ = θ̂ (X) disebut penduga

kemungkinan maksimum bagi θ bila
θ̂ = Arg sup L (θ; X) .

θ∈Ω
408 Berikut merupakan langkah-langkah untuk menentukan penduga kemu-

409 ngkinan maksimum.
1. Definisikan fungsi kemungkinan L (θ) untuk amatan sampel x1 , x2 , ...,

xn ,
n
Y
L (θ) = f (xi ; θ) .
i=1
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) .
413 3. Nyatakan θ sebagai θ̂ untuk memperoleh penduga kemungkinan mak-

414 simum bagi θ dengan menggantikan amatan sampel dengan peubah
415 acaknya.
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.
418 Jawab. Fungsi kemungkinan dari contoh ialah

n
Y
L (θ) = f (xi ; θ)
i=1
n
Y 1
= , θ > xi (i = 1, 2, ..., n)
i=1
θ
n
1
= , θ > max {x1 , ..., xn }
θ
n
1
ln L (θ) = ln
θ
= −n ln θ.
Ruang parameter θ terhadap L (θ) ialah
Ω = {θ ∈ R | xmax < θ < ∞} = (xmax , ∞) .
419 Selanjutnya, tentukan θ yang memaksimumkan ln L (θ) . Turunan pertama

420 dari ln L (θ) ialah
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.
423 Jawab. Fungsi kemungkinan dari sampel ialah

n
Y
L (θ) = f (xi ; θ)
i=1
" n
#
Y
ln L (θ) = ln f (xi ; θ)
i=1
n
X
= ln f (xi ; θ)
i=1
Xn
ln θe−θxi

=
i=1
n
X
= [ln θ − θxi ]
i=1
n
X
= n ln θ − θ xi .
i=1
424 Kemudian, tentukan nilai maksimum dari ln L (θ) .

d ln L (θ)
= 0
" dθ #
n
d X
n ln θ − θ xi = 0
dθ i=1
n
n X
− xi = 0
θ i=1
n
n X
= xi
θ i=1
1
θ = .
x̄
425 Turunan kedua bagi ln L (θ) ialah
d2 ln L (θ) n
2
= − 2
dθ θ
d2 ln L (θ)
2
= −nx̄2 < 0.
dθ
Dengan demikian, penduga kemungkinan maksimum bagi θ ialah
1
θ̂ = .
X̄
426 z
peluang
f (x; θ) = (1 − θ) x−θ I (0 < x < 1) ,
427 maka tentukan penduga kemungkinan maksimum bagi θ.
428 Jawab. Fungsi kemungkinan dari sampel ialah

n
Y
L (θ) = f (xi ; θ)
i=1
" n
#
Y
ln L (θ) = ln f (xi ; θ)
i=1
n
X
= ln f (xi ; θ)
i=1
n
X
ln (1 − θ) x−θ

= i
i=1
n
X
= n ln (1 − θ) − θ ln xi .
i=1
429 Kemudian, tentukan nilai maksimum dari ln L (θ) .

d ln L (θ)
= 0
" dθ #
n
d X
n ln (1 − θ) − θ ln xi = 0
dθ i=1
n
n X
− − ln xi = 0
1 − θ i=1
n
1 1X
= − ln xi
1−θ n i=1
n
θ = 1 + Pn .
i=1 ln xi
430 Turunan kedua bagi ln L (θ) ialah

d2 ln L (θ) n
= −
dθ 2
(1 − θ)2
2
( ni=1 ln xi )
P
= − < 0.
n
Dengan demikian, L (θ) maksimum bila

n
θ = 1 + Pn ,
i=1 ln xi
sehingga penduga kemungkinan maksimum bagi θ ialah

n
θ̂ = 1 + Pn .
i=1 ln Xi
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.
435 Jawab. Fungsi kemungkinan dari sampel tersebut ialah

n
Y
L (θ1 , θ2 ) = f (xi ; θ1 , θ2 )
i=1
n
" #
Y 1 (xi − θ1 )2
= √ exp −
i=1
2πθ 2 2θ2
" P #
n 2
(x i − θ1 )
= (2πθ2 )−n/2 exp − i=1
2θ2
Pn 2
n n i=1 (xi − θ1 )
ln L (θ1 , θ2 ) = − ln (2π) − ln θ2 − .
2 2 2θ2
436 Kemudian, tentukan nilai maksimum dari ln L (θ1 , θ2 ) .
∂ 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.
441 Jawab. Fungsi kemungkinan dari sampel tersebut ialah

n
Y
L (α, β) = f (xi ; α, β)
i=1
n
Y 1
= α
xα−1
i e−xi /β
i=1
Γ (α) β
n
!α−1 n
!
1 Y 1X
= xi exp − xi
[Γ (α)]n β nα i=1 β i=1
n n
X 1X
ln L (α, β) = −n ln Γ (α) − nα ln β + (α − 1) ln xi − xi .
i=1
β i=1
442 Kemudian, tentukan nilai maksimum dari ln L (α, β) .
∂ 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-
444 ngkinan maksimum bagi α,

n
Γ0 (α) 1X
+ ln β = ln xi
Γ (α) n i=1
n
Γ0 (α) x̄ 1X
+ ln = ln xi
Γ (α) α n i=1
n
Γ0 (α) 1X
+ ln x̄ − ln α = ln xi
Γ (α) n i=1
n
Γ0 (α) 1X
− ln α = ln xi − ln x̄. (3.7)
Γ (α) n i=1
445 Perhatikan bahwa persamaan 3.7 merupakan persamaan implisit, sehingga

446 dibutuhkan analisis numerik untuk menentukan penduga kemungkinan mak-
447 simum bagi α, yaitu α̂ dan penduga kemungkinan maksimum bagi β ialah
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.
453 Teorema 3.1 Misalkan θ̂ adalah penduga kemungkinan maksimum

bagi θ,
454 maka penduga kemungkinan maksimum bagi g (θ) adalah g θ̂ .
455 Berikut merupakan contoh yang menjelaskan Teorema 3.1.
peluang
f (x; θ) = θe−θx I (x > 0) ,
√
456 maka tentukan penduga kemungkinan maksimum bagi θ2 + 5.
Jawab. Berdasarkan Contoh 3.6, diperoleh penduga kemungkinan mak-

simum dari θ ialah
1
θ̂ = ,
X̄
3.3 Sifat-Sifat Penduga 51
maka√dengan menggunakan Teorema 3.1, penduga kemungkinan maksimum

bagi θ2 + 5 ialah r
1
+ 5.
X̄ 2
457 z
458 3.3 Sifat-Sifat Penduga

Secara umum, perbedaan penggunaan metode pendugaan akan menghasilkan
penduga yang berbeda. Seperti pada Contoh 3.1 dan Contoh 3.5, jika X ∼
seragam (0, θ) dan X1 , X2 , ..., Xn adalah sampel acak dari populasi X, maka
penduga yang diperoleh dengan metode momen ialah
θ̂1 = 2X̄,
sedangkan penduga yang diperoleh dengan metode kemungkinan maksimum

ialah
θ̂2 = X(n) .
459 Untuk menentukan manakah penduga yang lebih baik, perlu diperiksa apakah
460 penduga tersebut memenuhi sifat-sifat penduga yang baik. Suatu penduga
461 dikatakan baik apabila memenuhi sifat-sifat berikut, yaitu ketakbiasan, memi-
462 liki ragam minimum, dan konsisten.
463 3.3.1 Ketakbiasan

Definisi 3.5 Misalkan X adalah peubah acak dengan fungsi kepekatan atau
fungsi massa peluang f (x; θ) , θ ∈ Ω. Misalkan pula X1 , X2 , ..., Xn adalah
sampel acak dari X dan T merupakan suatu statistik. T dikatakan penduga
takbias bagi θ jika
E (T ) = θ, ∀θ ∈ Ω.
6 θ, maka
Jika E (T ) = T disebut penduga bias bagi θ. Bias dari θ̂, yang
dinotasikan B θ̂, θ , didefinisikan sebagai

B θ̂, θ = E θ̂ − θ.
Jika
lim B θ̂, θ = 0 atau lim E (T ) = θ,
n→∞ n→∞
464 maka θ̂ merupakan penduga takbias asimtotik bagi θ.

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?
Jawab. Berdasarkan Contoh 3.2, penduga bagi µ dan σ 2 berturut-turut

ialah n
2 1X 2
µ̂ = X̄ dan σ̂ = Xi − X̄ .
n i=1
2

Karena X̄ ∼ N µ, σn , maka E X̄ = µ. Jadi, X̄ adalah penduga takbias

468
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
472 Pada Contoh 3.11,
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.
Karena lim B σ̂ 2 , σ 2 = 0, maka σ̂ 2 merupakan penduga takbias asimtotik

n→∞
2 n−1 2
bagi σ . Selanjutnya, berdasarkan fakta bahwa 2
S ∼ χ2 (n − 1) , maka
σ

n−1 2
E S = n − 1,
σ2
yang berarti bahwa
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.
Contoh 3.12 Misalkan X ∼ P oisson (θ) , θ > 0 dengan
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 ,
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
484 3.3.2 Efisiensi Relatif Penduga

Definisi 3.6 Misalkan θ̂1 dan θ̂2 adalah dua penduga
takbias bagi
θ. Penduga
θ̂1 dikatakan lebih efisien daripada θ̂2 jika V ar θ̂1 < V ar θ̂2 . Rasio η
didefinisikan sebagai berikut

V ar θ̂2
η θ̂1 , θ̂2 = ,
V ar θ̂1
485 merupakan efisiensi relatif dari θ̂1 terhadap θ̂2 .
Contoh 3.13 Misalkan X1 , X2 , X3 adalah tiga sampel acak dari populasi

dengan nilai harapan µ dan ragam σ 2 > 0. Jika statistik X̄ dan
X1 + 2X2 + 3X3
Y =
6
486 adalah dua penduga takbias bagi µ, maka penduga manakah yang lebih efisien?
487 Jawab. Ragam dari X̄ dan Y ialah

X1 + X2 + X3
V ar X̄ = V ar
3
1
= [V ar (X1 ) + V ar (X2 ) + V ar (X3 )]
9
1
3σ 2

=
9
1 2 12 2
= σ = σ
3 36
488 dan

X1 + 2X2 + 3X3
V ar (Y ) = V ar
6
1
= [V ar (X1 ) + 4V ar (X2 ) + 9V ar (X3 )]
36
1
14σ 2

=
36
14 2
= σ .
36
Jadi, 12 < V ar (Y ) = 14
2

36
σ = V ar X̄ 36
σ 2 , sehingga X̄ merupakan penduga
yang lebih efisien daripada Y. Efisiensi relatif dari X̄ terhadap Y ialah
14 7
η X̄, Y = = .
12 6
489 z
490 3.3.3 Efisiensi dan Pertaksamaan Rao-Cramèr

491 Pada subbab sebelumnya dibahas efisiensi relatif dari dua penduga takbias
492 dengan cara membandingkan ragamnya. Berdasarkan definisi efisiensi relatif
493 penduga tersebut, timbul pertanyaan apakah terdapat penduga yang paling
494 efisien di antara beberapa penduga takbias tersebut? Untuk mengetahui hal
495 tersebut, kita dapat menentukan apakah ada penduga yang paling efisien
496 berdasarkan batas bawah pertaksamaan Rao-Cramèr. Jika suatu penduga
497 memiliki ragam yang nilainya sama dengan batas bawah pertaksamaan Rao-
498 Cramèr, maka penduga tersebut adalah penduga yang paling efisien.
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
499 Lema berikut adalah formula alternatif untuk informasi Fisher.
Lema 3.1 Informasi Fisher I (θ) juga dapat didefinisikan sebagai

2
d ln f (X; θ)
I (θ) = −E .
dθ2
500 Bukti. Karena f (x; θ) adalah fungsi kepekatan peluang, maka
Z ∞
f (x; θ) dx = 1. (3.10)
−∞
501 Turunkan persamaan 3.10 terhadap θ,

Z ∞
d
f (x; θ) dx = 0. (3.11)
dθ −∞
502 Selanjutnya, persamaan 3.11 dapat ditulis menjadi
Z ∞
df (x; θ) 1
f (x; θ) dx = 0
−∞ dθ f (x; θ)
Z ∞
d ln f (x; θ)
f (x; θ) dx = 0
−∞ dθ
∞
d2 ln f (x; θ)
Z
d ln f (x; θ) df (x; θ)
f (x; θ) + dx = 0
503
−∞ dθ2 dθ dθ
∞
d2 ln f (x; θ)
Z
d ln f (x; θ) df (x; θ) 1
f (x; θ) + f (x; θ) dx = 0
−∞ dθ2 dθ dθ f (x; θ)
" 2 #
∞
d2 ln f (x; θ)
Z
d ln f (x; θ)
f (x; θ) + f (x; θ) dx = 0
−∞ dθ2 dθ
Jadi, berdasarkan persamaan di atas diperoleh

Z ∞ 2 Z ∞ 2
d ln f (x; θ) d ln f (x; θ)
f (x; θ) dx = − f (x; θ) dx.
−∞ dθ −∞ dθ2
Dengan demikian, berdasarkan Definisi 3.7 diperoleh
Z ∞ 2
d ln f (x; θ)
I (θ) = − f (x; θ) dx.
−∞ dθ2
504 z
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) .
505 Bukti. Dengan menggunakan Definisi 3.7,

2
d ln f (X1 , X2 , ..., Xn ; θ)
In (θ) = −E
dθ2
2
d
= −E [ln f (X1 ; θ) + ... + ln f (Xn ; θ)]
dθ2
2 2
d ln f (X1 ; θ) d ln f (Xn ; θ)
= −E − ... − E
dθ2 dθ2
= I (θ) + ... + I (θ)
= nI (θ) .
506 z
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.
508 Jawab. Karena f (x; θ) = 1θ e−x/θ , maka ln f (x; θ) = − ln θ − xθ . Turunan

509 pertama dari ln f (x; θ) terhadap θ ialah
d ln f (x; θ) 1 x
= − + 2
dθ θ θ
2
2x x2

d ln f (x; θ) 1
= 2 − 3 + 4.
dθ θ θ θ
510 Karena X ∼ eksponensial(θ) , maka E (X) = θ dan E (X 2 ) = 2θ2 , sehingga

511 dengan menggunakan Definisi 3.7 diperoleh
" 2 #
d ln f (X; θ)
I (θ) = E
dθ
1 2θ 2θ2
= − + 4
θ2 θ3 θ
1
= 2.
θ
Jika menggunakan Lema 3.1, maka diperlukan turunan kedua dari ln f (x; θ)
terhadap θ, yaitu
d2 ln f (x; θ) 1 2x
= − .
dθ2 θ2 θ3
2
d ln f (X; θ)
I (θ) = −E
dθ2

1 2X
= −E 2 − 3
θ θ

1 2θ
= − 2− 3
θ θ
1
= 2.
θ
513 z
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) .
516 Jawab. Misalkan X ∼ N (µ, σ 2 ) , maka

" #!
1 (x − µ)2
ln f (x; µ) = ln √ exp −
2πσ 2 2σ 2
(x − µ)2

1
= ln √ − ,
2πσ 2 2σ 2
517 sehingga turunan pertama dan kedua dari ln f (x; µ) ialah
d ln f (x; µ) x−µ
=
dµ σ2
2
d ln f (x; µ) 1
= − .
dµ2 σ2
518 Jadi,
In (µ) = nI (µ)
d2 ln f (X; µ)

= n × −E
dµ2
1
= n× .
σ2
519 z
520 Teorema 3.2 (Pertaksamaan Rao-Cramèr) Misalkan X1 , X2 , ..., Xn adalah

521 sampel dari sebaran X ∼ f (x; θ) , θ ∈ Ω. Misalkan pula Y = u (X1 , X2 , ..., Xn )
522 adalah statistik dengan nilai harapan E (Y ) = k (θ) . Andaikan L (θ) adalah
523 fungsi kemungkinan (likelihood function) yang memenuhi
Z ∞ Z ∞
d
··· u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn
dθ −∞ −∞
Z ∞ Z ∞
d
= ··· u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn ,
−∞ −∞ dθ
maka
(k 0 (θ))2
V ar (Y ) ≥ .
nI (θ)
524 Bukti. Nilai harapan E (Y ) = k (θ) dapat dituliskan menjadi

Z ∞ Z ∞
k (θ) = ··· u (x1 , x2 , ..., xn ) f (x1 ; θ) · · · f (xn ; θ) dx1 · · · dxn
−∞ −∞
Z ∞ Z ∞
= ··· u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn
−∞ −∞
525 Turunkan k (θ) terhadap θ, sehingga

Z ∞ Z ∞
0 dL (θ) 1
k (θ) = ··· u (x1 , x2 , ..., xn ) · · L (θ) dx1 · · · dxn
−∞ −∞ dθ L (θ)
Z ∞ Z ∞
d ln L (θ)
= ··· u (x1 , x2 , ..., xn ) · L (θ) dx1 · · · dxn
−∞ −∞ dθ
Z ∞ Z ∞ " n #
X 1 df (xi ; θ)
= ··· u (x1 , x2 , ..., xn ) · L (θ) dx1 · · · dxn
−∞ −∞ f (x i ; θ) dθ
Z ∞ Z ∞ " i=1
n
#
X d ln f (xi ; θ)
= ··· u (x1 , x2 , ..., xn ) L (θ) dx1 · · · dxn . (3.12)
−∞ −∞ i=1
dθ
Definisikan peubah acak Z sebagai

n
X d ln f (Xi ; θ)
Z= ,
i=1
dθ
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)
dengan ρ adalah koefisien korelasi antara Y dan Z. Karena E (Z) = 0 dan

ρ2 ≤ 1, maka
k 0 (θ)
ρ= p
σY nI (θ)
dan
[k 0 (θ)]2
≤ 1.
σY2 nI (θ)
Dengan demikian, terbukti bahwa
[k 0 (θ)]2
σY2 ≥ .
nI (θ)
526 z
Definisi 3.8 Misalkan Y adalah penduga takbias bagi parameter θ. Statis-

tik Y disebut penduga efisien jika ragam dari Y sama dengan batas bawah
pertaksamaan Rao-Cramèr. Efisiensi penduga takbias Y bagi parameter θ
didefinisikan sebagai
[k 0 (θ)]2
× 100%.
nI (θ) V ar (Y )
Jika
[k 0 (θ)]2
lim = 1,
n→∞ nI (θ) V ar (Y )
527 maka penduga takbias Y disebut sebagai penduga efisien asimtotik.
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)
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
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
535 yang akan sama dengan 100% untuk n → ∞, sehingga S 2 merupakan pen-
536 duga efisien asimtotik bagi θ. z
537 3.3.4 Kekonsistenan

538 Misalkan X1 , X2 , ..., Xn adalah contoh acak dari populasi X dengan fungsi
539 kepekatan peluang f (x; θ) . Misalkan θ̂ adalah penduga bagi sampel beruku-
540 ran n. Jelas bahwa penduga tersebut akan bergantung pada ukuran contoh
541 n. Oleh karena itu, untuk menunjukkan bahwa θ̂ bergantung pada n, maka
542 notasikan θ̂ sebagai θ̂n .
Definisi 3.9 Misalkan X1 , X2 , ..., Xn adalah sampel acakndari

o populasi X
dengan fungsi kepekatan peluang f (x; θ) . Barisan penduga θ̂n disebut kon-
n o
sisten jika barisan θ̂n konvergen dalam peluang ke θ, yaitu

∀ε > 0, lim P θ̂n − θ ≥ ε = 0.

n→∞
Teorema 3.3 Misalkan X1 , X2 , ..., Xn adalahnsampel

o acak dari sebaran X
dengan fungsi kepekatan peluang f (x; θ) dan θ̂n merupakan barisan pen-
duga bagi θ berdasarkan sampel. Jika ragam dari θ̂n ada untuk setiap n dan
berhingga, serta 2
lim E θ̂n − θ = 0,
n→∞
maka
∀ε > 0, lim P θ̂n − θ ≥ ε = 0.

n→∞
Bukti. Berdasarkan pertaksamaan Markov diperoleh

2
2 E θ̂n − θ
2
P θ̂n − θ ≥ ε ≤
ε2
2
untuk setiap ε > 0. Karena θ̂n − θ ≥ ε2 equivalen dengan θ̂n − θ ≥ ε,

maka
2
2 E θ̂n − θ
2
P θ̂n − θ ≥ ε = P θ̂n − θ ≥ ε ≤

ε2
untuk setiap n ∈ N. Perhatikan bahwa jika

2
lim E θ̂n − θ =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)
547 Perhatikan bahwa

2 2
E θ̂ − θ = E θ̂ − 2θ̂θ + θ2
2
= E θ̂ − 2θE θ̂ + θ2
2 h i2 h i2
= E θ̂ − E θ̂ + E θ̂ − 2θE θ̂ + θ2
h i2
= V ar θ̂ + E θ̂ − 2θE θ̂ + θ2
h i2
= V ar θ̂ + E θ̂n − θ
h i2
= V ar θ̂ + B θ̂, θ .
548 Jika
lim V ar θ̂ = 0 dan lim B θ̂, θ = 0, (3.14)
n→∞ n→∞
maka berdasarkan persamaan 3.13,

2
lim E θ̂ − θ = 0.
n→∞
549 Dengan kata lain, untuk menunjukkan bahwa suatu penduga konsisten, kita
550 cukup menunjukkan persamaan 3.14.
Contoh 3.18 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari populasi nor-

mal dengan nilai harapan µ dan ragam σ 2 > 0. Tentukan apakah penduga bagi
σ 2 , yaitu
n
2 1X 2
σ̂ = Xi − X̄
n i=1
551 merupakan penduga konsisten bagi σ 2 ?
Jawab. Karena σ̂ 2 bergantung terhadap n, maka notasikan σ̂ 2 sebagai

σ̂ 2n , sehingga
n
2 1X 2
σ̂ n = Xi − X̄ .
n i=1
552 Ragam bagi σ̂ 2n ialah

n
!
2
1 X 2
V ar σ̂ n = V ar Xi − X̄
n i=1
2

1 2 (n − 1) S
= V ar σ
n2 σ2
σ4 (n − 1) S 2 (n − 1) S 2

= V ar ; ∼ χ2 (n − 1)
n2 σ2 σ2
2 (n − 1) σ 4
=
n2
1 1
= − 2 2σ 4 ,
n n

1 1
lim V ar σ̂ 2n − 2 2σ 4 = 0.

= lim
n→∞ n→∞ n n
3.4 Penduga Selang 66
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
555 3.4 Penduga Selang

556 Definisi 3.10 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X
557 dengan fungsi kepekatan peluang f (x, θ) , di mana θ adalah parameter yang
558 tidak diketahui. Penduga selang bagi θ dengan peluang (1 − α) adalah selang
559 statistik [L (X1 , X2 , ..., Xn ) , U (X1 , X2 , ..., Xn )] dengan L ≤ U sedemikian se-
560 hingga
P ([L (X1 , X2 , ..., Xn ) ≤ θ ≤ U (X1 , X2 , ..., Xn )]) = 1 − α (3.15)
561 dengan 0 < α < 1.
Pada persamaan 3.15, P (L ≤ θ ≤ U ) menyatakan bahwa peluang pa-

rameter θ berada di antara selang acak tersebut adalah sebesar (1 − α), di
mana (1 − α) disebut sebagai koefisien kepercayaan. Setelah diperoleh
titik atau amatan sampel, maka selang [L (x1 , x2 , ..., xn ) , U (x1 , x2 , ..., xn )]
disebut sebagai selang kepercayaan 100 (1 − α) % bagi θ. Selang
[L (x1 , x2 , ..., xn ) , U (x1 , x2 , ..., xn )]
562 tentunya dapat mencakup atau tidak mencakup nilai θ yang sebenarnya,
563 tetapi bila sampel ini diperoleh sebanyak m kali, maka harapan kita (1 − α)×
564 m kali selang ini akan mencakup nilai θ.
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.
Jawab. Untuk 0 < α < 1, definisikan bahwa

!
X̄ − µ α
P √ > zα/2 =
σ/ n 2
566 sedemikian sehingga

!
X̄ − µ
1−α = P −zα/2 < √ < zα/2
σ/ n

σ σ
= P − √ zα/2 < X̄ − µ < √ zα/2
n n

σ σ
= P X̄ − √ zα/2 < µ < X̄ + √ zα/2 .
n n
Jadi, selang kepercayaan 100 (1 − α) % bagi µ ialah

σ σ
x̄ − √ zα/2 , x̄ + √ zα/2 ,
n n
di mana
1 Xn
x̄ = xi .
n i=1
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.
Jawab. Karena X1 , X2 , ..., Xn ∼ N (µ, σ 2 ), maka

σ2

n−1 2
X̄ ∼ N µ, dan S ∼ χ2 (n − 1) ,
n σ2
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

s s
x̄ − √ tα/2 , 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.
Jawab. Karena X1 , X2 , ..., Xn ∼ N (µ, σ 2 ), maka

n−1 2
S ∼ χ2α/2 (n − 1) .
σ2
Untuk 0 < α < 1, definisikan bahwa

n−1 2 2 α
P 2
S < χα/2 (n − 1) =
σ 2
579 sedemikian sehingga

n−1 2
1−α = P χ2α/2(n − 1) < 2
S < χ1−α/2 (n − 1)
σ2
!
χ2α/2 (n − 1) 1 χ21−α/2 (n − 1)
= P < 2 <
(n − 1) S 2 σ (n − 1) S 2
!
(n − 1) S 2 (n − 1) S 2
= P < σ2 < 2 .
χ21−α/2 (n − 1) χα/2 (n − 1)
Jadi, selang kepercayaan 100 (1 − α) % bagi σ 2 ialah

!
(n − 1) s2 (n − 1) s2
, ,
χ21−α/2 (n − 1) χ2α/2 (n − 1)
di mana
1 Xn
s2 = (xi − x̄)2 .
n−1 i=1
580 z
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.
Jawab. Berdasarkan Teorema Limit Pusat, sebaran dari peubah acak

p̂ − p
Z=p
p (1 − p) /n
586 mendekati sebaran N (0, 1) . Bila p (1 − p) diganti dengan penduganya, yaitu
587 p̂ (1 − p̂) , maka
!
p̂ − p
1 − α = P −zα/2 < p < zα/2
p̂ (1 − p̂) /n
p p
= P −zα/2 p̂ (1 − p̂) /n < p̂ − p < zα/2 p̂ (1 − p̂) /n
p p
= P p̂ − zα/2 p̂ (1 − p̂) /n < p < p̂ + zα/2 p̂ (1 − p̂) /n

p p
p̄ − zα/2 p̄ (1 − p̄) /n, p̄ + zα/2 p̄ (1 − p̄) /n ,
588 dengan p̄ menyatakan dugaan dari p. z
589 3.4.1 Selang Kepercayaan Beda Dua Nilai Tengah

Misalkan X1 , X2 , ..., Xm adalah sampel acak dari sebaran X dan Y1 , Y2 , ..., Yn
adalah sampel acak dari sebaran Y . Asumsikan bahwa masing-masing sam-
2
pel saling bebas dan ragam dari X dan Y berhingga,
Pm dinotasikan dengan Pnσ1 =
2 1 1
V ar (X) dan σ2 = V ar (Y ) . Misalkan X̄ = m i=1 Xi dan Ȳ = n i=1 Yi
adalah nilai tengah sampel dari sebaran X dan Y. Dengan demikian, X̄ − Ȳ
memiliki sebaran dengan
σ2 σ2
E X̄ − Ȳ = µx − µy dan V ar X̄ − Ȳ = 1 + 2

m n
Berdasarkan asumsi kebebasan sampel dan Teorema Limit Pusat, peubah
acak
X̄ − Ȳ − (µx − µy ) ·
Z= r ∼ N (0, 1) .
S12 S22
+
m n
590 Jadi, selang kepercayaan 100 (1 − α) % bagi µx − µy ialah
r r !
s21 s22 s21 s22
(x̄ − ȳ) − zα/2 + , (x̄ − ȳ) + zα/2 + (3.16)
m n m n
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
Misalkan
(n1 − 1) S12 + (n2 − 1) S22
Sp2 = .
n1 + n2 − 2
Perhatikan bahwa Sp2 merupakan penduga tak bias bagi σ 2 . Karena
(n1 − 1) S12 /σ 2 ∼ χ2 (n1 − 1) dan (n2 − 1) S22 /σ 2 ∼ χ2 (n2 − 1) ,
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
memiliki sebaran-t dengan derajat bebas (n − 2) , sehingga dapat disim-

pulkan bahwa selang kepercayaan 100 (1 − α) % bagi µ1 − µ2 ialah
r r
1 1 1 1
(x̄ − ȳ) − t(α/2,n−2) sp + , (x̄ − ȳ) + t(α/2,n−2) sp +
n1 n2 n1 n2
602 dengan
(n1 − 1) s21 + (n2 − 1) s22
s2p = ,
n1 + n2 − 2
1 Xn1
s21 = (xi − x̄)2 ,
n1 − 1 i=1
1 Xn2
s22 = (yi − ȳ)2 .
n2 − 1 i=1
603 3.4.2 Selang Kepercayaan Nisbah Dua Ragam

Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran X ∼ N (µx , σx2 ) ,
maka Pn 2
i=1 Xi − X̄
V = ∼ χ2 (n − 1) .
σx2

Misalkan pula Y1 , Y2 , ..., Ym adalah sampel acak dari sebaran Y ∼ N µy , σy2 ,
maka Pm 2
Y i − Ȳ
W = i=1 2 ∼ χ2 (m − 1) .
σy
Karena peubah acak V dan W saling bebas, maka
W/ (m − 1)
∼ F (m − 1, n − 1) ,
V / (n − 1)
604 sehingga untuk 0 < α < 1,

Pm 2 !
Yi − Ȳ /σ (m − 1)
1 − α = P Fα/2 (m − 1, n − 1) ≤ Pni=1 y ≤ F1−α/2 (m − 1, n − 1)
2
i=1 Xi − X̄ /σx (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
607 3.5 Latihan

1. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran dengan fungsi
kepekatan peluang
1
f (x; θ) = I (α < x < β)
β−α
608 Tentukan penduga dari α dan β dengan menggunakan metode momen.

kepekatan peluang
r
2 1 2
f (x; θ) = exp − (x − θ) I (x ≥ θ)
π 2
609 Tentukan penduga kemungkinan maksimum bagi θ.
3. Andaikan X1 , X2 , ..., Xn merupakan sampel acak dari sebaran dengan

fungsi kepekatan peluang
f (x; θ) = I (θ − 0.5 ≤ x ≤ θ + 0.5)
610 dan Y1 < Y2 < ... < Yn merupakan statistik-statistik tataan (order
611 statistics)-nya. Carilah penduga bagi θ dengan menggunakan:
612 (a) metode momen,

613 (b) metode kemungkinan maksimum. Jelaskan bahwa (Y1 +Yn )/2 dan
614 (4Y1 + 2Yn + 1)/6 masing-masing merupakan penduga kemungki-
615 nan maksimum bagi θ.
616 4. Misalkan X1 , X2 , ..., Xn adalah sampel acak dari sebaran Γ (2, θ) , di

617 mana θ merupakan parameter yang tidak diketahui.
3.5 Latihan 74
(a) Carilah sebaran dari Y jika Y = ni=1 Xi dan tentukan konstanta

P
618
619 c sedemikian sehingga cY adalah penduga tak bias bagi θ.

(b) Jika n = 5, tunjukkan bahwa P 9.59 < 2Yθ < 34.2 = 0.95.

620

kepekatan peluang
f (x; θ) = e−(x−θ) I (x > θ)
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.

kepekatan peluang
f (x; θ) = θe−θx I (x > 0)
627 di mana θ > 0.
628 (a) Tentukanlah I (θ) , informasi Fisher bagi θ.

629 (b) Berikanlah penduga takbias bagi θ.
630 (c) Berikanlah batas bawah pertaksamaan Rao-Cramèr untuk pen-
631 duga yang diperoleh dari butir b.
632 (d) Carilah efisiensi penduga yang diperoleh dari butir b.
633 8. Andaikan fungsi kepekatan peluang f (x; θ) = θ exp (−θx) I (x > 0) dan
634 Y = (X1 + X2 + ... + Xn )/n, maka :
635 (a) Tunjukkanlah bahwa W = 2nY /θ memiliki sebaran Khi-kuadrat

636 dengan derajat bebas 2n.
637 (b) Berikanlah selang kepercayaan (1 − α) bagi θ.
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
644 4.1 Statistik Cukup

Definisi 4.1 Misalkan X1 , X2 , ..., Xn adalah sampel acak dari populasi X
dengan fungsi kepekatan peluang atau fungsi massa peluang f (x; θ) , θ ∈ Ω.
Andaikan Y = u (X1 , X2 , ..., Xn ) merupakan statistik dengan fungsi kepekatan
peluang atau fungsi massa peluang gY (y; θ) , θ ∈ Ω, maka Y adalah statistik
cukup bagi θ jika
f (x1 , ..., xn ; θ)
= H (x1 , ..., xn ) ,
gY (u (x1 , ..., xn ) ; θ)
645 dengan H (x1 , ..., xn ) tidak bergantung pada θ ∈ Ω.
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.
656 Jawab. Fungsi kepekatan peluang bagi Y = X(1) ialah
gY (y; θ) = nf (y; θ) [1 − F (y)]n−1 I (y > θ)

Z y n−1
−(y−θ) −(x−θ)
= ne 1− e dx
θ
−(y−θ)
n−1
1 − 1 − e−(y−θ)

= ne
n−1
= ne−(y−θ) e−(y−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
Teorema 4.1 (Faktorisasi Neyman) Misalkan X1 , X2 , ..., Xn adalah sam-

pel acak dari sebaran dengan fungsi kepekatan peluang atau fungsi massa
peluang f (x; θ) , θ ∈ Ω. Statistik Y1 = u1 (X1 , X2 , ..., Xn ) merupakan statistik

cukup bagi θ jika dan hanya jika terdapat dua fungsi nonnegatif k1 dan k2
sehingga
Yn
f (xi ; θ) = k1 (u1 (x1 , x2 , ..., xn ) ; θ) · k2 (x1 , x2 , ..., xn )
i=1
660 dengan k2 (x1 , x2 , ..., xn ) tidak bergantung pada θ.
661 Bukti. (⇒) Jika Y1 adalah statistik cukup, maka
f (x1 , x2 , ..., xn ; θ) = gY1 (u1 (x1 , x2 , ..., xn ) ; θ) · H (x1 , x2 , ..., xn )

Yn
f (xi ; θ) = k1 (u (x1 , x2 , ..., xn ) ; θ) · k2 (x1 , x2 , ..., xn ) .
i=1
(⇐) Misalkan X merupakan peubah acak kontinu. Dalam pembuk-

tian ini, peubah y1 = u1 (x1 , x2 , ..., xn ) , y2 = u2 (x1 , x2 , ..., xn ) , ..., yn =
un (x1 , x2 , ..., xn ) ditransformasikan satu-satu. Peubah y1 , y2 , ... dan yn memi-
liki invers x1 = w1 (y1 , y2 , ..., yn ) , x2 = w2 (y1 , y2 , ..., yn ) , ..., xn = wn (y1 , y2 , ..., yn )
dan determinan matriks Jacobi J. Fungsi kepekatan peluang bagi Y1 , Y2 , ...
dan Yn ialah
g (y1 , y2 , ..., yn ; θ) = k1 (y1 ; θ) · k2 (w1 , w2 , ..., wn ) · |J|
662 di mana wi = wi (y1 , y2 , ..., yn ) , i = 1, 2, ..., n. Fungsi kepekatan peluang bagi

663 Y1 ialah
Z ∞ Z ∞
gY1 (y1 ; θ) = ... g (y1 , y2 , ..., yn ; θ) dy2 ...dyn
−∞ −∞
Z ∞ Z ∞
= k1 (y1 ; θ) ... k2 (w1 , w2 , ..., wn ) · |J| dy2 ...dyn .
−∞ −∞
R∞ R∞
Misalkan m (y1 ) = −∞
... −∞
k2 (w1 , w2 , ..., wn ) · |J| dy2 ...dyn , maka
gY1 (y1 ; θ) = k1 (y1 ; θ) m (y1 ) .
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 ))
di mana fungsi k2 dan m tidak bergantung pada θ. Dengan demikian, berdasarkan

definisinya dengan
k2 (x1 , x2 , ..., xn )
H (x1 , ..., xn ) = ,
m (u1 (x1 , x2 , ..., xn ))
664 maka Y1 merupakan statistik cukup bagi θ. z
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 .
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
681 Teorema 4.2 (Rao-Blackwell) Misalkan X1 , X2 , ..., Xn adalah sampel acak

682 dari sebaran yang memiliki fungsi kepekatan peluang atau fungsi massa pelu-
683 ang f (x; θ) , θ ∈ Ω. Misalkan Y1 = u1 (X1 , X2 , ..., Xn ) merupakan statistik
684 bagi θ dan Y2 = u2 (X1 , X2 , ..., Xn ) penduga takbias bagi θ. Jika E (Y2 |y1 ) =
685 ϕ (y1 ) , maka E (ϕ (Y1 )) = θ dan V ar (ϕ (Y1 )) ≤ V ar (Y2 ) .
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
689
V ar (Y2 ) = E (Y2 − θ)2

= E (Y2 − ϕ (Y1 ) + ϕ (Y1 ) − θ)2
= E (Y2 − ϕ (Y1 ))2 + 2E [(Y2 − ϕ (Y1 )) (ϕ (Y1 ) − θ)]
+E (ϕ (Y1 ) − θ)2
= E (Y2 − ϕ (Y1 ))2 + E (ϕ (Y1 ) − θ)2
= E (Y2 − ϕ (Y1 ))2 + V ar (ϕ (Y1 )) . (4.1)
Karena E (Y2 − ϕ (Y1 ))2 ≥ 0, maka persamaan 4.1 menjadi
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
Berdasarkan Teorema 4.1, statistik Y1 = ni=1 Xi merupakan statistik cukup.

P
Fungsi log-likelihood dari persamaan 4.2 adalah
n
1X
ln L (θ) = −n ln θ − xi ,
θ i=1
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
698 sehingga X̄ merupakan MVUE bagi θ. z

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
Berdasarkan Teorema 4.1, Y1 = X1 + X2 + X3 merupakan statistik cukup

bagi θ. Nilai harapan dari Y1 ialah
E (Y1 ) = E (X1 + X2 + X3 ) = 3θ,
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
dan fungsi kepekatan peluang bersama bagi Y1 , Y2 , dan Y3 ialah

3
1 y
1
g (y1 , y2 , y3 ; θ) = exp − I (0 < y3 < y2 < y1 < ∞) .
θ θ
4.2 Kelengkapan dan Kekhasan 83
703 Fungsi kepekatan peluang marginal bagi Y1 dan Y3 ialah

Z y1 3
1 y
1
g13 (y1 , y3 ; θ) = exp − dy2
y3 θ θ
3
1 y
1
= (y1 − y3 ) exp − I (0 < y3 < y1 < ∞) .
θ θ
Karena Y3 = X3 , maka fungsi kepekatan peluang bagi Y3 ialah
1 y
3
g3 (y3 ; θ) = exp − I (0 < y3 < ∞) ,
θ θ
704 sehingga fungsi kepekatan peluang bersyarat bagi Y1 jika diketahui Y3 = y3
705 ialah
g13 (y1 , y3 ; θ)
g1|3 (y1 |y3 ) =
g3 (y3 ; θ)
2
1 1
= (y1 − y3 ) exp − (y1 − y3 ) I (0 < y3 < y1 < ∞) .
θ θ
706

Y1 Y1 − Y3 Y3
E y 3 = E y 3 + E y3
3 3 3
Z 2
1 ∞ 1

2 1 y3
= (y1 − y3 ) exp − (y1 − y3 ) dy1 +
3 y3 θ θ 3
1 Γ (3) θ3 y3
= +
3 θ2 3
2θ y3
= +
3 3
= Υ (y3 ) .
707 Jelas bahwa E (Υ (Y3 )) = θ dan V ar (Υ (Y3 )) ≤ V ar (Y1 /3), tetapi Υ (Y3 )
708 bukan statistik karena bergantung pada parameter θ dan tidak dapat digu-
709 nakan sebagai penduga bagi θ.
710 4.2 Kelengkapan dan Kekhasan

711 Definisi 4.2 Misalkan Z adalah peubah acak dengan fungsi kepekatan atau
712 fungsi massa peluang h (z; θ) , θ ∈ Ω. Jika E (u (Z)) = 0, ∀θ ∈ Ω memerlukan
713 u (Z) = 0 kecuali pada himpunan berpeluang nol untuk setiap h (z; θ) , θ ∈ Ω,
714 maka famili {h (z; θ) : θ ∈ Ω} disebut famili lengkap dari fungsi kepekatan
715 atau fungsi massa peluang.
716 Berikut merupakan beberapa contoh famili lengkap dan famili tak lengkap.
717 Contoh 4.5 Misalkan X1 , X2 , ..., Xn adalah sampel P

acak dari sebaran Pois-
718 son dengan parameter θ > 0. Tunjukkan bahwa Y1 = ni=1 Xi adalah statistik
719 cukup bagi θ dan himpunan fungsi massa peluang bagi Y1 merupakan famili
720 lengkap.
721 Jawab. Karena Xi ∼ P oisson (θ) , maka

Yn Yn θxi e−θ
f (xi ; θ) = I (xi = 0, 1, 2, . . .)
i=1 i=1 xi !
θΣxi e−nθ Yn
= Qn I (xi = 0, 1, 2, . . .)
i=1 (xi !)
i=1
1
= θΣxi e−nθ × Qn
i=1 (xi !)
= k1 (y1 ; θ) × k2 (x1 , x2 , ..., xn ) .
= ni=1 Xi merupakan statistik cukup bagi θ.

P
Berdasarkan Teorema 4.1, Y1
Kemudian, fungsi massa peluang bagi Y1 ialah
(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!
Karena e−nθ 6= 0, maka
n2 u (2) 2

u (0) + [nu (1)] θ + θ + · · · = 0.
2
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
Contoh 4.6 Misalkan Z adalah peubah acak dari famili {h (z; θ) : θ ∈ Ω} di

mana
1
h (z; θ) = e−z/θ I (0 < z < ∞) .
θ
726 Tunjukkan bahwa famili {h (z; θ) : θ ∈ Ω} merupakan famili lengkap.
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}
729 merupakan famili lengkap. z
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.
a. Karena peubah acak X memiliki fungsi massa peluang

1
f (x; θ) = I (|x| = 1, 2, ..., θ) , θ ∈ N,
2θ
735 maka
θ
X
E (X) = xf (x; θ)
x=−θ
θ
X 1
= x
x=−θ
2θ
= 0,
736 tetapi tidak mengharuskan X = 0 sehingga f (x; θ) bukan anggota

737 famili lengkap.
b. Karena peubah acak X memiliki fungsi kepekatan peluang

1
f (x; θ) = I (|x| < θ)
2θ
738 maka
Z θ
E (X) = xf (x; θ) dx
−θ
Z θ
1
= x dx
−θ 2θ
= 0,
739 tetapi tidak mengharuskan X = 0 sehingga f (x; θ) bukan anggota

740 famili lengkap.
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
Jika famili {fY1 (y1 ; θ) : θ ∈ Ω} merupakan famili lengkap, maka ϕ (y1 ) −

ψ (y1 ) = 0 kecuali pada himpunan yang berpeluang nol. Dengan kata lain,
untuk setiap penduga takbias ψ (Y1 ) bagi θ,
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.
746 Teorema 4.3 (Lehmann dan Scheffé) Misalkan X1 , X2 , . . . , Xn adalah sam-

747 pel acak dengan fungsi kepekatan atau fungsi massa peluang f (x; θ) . Mis-
748 alkan pula Y1 = u (X1 , X2 , . . . , Xn ) adalah statistik cukup bagi θ dan famili
749 {fY1 (y1 ; θ) : θ ∈ Ω} merupakan famili lengkap. Jika terdapat fungsi Y1 yang
750 merupakan penduga takbias bagi θ, maka fungsi Y1 merupakan penduga tak-
751 bias dengan ragam minimum yang khas atau Unique Minimum Variance Un-
752 biased Estimator (U M V U E).
753 4.3 Kelas Eksponen

754 Definisi 4.3 Suatu fungsi kepekatan atau fungsi massa peluang
f (x; θ) = exp [p (θ) K (x) + S (x) + q (θ)] I (x ∈ W ) , γ < θ < δ (4.4)
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.
Contoh 4.8 Misalkan X ∼ N (0, θ) . Apakah anggota dari famili
{f (x; θ) : 0 < θ < ∞}
763 merupakan anggota kelas eksponen biasa fungsi kepekatan peluang kontinu?
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,
f (x; θ) = exp [p (θ) K (x) + S (x) + q (θ)]

√

1 2
= exp − x − ln 2πθ
2θ
1 √
p (θ) = − , K (x) = x2 , S (x) = 0, q (θ) = − ln 2πθ,
2θ
0
767 K (x) = 2x 6= 0 dan S (x) merupakan fungsi kontinu pada x ∈ (−∞, ∞) .
768 Jadi, N (0, θ) anggota kelas eksponen biasa fungsi kepekatan peluang kontinu.
769 z
Contoh 4.9 Misalkan X ∼ P oisson (θ) . Apakah anggota dari famili
{f (x; θ) : 0 < 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,
f (x; θ) = exp [p (θ) K (x) + S (x) + q (θ)]

1
= exp (ln θ) x + ln − θ I (x = 0, 1, 2, . . .)
x!

1
p (θ) = ln θ, K (x) = x, S (x) = ln , q (θ) = −θ,
x!
dan K (x) = x merupakan fungsi nontrivial dari x ∈ W. Jadi,
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
Berdasarkan Teorema 4.1, Y1 = ni=1 K (xi ) merupakan statistik cukup bagi

P
783
784 parameter θ. Selanjutnya, teorema berikut ini menyatakan kelengkapan dari

785 statistik cukup Y1 tersebut.
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.
789 Contoh 4.10 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran

Pn nor-
2 2
790 mal N (θ, σ ) , −∞ < θ < ∞, σ > 0. Tunjukkan bahwa Y1 = i=1 Xi
791 merupakan statistik cukup lengkap dan Y1 /n merupakan UMVUE bagi θ.
Jawab. Karena X ∼ N (θ, σ 2 ), maka fungsi kepekatan peluangnya ialah

" #
1 (x − θ)2
f (x; θ) = √ exp − I (−∞ < x < ∞)
σ 2π 2σ 2
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
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
Contoh 4.12 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran nor-

mal N (θ, 1). Tentukan UMVUE dari fungsi θ yang didefinisikan sebagai
berikut Z c
1 2
P (X ≤ c) = √ e−(x−θ) /2 dx = Φ (c − θ) ,
−∞ 2π
810 di mana c adalah suatu konstanta.
Jawab. Misalkan u (X1 ) adalah fungsi dari X1 . Kemudian, hitung nilai

harapan bersyarat dari statistik takbias jika diketahui statistik cukup X̄,
yaitu
E u (X1 ) |X̄ = x̄ = ϕ (x̄) .

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) .
Dengan demikian, u (X1 ) adalah penduga takbias takbias bagi Φ (c − θ) .

Selanjutnya akan ditentukan fungsi kepekatan peluang bersama bagi X1 dan
X̄ serta fungsi kepekatan peluang bersyarat dari X1 jika diketahui X̄. Dari
fungsi kepekatan peluang bersyarat
tersebut, dapat ditentukan nilai harapan
bersyarat E u (X1 ) |X̄ = x̄ = ϕ (x̄) . Fungsi kepekatan peluang bersama
bagi X1 dan X̄ adalah normal bivariat dengan vektor nilai harapan
√ (θ, θ)
dan ragam σ12 = 1, σ22 = 1/n, serta koefisien korelasi ρ = 1/ n, sehingga
fungsi kepekatan peluang bersyarat dari X1 jika diketahui X̄ = x̄ adalah
normal dengan nilai harapan
ρσ1
θ+ (x̄ − θ) = x̄
σ2
dan ragam
n−1
σ12 1 − ρ2 = .
n
813 Jadi, nilai harapan bersyarat dari u (X1 ) jika diketahui statistik cukup X̄ = x̄
814 ialah
Z ∞ r
n−1 1 n (x1 − x̄)
ϕ (x̄) = u (x1 ) √ exp − dx1
−∞ n 2π 2 (n − 1)
Z c r
n−1 1 n (x1 − x̄)
= √ exp − dx1 .
−∞ n 2π 2 (n − 1)
√ √
Dengan pemisalan peubah z = n (x1 − x̄) / n − 1, maka nilai harapan
bersyarat tersebut menjadi
Z c0
1 2
ϕ (x̄) = √ e−z /2 dz = Φ (c0 ) ,
−∞ 2π
√ √
di mana c0 = n (c − x̄) / n − 1. Dengan demikian, UMVUE bagi Φ (c − θ)
untuk setiap konstanta c ialah
√ !
n c − X̄
ϕ X̄ = Φ √ .
n−1
815 z
4.4 Latihan 93
816 4.4 Latihan

1. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran dengan fungsi
kepekatan peluang
θ
f (x; θ) = I (x ≥ 0) , θ > 0.
(1 + x)θ+1
817 Tentukan statistik cukup bagi parameter θ.
818 2. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran dengan

Pnfungsi
819 kepekatan peluang f (x; θ) = θe−θx I(x > 0) , θ > 0. Y = i=1 Xi
820 merupakan statistik cukup bagi θ. Tunjukkan bahwa (n − 1) /Y adalah
821 MVUE bagi θ.
822 3. Misalkan {h (x; θ) : θ ∈ Ω} merupakan famili dari fungsi kepekatan pelu-

823 ang, di mana h (x; θ) = 1θ I (x > 0) . Tunjukkan bahwa famili tersebut
824 tidak lengkap jika Ω = {θ : θ > 1} .
825 4. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran dengan fungsi

826 kepekatan peluang f (x; θ) = θ2 xe−θx I(0 < x < ∞) , θ > 0.
Pn
827 (a) Tunjukkan bahwa Y = i=1 Xi merupakan statistik cukup lengkap
828 bagi θ.
829 (b) Hitung E (1/Y ) dan carilah fungsi dari Y yang merupakan UMVUE
830 bagi θ.
5. Andaikan peubah acak X dengan fungsi kepekatan peluang f (x; θ) =

B(θ)h(x) exp[Q(θ)R(x)]I (a < x < b) merupakan anggota kelas ekspo-
nen biasa. Tunjukkanlah bahwa
E[R(X)] = −B 0 (θ) /[(B (θ) Q0 (θ)].
831
832 BAB 5
833 Pendugaan Bayes
834 5.1 Prinsip Minimax

Misalkan X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran yang memiliki
fungsi kepekatan atau fungsi massa peluang f (x; θ) , θ ∈ Ω. Misalkan pula
Y = U (X1 , X2 , . . . , Xn ) merupakan statistik yang digunakan untuk menduga
parameter θ dan δ (y) merupakan fungsi nilai amatan dari statistik Y yang
menjadi dugaan titik bagi parameter θ. Fungsi δ disebut juga sebagai fungsi
keputusan. Suatu nilai dari fungsi keputusan, sebut saja δ (y) , disebut
sebagai putusan. Putusan tersebut dapat benar atau salah. Hal tersebut
dapat menjadi ukuran dari perbedaan, jika ada, antara nilai sebenarnya dari
θ dengan dugaan titik δ (y) . Oleh karena itu, definisikan £ [θ, δ (y)] sebagai
fungsi kehilangan (loss function). Nilai harapan dari fungsi kehilangan
disebut sebagai fungsi risiko (risk function), dinotasikan dengan R (θ, δ).
Jika Y merupakan peubah acak kontinu dengan fY (y; θ) , θ ∈ Ω, merupakan
fungsi kepekatan peluang dari Y, maka fungsi risiko dapat dihitung sebagai
berikut
Z ∞
R (θ, δ) = E (£ [θ, δ (Y )]) = £ [θ, δ (y)] fY (y; θ) dy.
−∞
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,
859 • suatu prinsip mengenai pemilihan fungsi keputusan terbaik disebut

860 sebagai prinsip minimax. Prinsip tersebut dapat dinyatakan sebagai
861 berikut:
Misalkan diberikan fungsi keputusan δ0 (y) , untuk setiap θ ∈ Ω,
maxR (θ, δ0 (y)) ≤ maxR (θ, δ (y))

θ θ
5.2 Sebaran Prior dan Posterior 96
862 untuk setiap fungsi keputusan δ (y) , maka δ (y) disebut sebagai fungsi
863 keputusan minimax (minimax decision function).
864 Dengan pemberian batasan bahwa E (δ (Y )) = θ dan fungsi kehilangan

865 £ [θ, δ (y)] = [θ − δ (y)]2 , fungsi keputusan yang meminimumkan fungsi risiko
866 menghasilkan penduga takbias dengan ragam minimum.
867 5.2 Sebaran Prior dan Posterior

868 Definisi 5.1 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan sebaran
869 f (x|θ) , di mana θ adalah parameter yang tidak diketahui. Fungsi kepekatan
870 peluang dari peubah acak Θ disebut sebaran prior bagi Θ, dinotasikan dengan
871 h (θ) .
872 Definisi 5.2 Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan sebaran

873 f (x|θ) , di mana θ adalah parameter yang tidak diketahui. Fungsi kepekatan
874 peluang bersyarat dari peubah acak Θ jika diberikan sampel x1 , x2 , . . . , xn dise-
875 but sebaran posterior bagi Θ, dinotasikan dengan k (θ|x1 , x2 , . . . , xn ) .
Catatan 5.1 Jika X1 , X2 , . . . , Xn adalah sampel acak dari populasi yang

memiliki fungsi kepekatan peluang f (x|θ) , maka fungsi kepekatan peluang
bersama antara sampel dan parameter ialah
g (x1 , . . . , xn , θ) = L (x1 , . . . , xn |θ) h (θ)
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.
−∞
876 Selanjutnya, dengan menggunakan formula Bayes diperoleh
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
Jawab. Misalkan X0 = (X1 , X2 , . . . , Xn ) dan x0 = (x1 , x2 , . . . , xn ) .

n xi −θ
Y θ e
L (x|θ) = I (xi = 0, 1, 2, . . .) , θ > 0
i=1
xi !
dan sebaran prior bagi Θ ialah
θα−1 e−θ/β
h (θ) = I (θ > 0) .
Γ (α) β α
879 Fungsi kepekatan peluang bersama antara x dan θ ialah
g (x, θ) = L (x|θ) h (θ)
n xi −θ
θα−1 e−θ/β Y θ e
= α
I (θ > 0) I (xi = 0, 1, 2, . . .)
Γ (α) β i=1
xi !
880 sehingga fungsi kepekatan peluang marginal bagi x ialah

Z ∞ θΣxi +α−1 exp − θ
β/(nβ+1)
g1 (x) = dθ
0 x1 ! · · · xn !Γ (α) β α
n
Γ ( ni=1 xi + α)
P Y
= I (xi = 0, 1, 2, . . .) .
x1 ! · · · xn !Γ (α) β α (n + 1/β)Σxi +α i=1
Dengan demikian, sebaran posterior bagi Θ ialah

Σxi +α−1 θ
L (x|θ) h (θ) θ exp − β/(nβ+1)
k (θ|x) = = I (θ > 0) .
Γ ( i=1 xi + α) [β/ (nβ + 1)]Σxi +α
Pn
g1 (x)
Sebaran posterior bagi Θ tersebut merupakan sebaran Γ ( ni=1 xi + α, β/ (nβ + 1)) .
P
881
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
Misalkan terdapat statistik cukup Y = u (X) untuk parameter θ sehingga

L (x|θ) = g [u (x) |θ] H (x) ,
di mana g (y|θ) adalah fungsi kepekatan peluang dari Y, jika diketahui Θ = θ.
Karena faktor H (x) tidak bergantung pada θ, maka dapat kita abaikan,
sehingga
k (θ|x) ∝ g [u (x) |θ] h (θ) .
889 Dengan demikian, jika statistik Y untuk parameter θ ada, maka kita dapat
890 memulai dengan fungsi kepekatan peluang Y dan menuliskan
k (θ|y) ∝ g [y|θ] h (θ) , (5.3)
di mana k (θ|y) adalah fungsi kepekatan peluang bersyarat dari Θ|Y = y.
Dalam kasus statistik cukup Y , kita juga akan menggunakan g1 (y) , fungsi
kepekatan peluang marginal dari Y, yaitu
Z ∞
g1 (y) = g [y|θ] h (θ) dθ.
−∞
891 5.3 Metode Pendugaan Bayes

Dugaan Bayes adalah fungsi keputusan δ yang meminimumkan
Z ∞
E {£ [Θ, δ (x)] |X = x} = £ [θ, δ (x)] k (θ|x) dθ,
−∞
jika Θ adalah peubah acak kontinu, yaitu

Z ∞
δ (x) = Arg min £ [θ, δ (x)] k (θ|x) dθ,
−∞
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.
−∞
895 Peubah acak δ (X) disebut penduga Bayes bagi ξ (θ) .

896 Nilai harapan bersyarat dari £ [Θ, δ (x)] |X = x mendefinisikan peubah
897 acak yang merupakan fungsi dari contoh X. Nilai harapan fungsi dari X
898 (dalam kasus kontinu) diberikan sebagai berikut
Z ∞ Z ∞
£ [θ, δ (x)] k (θ|x) dθ g1 (x) dx
−∞ −∞
Z ∞ Z ∞
= £ [θ, δ (x)] L (x|θ) dx h (θ) dθ, (5.4)
−∞ −∞
R∞
di mana −∞ £ [θ, δ (x)] L (x|θ) dx adalah fungsi risiko yang dinotasikan den-
gan R (θ, δ). Oleh karena itu, persamaan 5.4 adalah nilai harapan dari risiko.
Karena dugaan Bayes δ (x) meminimumkan
Z ∞
£ [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.
Contoh 5.3 Diketahui sebaran

bsi
Xi |θ ∼ binomial (1, θ)
Θ ∼ beta (α, β) .
901 Tentukan dugaan Bayes bagi θ jika £ [θ, δ (x)] = [θ − δ (x)]2 .
Jawab. Sebaran prior bagi Θ ialah

Γ (α + β) α−1
h (θ) = θ (1 − θ)β−1 I (0 < θ < 1) ,
Γ (α) Γ (β)
Pn
di mana α dan β adalah konstanta positif. Statistik cukup Y = i=1 xi
menyebar binomial(n, θ) , sehingga fungsi kepekatan bersyarat Y |Θ = θ ialah

n y
g (y|θ) = θ (1 − θ)n−y I (y = 0, 1, ..., n) .
y
Dengan menggunakan 5.3,
k (θ|y) ∝ θy (1 − θ)n−y θα−1 (1 − θ)β−1 I (0 < θ < 1) ,
sehingga sebaran posterior Θ|Y = y menyebar beta dengan parameter (α + y, β + n − y)
dan fungsi kepekatan peluangnya ialah
Γ (n + α + β)
k (θ|y) = θα+y−1 (1 − θ)β+n−y−1 I (0 < θ < 1, y = 0, 1, ..., n) .
Γ (α + y) Γ (n + β − y)
902 Untuk £ [θ, δ (x)] = [θ − δ (x)]2 , maka δ (y) merupakan nilai harapan dari
903 sebaran beta dengan parameter (α + y, β + n − y) , yaitu
α+y
δ (y) =
α+β+n

α+β α n y
= + .
α+β+n α+β α+β+n n
904 Dugaan Bayes yang diperoleh ini merupakan rata-rata terbobot antara dugaan
α
905 yang diperoleh dari sebaran prior, yaitu dengan dugaan yang diperoleh
α+β
y
906 dari sebaran bersyarat Y |θ, yaitu . z
n
Contoh 5.4 Diketahui sebaran
bsi
Xi |θ ∼ N θ, σ 2 , di mana σ 2 diketahui

Θ ∼ N θ0 , σ02 , di mana θ0 dan σ02 diketahui.

907 Tentukan dugaan Bayes bagi θ jika £ [θ, δ (x)] = [θ − δ (x)]2 .

Jawab. Karena Y = X̄ adalah statistik cukup bagi θ, maka

bsi
Y |θ ∼ N θ, σ 2 /n , di mana σ 2 diketahui

Θ ∼ N θ0 , σ02 , di mana θ0 dan σ02 diketahui.

Sebaran prior bagi Θ ialah

1 1 2
h (θ) = p exp − 2 (θ − θ0 ) I (−∞ < θ < ∞) .
2πσ02 2σ0
908 Dengan menggunakan 5.3,

" #
1 1 (y − θ)2 (θ − θ0 )2
k (θ|y) ∝ √ √ √ exp − −
2πσ/ n 2πσ0 2 (σ 2 /n) 2σ02
(σ02 + σ 2 /n) θ2 − 2 (yσ02 + θ0 σ 2 /n) θ

∝ exp −
2 (σ 2 /n) σ02
 2 
yσ02 + θ0 σ 2 /n
θ−
 σ02 + σ 2 /n 
∝ exp − ,
 
 2 (σ 2 /n) σ02 
2 2
σ0 + σ /n
909 sehingga sebaran posterior Θ|Y = y menyebar normal dengan parameter

2
yσ0 + θ0 σ 2 /n (σ 2 /n) σ02

, . (5.5)
σ02 + σ 2 /n σ02 + σ 2 /n
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
913 Berikut ini merupakan contoh yang membandingkan penggunaan prinsip

914 minimax dan metode pendugaan Bayes. Misalkan diketahui sebaran prior
915 bagi peubah acak Θ ialah sebagai berikut:
P (Θ = θ1 ) = 0.6
P (Θ = θ2 ) = 0.4
916 Misalkan θ1 menyatakan Bogor hujan di sore hari dan θ2 menyatakan Bo-
917 gor tidak hujan di sore hari. Kemudian, terdapat tambahan informasi Y
918 mengenai kondisi cuaca di Gunung Salak, yaitu
y1 : Gunung Salak cerah
y2 : Gunung Salak berawan
y3 : Gunung Salak gelap
dengan peluang bersyarat Y |θ ialah sebagai berikut:
P (Y |θ) y1 y2 y3
θ1 0.05 0.25 0.7
θ2 0.425 0.375 0.2
Selanjutnya, misalkan fungsi kehilangan £ [θ, δ (y)] diberikan sebagai berikut:
Putusan (δ) Θ\Y y1 y2 y3
δ1 θ1 6 3 1
(membawa payung) θ2 12 5 2
δ1 θ1 10 15 20
(tidak membawa payung) θ2 0 2 4
919 • Prinsip minimax

R (θj , δj ) = 3i=1 £ [θj , δj (yi )] P (Y = yi |θj ) , j = 1, 2.
P
Putusan (δ) y1 y2 y1 R (θ, δ)

δ1 θ1 0.05 0.25 0.7 1.75
£ [θ1 , δ1 (y)] 6 3 1
Membawa θ2 0.425 0.375 0.2 7.375
payung £ [θ2 , δ1 (y)] 12 5 2
δ2 θ1 0.05 0.25 0.7 18.25
£ [θ1 , δ2 (y)] 10 15 20
Tidak membawa θ2 0.425 0.375 0.2 1.033
payung £ [θ2 , δ2 (y)] 0 2 4
Putusan minimax: δ = arg min max R (θ, δ) = δ1 .
5.4 Latihan 103
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
Sebaran posterior Θ|Y ialah
P (Θ|Y ) y1 y2 y3
θ1 0.15 0.5 0.84
θ2 0.85 0.5 0.16
921 • Pendugaan Bayes

Amatan Putusan EΘ|y (£ [Θ, δ (y)])
y1 δ1 (6 × 0.15) + (12 × 0.85) = 11.1
δ2 (10 × 0.15) + (0 × 0.85) = 1.5
922 y2 δ1 (3 × 0.5) + (5 × 0.5) = 4
δ2 (15 × 0.5) + (2 × 0.5) = 8.5
y3 δ1 (1 × 0.84) + (2 × 0.16) = 1.16
δ2 (20 × 0.84) + (4 × 0.16) = 17.44
923 Jadi, putusan Bayes bergantung pada amatan Y yang diperoleh. Jika
924 Y yang diperoleh y1 , maka putusan Bayes ialah δ2 , sedangkan jika Y
925 yang diperoleh y2 atau y3 , maka putusan Bayes ialah δ1 .
926 5.4 Latihan

1. Misalkan X adalah peubah acak sedemikian sehingga E (X − b)2 ada

927
untuk setiap bilangan Real b. Tunjukkan bahwa E (X − b)2 minimum

928
929 ketika b = E (X) .

5.4 Latihan 104
2. Misalkan X adalah suatu peubah acak kontinu. Tunjukkan bahwa

Z b
E (|X − b|) = E (|X − m|) + 2 (b − x) f (x) dx
m
930 di mana m adalah median dari sebaran X.
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.
4. Misalkan θ merupakan nilai amatan dari peubah acak Θ dengan fungsi

kepekatan peluang
h (θ) = (Γ (α) β α )−1 θα−1 e−θ/β I (θ > 0)
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.
942 5. Misalkan θ merupakan nilai amatan dari peubah acak Θ bersebaran

943 N (a, b), a dan b masing-masing merupakan konstanta yang diketahui,
944 a ∈ R dan b > 0. Misalkan pula Y merupakan rata-rata dari sampel
945 acak X1 , X2 , . . . , Xn yang bersebaran N (θ, 25), θ ∈ R. Bila fungsi keru-
946 gian £ [θ, δ (y)] = |θ − δ (y)| maka berikan dugaan Bayes δ (y) sebagai
947 dugaan titik bagi θ.
948 BAB 6
949 Pengujian Hipotesis
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
961 di mana ω0 dan ω1 ialah himpunan bagian dari Ω dan ω0 ∪ ω1 = Ω. Hipotesis

962 H0 disebut sebagai hipotesis nul dan H1 disebut sebagai hipotesis alternatif
963 atau hipotesis tandingan.
964 Misalkan D adalah ruang dari sampel, yaitu D = ruang{(X1 , X2 , . . . , Xn )} .
965 Pengujian H0 lawan H1 tersebut berdasarkan himpunan bagian C dari D.
966 Himpunan bagian C disebut sebagai daerah kritis dan himpunan tersebut
967 berpadanan dengan aturan sebagai berikut:
Tolak H0 (Terima H1 ) , jika (X1 , X2 , . . . , Xn ) ∈ C

Tidak Tolak H0 (Tolak H1 ) , jika (X1 , X2 , . . . , Xn ) ∈ C c .
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:
972 1. Kesalahan untuk menolak H0 , sedangkan kenyataanya H0 benar.

973 2. Kesalahan untuk tidak menolak H0 , sedangkan kenyataanya H0 salah.
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
979 Pθ [(X1 , X2 , . . . , Xn ) ∈ C] merupakan peluang bahwa (X1 , X2 , . . . , Xn ) ∈ C

980 ketika θ adalah parameter yang benar. Berdasarkan semua kemungkinan
981 daerah kritis C berukuran α, kita menginginkan daerah kritis dengan pelu-
982 ang salah jenis II yang minimum atau daerah kritis dengan peluang dari
983 komplemen salah jenis II maksimum. Komplemen salah jenis II ialah meno-
984 lak H0 ketika H1 benar, di mana hal tersebut adalah putusan yang benar.
985 Dengan demikian, untuk θ ∈ ω1 , kita ingin memaksimumkan
1 − Pθ [Salah jenis II] = Pθ [(X1 , X2 , . . . , Xn ) ∈ C] . (6.1)
Peluang pada ruas kanan persamaan 6.1 disebut sebagai kuasa dari uji pada
θ. Jadi, meminimumkan peluang salah jenis II sama dengan memaksimumkan
kuasa. Selanjutnya, definisikan fungsi kuasa dari daerah kritis C sebagai
γC (θ) = Pθ [(X1 , X2 , . . . , Xn ) ∈ C] ; θ ∈ Ω.
986 Untuk H0 sederhana lawan H1 sederhana, yaitu
H0 : θ = θ0
H1 : θ = θ00
987 fungsi kuasanya ialah γC (θ0 ) = α dan γC (θ00 ) = 1 − β. Misalkan terdapat
988 dua daerah kritis C1 dan C2 yang berukuran α. C1 dikatakan lebih baik dari
989 C2 jika γC1 (θ) ≥ γC2 (θ) untuk setiap θ ∈ ω1 .
107
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.
Jawab. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dari sebaran N (µ, σ 2 ) .

Misalkan X̄ dan S 2 adalah nilai harapan dan ragam sampel. Secara intu-
isi, aturan penolakan H0 ialah jika X̄ > µ0 . Kemudian, kita dapat menge-
tahui sebaran
dari statistik X̄. Berdasarkan hipotesis H0 , statistik T =
√
X̄ − µ0 / (S/ n) memiliki sebaran t-Student dengan derajat bebas (n − 1) .
Dengan menggunakan sebaran T , daerah penolakan berukuran α ialah
√
T = X̄ − µ0 / S/ n ≥ tα (n − 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.
Jika daerah kritis didefinisikan sebagai 10

P
i=1 Xi ≥ 4, maka taraf nyatanya
ialah
α = P (Y ≥ 4) = 1 − P (Y ≤ 3) = 1 − 0.981 = 0.019.
6.1 Uji Paling Kuasa 108
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
999 Berdasarkan aturan penolakan tersebut, diperoleh taraf nyata sebesar

PH0 (Y ≥ 4) + PH0 ({Y = 3} ∩ {W = 1}) = PH0 (Y ≥ 4) + PH0 (Y = 3) P (W = 1)
31
= 0.019 + 0.061 ×
61
= 0.05.
1000 Proses melakukan percobaan tambahan untuk memutuskan apakah akan meno-
1001 lak H0 atau tidak ketika Y = 3 disebut sebagai uji acak (randomized test) .
1002 6.1 Uji Paling Kuasa

1003 Misalkan f (x; θ) adalah fungsi kepekatan atau fungsi massa peluang dari
1004 suatu peubah acak X di mana θ ∈ Ω = {θ0 , θ00 } . Misalkan pula ω0 = {θ0 }
1005 dan ω1 = {θ00 } , serta X0 = (X1 , X2 , . . . , Xn ) adalah sampel acak dari se-
1006 baran peubah acak X. Selanjutnya, definisikan daerah kritis terbaik untuk
1007 uji hipotesis sederhana antara hipotesis nul H0 dan hipotesis alternatif H1 .
Definisi 6.1 Misalkan C adalah himpunan bagian dari ruang sampel. C

disebut sebagai daerah kritis terbaik berukuran α untuk uji hipotesis sederhana
H0 : θ = θ0 dan H1 : θ = θ00 jika Pθ0 [X ∈ C] = α dan untuk setiap himpunan
bagian A dari ruang sampel,
Pθ0 [X ∈ A] = α ⇒ Pθ00 [X ∈ C] ≥ Pθ00 [X ∈ A] .
Teorema 6.1 (N eyman − P earson) Misalkan X1 , X2 , . . . , Xn adalah sam-

pel acak dari sebaran yang memiliki fungsi massa atau kepekatan peluang
f (x; θ) , maka fungsi kemungkinan dari X1 , X2 , . . . , Xn ialah
n
Y
L (θ; x) = f (xi ; θ) , untuk x0 = (x1 , x2 , . . . , xn ) .
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 .
Bukti. Misalkan X adalah peubah acak kontinu. Jika C adalah satu-

satunya daerah kritis berukuran
R Rα, maka teorema tersebut terbukti. Untuk
penyederhanaan, misalkan · · · L (θ; x1 , x2 , . . . , xn ) dx1 dx2 . . . dxn menjadi
R R
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
Kemudian yang ingin dibuktikan ialah

Z Z
00
L (θ ) − L (θ00 ) ≥ 0.
C A
1014 Karena C adalah gabungan dari himpunan saling lepas C ∩ A dan C ∩ Ac ,

1015 maka
Z Z
00
L (θ ) − L (θ00 )
ZC AZ Z Z
00 00 00
= L (θ ) + L (θ ) − L (θ ) − L (θ00 )
c c
ZC∩A ZC∩A A∩C A∩C
= L (θ00 ) − L (θ00 ) . (6.2)

C∩Ac A∩C c
Berdasarkan hipotesis pada teorema tersebut, L (θ00 ) ≥ (1/k) L (θ0 ) untuk

setiap x ∈ C, juga untuk setiap x ∈ C ∩ Ac , sehingga
Z Z
00 1
L (θ ) ≥ L (θ0 )
C∩A c k C∩A c
dan L (θ00 ) ≤ (1/k) L (θ0 ) untuk setiap x ∈ C c , juga untuk setiap x ∈ A ∩ C c ,

sehingga Z Z
00 1
L (θ ) ≤ L (θ0 ) .
A∩C c k A∩C c
1016 Berdasarkan pertaksamaan tersebut diperoleh

Z Z Z Z
00 00 1 0 1
L (θ ) − L (θ ) ≥ L (θ ) − L (θ0 ) ; (6.3)
C∩Ac A∩C c k C∩Ac k A∩C c
dan dari persamaan 6.2 diperoleh

Z Z Z Z
00 00 1 0 0
L (θ ) − L (θ ) ≥ L (θ ) − L (θ ) .
C A k C∩Ac A∩C c

Z Z
00
L (θ ) − L (θ00 )
c c
ZC∩A Z A∩C Z Z
00 00 00
= L (θ ) + L (θ ) − L (θ ) − L (θ00 )
c c
ZC∩A Z C∩A A∩C 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 ) .
Contoh 6.3 Misalkan X0 = (X1 , X2 , . . . , Xn ) adalah sampel acak dari se-

baran yang memiliki fungsi kepekatan peluang
!
1 (x − θ)2
f (x; θ) = √ exp − , − ∞ < x < ∞.
2π 2
1025 Tentukan daerah kritis terbaik C berukuran α untuk hipotesis sederhana berikut
H0 : θ = θ0 = 0
H1 : θ = θ00 = 1.
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
Jika k > 0, maka himpunan dari semua titik (x1 , x2 , . . . , xn ) sedemikian

sehingga Pn n

exp
Pn − i=1 x i + 2
≤k
n
⇔ − Pn i=1 xi +n 2 ≤ log k
⇔ i=1 xi ≥ 2 − log k = c
adalah daerah kritis terbaik, yaitu C = {(x1 , x2 , . . . , xn ) : ni=1 xi ≥ c} , di

P
mana c adalah suatu konstanta yang dapat ditentukanPn sedemikian sehingga
daerah kritis tersebut berukuran α. Kejadian i=1 Xi ≥ c ekuivalen den-
gan kejadian X̄ ≥ c/n = c1 . Sebagai contoh, misalkan uji hipotesis tersebut
berdasarkan statistik X̄. Jika H0 benar, θ = θ0 = 0, maka X̄ ∼ N (0, 1/n) .
Berdasarkan ukuran contoh n dan taraf nyata α, konstanta c1 dapat diten-
tukan dengan melihat tabel sebaran normal sedemikian sehingga

PH0 X̄ ≥ c1 = α.
Dengan demikian, jika nilai dari X1 , X2 , . . . , Xn berturut-turut adalah x1 , x2 , . . . , xn ,

maka x̄ = ni=1 xi /n. Jika x̄ ≥ c1 , maka hipotesis H0 ditolak pada taraf ny-
P
ata α; jika x̄ ≤ c1 , maka hipotesis H0 tidak ditolak. Peluang menolak H0
padahal H0 benar ialah α; peluang menolak H0 ketika H0 salah adalah nilai
dari kuasa uji hipotesis pada θ = θ00 = 1, yaitu
!
(x̄ − 1)2
Z ∞
1
PH1 X̄ ≥ c1 = √ p exp − dx̄.
c1 2π 1/n 2 (1/n)
1027 Misalkan n √= 25 dan α = 0.05, maka berdasarkan tabel sebaran normal

1028 c1 = 1.645/ 25 = 0.329 dan kuasa dari uji terbaik H0 lawan H1 ialah 0.05
1029 ketika H0 benar dan
!
(x̄ − 1)2
Z ∞ Z ∞
1 1 2
√ p exp − dx̄ = √ e−w /2 dw
0.329 2π 1/25 2 (1/25) −3.355 2π
= P (Z ≥ −3.355)
= 0.9996
1030 ketika H1 benar. z
1031 6.2 Uji Selalu Paling Kuasa

1032 Uji selalu paling kuasa atau uniformly most powerful test ini digunakan un-
1033 tuk menguji hipotesis nul sederhana dengan hipotesis alternatif majemuk.
1034 Berikut merupakan contoh dari pengujian tersebut.
6.2 Uji Selalu Paling Kuasa 112
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
1055 6.3 Uji Rasio Kemungkinan

Misalkan peubah acak X memiliki fungsi kepekatan atau massa peluang
f (x; θ) , di mana θ adalah vektor dari parameter pada Ω. Misalkan ω ⊂ Ω
dan
H0 : θ ∈ ω lawan H1 : θ ∈ Ω ∩ ω c .
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
1057 Contoh 6.6 Misalkan X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran

1058 N (θ1 , θ2 ) di mana θ1 adalah nilai tengah dan θ2 adalah ragam yang tidak
1059 diketahui, sehingga Ω = {(θ1 , θ2 ) ∈ R × R+ } . Hipotesis yang diuji ialah
H0 : θ1 = 0, θ2 > 0
H1 : θ1 6= 0, θ2 > 0,
1060 sehingga ω = {θ1 = 0, θ2 ∈ R+ } . Tentukan statistik dan sebaran yang terkait
1061 hipotesis tersebut, serta berikan daerah kritis pada taraf nyata α.
Jawab. Dalam hal ini sampel acak X1 , X2 , . . . , Xn saling bebas, sehingga

fungsi kemungkinannya ialah

−n/2 1 n 2
L (Ω) = (2πθ2 ) exp − Σ (xi − θ1 )
2θ2 i=1
dan
−n/2 1 n 2
L (ω) = (2πθ2 ) exp − Σ x .
2θ2 i=1 i
1062 Jika ∂ ln L (ω) /∂θ2 = 0 , maka
−n 1
+ = 0
2θ2 θ2
Σni=1 x2i
θ2 = ,
n
di mana θ2 memaksimumkan L (ω) . Jadi, penduga kemungkinan maksimum
bagi θ2 ialah
Σn X 2
θ̂2 = i=1 i .
n
1063 Jika ∂ ln L (Ω) /∂θ1 dan ∂ ln L (Ω) /∂θ2 dibuat sama dengan nol, maka pen-
1064 duga kemungkinan maksimum bagi θ1 dan θ2 ialah
θ̂1 = X̄
2
Σni=1 Xi − X̄
θ̂2 = .
n

" #−n/2
Σni=1 (xi − x̄)2
L Ω̂ = 2π × e−n/2 ,
n
−n/2
Σni=1 x2i

L (ω̂) = 2π × e−n/2 ,
n
sehingga
" #n/2
L (ω̂) Σni=1 (xi − x̄)2
Λ (x) = = .
L Ω̂ Σni=1 x2i
Karena Σni=1 (xi − x̄)2 = Σni=1 x2i − nx̄2 , maka

" #n/2
Σni=1 (xi − x̄)2
Λ (x) = ≤ λ0
Σni=1 (xi − x̄)2 + nx̄2
1 2/n
⇔ 2 ≤ λ0
nx̄
1+ n
Σi=1 (xi − x̄)2
nx̄2 −2/n
⇔ 1+ n 2 ≥ λ0
Σi=1 (xi − x̄)
nx̄2 −2/n
⇔ n 2 ≥ λ0 − 1 = λ∗0
Σi=1 (xi − x̄)
nx̄2 /θ2
⇔ ≥ λ∗0 (n − 1)
Σni=1 (xi − x̄)2 /θ ×
√2 n−1
1
√
n |x̄| / θ2 p
⇔ q ≥ λ∗0 (n − 1) = λ∗∗
0 .
Σni=1 (xi − x̄)2 /θ2 × n−11
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)
dan bila H0 benar,

√
nX̄
T =q 2 ∼ t − Student (n − 1) .
Σni=1 Xi − X̄ / (n − 1)
1066 Dengan demikian, daerah kritis C ialah

√
 
 n |x̄| 
C = x; q ≥ tα/2 (n − 1)
Σni=1 (xi − x̄)2 / (n − 1)
 

S
= x; |x̄| ≥ √ tα/2 (n − 1) .
n
1067 z
1068 Contoh 6.7 Misalkan X ∼ N (θ1 , θ3 ) dan Y ∼ N (θ2 , θ3 ) , di mana θ1 , θ2

1069 adalah nilai tengah dari X dan Y, serta θ3 adalah ragam yang tidak diketahui,
1070 sehingga Ω = {(θ1 , θ2 , θ3 ) : θ1 , θ2 ∈ R, θ3 ∈ R+ } . Misalkan X1 , X2 , . . . , Xn dan
1071 Y1 , Y2 , . . . , Ym merupakan sampel acak dari sebaran tersebut. Hipotesis yang
1072 diuji ialah
H0 : θ1 = θ2 , θ3 > 0
H1 : θ1 6= θ2 , θ3 > 0,
1073 sehingga ω = {(θ1 , θ2 , θ3 ) : θ1 = θ2 ∈ R, θ3 ∈ R+ }. Tentukan statistik dan se-

1074 baran yang terkait hipotesis tersebut, serta berikan daerah kritis pada taraf
1075 nyata α.
Jawab. Dalam hal ini X1 , X2 , . . . , Xn , Y1 , Y2 , . . . , Ym adalah n + m > 2

sampel acak saling bebas, sehingga fungsi kemungkinannya ialah

−(n+m)/2 1 n 2 m 2
L (Ω) = (2πθ3 ) exp − Σi=1 (xi − θ1 ) + Σi=1 (yi − θ2 )
2θ3
dan

−(n+m)/2 1 n 2 m 2
L (ω) = (2πθ3 ) exp − Σi=1 (xi − θ1 ) + Σi=1 (yi − θ1 ) .
2θ3
1076 Jika ∂ ln L (ω) /∂θ1 dan ∂ ln L (ω) /∂θ3 dibuat sama dengan nol, maka
Σni=1 (xi − θ1 ) + Σmi=1 (yi − θ1 ) = 0

1
Σni=1 (xi − θ1 )2 + Σm 2

i=1 (yi − θ1 ) = n + m.
θ3
1077 Solusi dari persamaan di atas untuk θ1 dan θ3 berturut-turut ialah
θ1ω = (n + m)−1 {Σni=1 xi + Σm

i=1 yi }
−1 n
θ3ω = (n + m) Σi=1 (xi − θ1ω )2 + Σm
i=1 (yi − θ1ω )
2
,
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 )
1078 di mana θ1 , θ2 dan θ3 memaksimumkan L (Ω) . Dengan demikian,

−1 (n+m)/2
e
L Ω̂ =
2πθ3
−1 (n+m)/2
e
L (ω̂) = ,
2πθ3ω
1079 sehingga
(n+m)/2
L (ω̂) θ3
Λ (x) = =
L Ω̂ θ3ω
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)
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
Jika hipotesis H0 : θ1 = θ2 benar, maka peubah acak

r ( " n m
#)−1/2
nm X 2
X 2
(n + m − 2)−1

T = X̄ − Ȳ Xi − X̄ + Yi − Ȳ
n+m i=1 i=1
memiliki sebaran t−Student dengan derajat bebas n+m−2. Dengan demikian,

peubah acak Λ2/(n+m) (X) dapat dituliskan menjadi
n+m−2
,
(n + m − 2) + T 2

1083 sehingga daerah kritis C ialah C = |t| ≥ tα/2 (n + m − 2) , di mana t
1084 adalah nilai amatan dari peubah acak T. z
Definisi 6.3 Misalkan peubah acak Z ∼ N (δ, 1) dan peubah acak U ∼

χ2 (r) , serta dua peubah acak tersebut saling bebas, maka peubah acak
Z
T =p
U/r
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.
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
1097 Kedua peubah acak tersebut saling bebas dan

p
Z2 ∼ N nm/ (n + m) (θ1 − θ2 ) /σ, 1
U2 ∼ χ2 (n + m − 2) .
Dengan demikian, jika θ1 6= θ2 , maka T memiliki sebaran t takterpusat den-

gan derajat bebas n + m − 2 dan parameter takterpusatnya
p
δ2 = nm/ (n + m) (θ1 − θ2 ) /σ.
6.4 Uji Rasio Peluang Bersekuens 120
Misalkan suatu statistik −2 ln Λ (X) dengan

L (ω̂)
Λ (x) = .
L Ω̂
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,
1103 dengan G adalah fungsi sebaran dari sebaran χ2 (r − m) .
1104 6.4 Uji Rasio Peluang Bersekuens

Pada Teorema 6.1 diberikan suatu metode untuk menentukan daerah kritis
terbaik untuk pengujian hipotesis sederhana lawan hipotesis alternatif seder-
hana. Misalkan X1 , X2 , . . . , Xn adalah sampel acak dengan ukuran contoh n
yang tetap, yang berasal dari sebaran dengan fungsi massa atau kepekatan
peluang f (x; θ) , di mana θ = {θ : θ = θ0 , θ00 } dan θ0 , θ00 diketahui nilainya.
Fungsi kemungkinan dari X1 , X2 , . . . , Xn ialah
L (θ; n) = f (x1 ; θ) f (x2 ; θ) · · · f (xn ; θ) .
Jika H0 : θ = θ0 ditolak dan H1 : θ = θ00 diterima ketika

L (θ0 ; n)
≤ k,
L (θ00 ; n)
1105 di mana k > 0, maka berdasarkan Teorema 6.1, hal tersebut merupakan uji
1106 terbaik dari H0 lawan H1 .
Selanjutnya, misalkan ukuran sampel n merupakan suatu peubah acak.
Misalkan N adalah peubah acak yang menyatakan ukuran sampel dengan
ruang sampel {1, 2, 3, ...} . Prosedur untuk pengujian hipotesis sederhana H0 :

θ = θ0 lawan H1 : θ = θ00 ialah sebagai berikut: misalkan k0 dan k1 merupakan
konstanta positif dengan k0 < k1 . Amati nilai dari X1 , X2 , . . . , Xn pada suatu
sekuens, sebagai contoh x1 , x2 , x3 . . . dan hitung
L (θ0 ; 1) L (θ0 ; 2) L (θ0 ; 3)
, , ,··· .
L (θ00 ; 1) L (θ00 ; 2) L (θ00 ; 3)
Hipotesis H0 ditolak jika dan hanya jika terdapat bilangan bulat positif n
sedemikian sehingga xn = (x1 , x2 , . . . , xn ) merupakan anggota dari himpunan
L (θ0 ; j) L (θ0 ; n)

Cn = xn : k0 < < k1 , j = 1, 2, ..., n − 1 dan ≤ k0 .
L (θ00 ; j) L (θ00 ; n)
Di samping itu, hipotesis H0 diterima jika dan hanya jika terdapat bilangan
bulat positif n sedemikian sehingga xn = (x1 , x2 , . . . , xn ) merupakan anggota
dari himpunan
L (θ0 ; j) L (θ0 ; n)

An = xn : k0 < < k1 , j = 1, 2, ..., n − 1 dan ≥ k1 ,
L (θ00 ; j) L (θ00 ; n)
1107 Dengan kata lain, pengamatan contoh dilanjutkan selama
L (θ0 ; n)
k0 < < k1 (6.5)
L (θ00 ; n)
1108 dan berhenti jika:
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)
Pengujian hipotesis tersebut disebut uji rasio peluang bersekuens Wald

(Wald’s sequential probability ratio test). Seringkali, pertaksamaan 6.5 dit-
uliskan menjadi
c0 (n) < u (x1 , x2 , . . . , xn ) < c1 (n)
di mana u (X1 , X2 , . . . , Xn ) adalah suatu statistik dan c0 (n) , c1 (n) adalah
konstanta yang bergantung terhadap k0 , k1 , θ0 , θ00 , dan n, sehingga penga-
matan dihentikan serta putusan ditentukan ketika
u (x1 , x2 , . . . , xn ) ≤ c0 (n) atau u (x1 , x2 , . . . , xn ) ≥ c1 (n) .
Contoh 6.8 Misalkan X memiliki fungsi massa peluang
f (x; θ) = θx (1 − θ)1−x I (x = 0, 1) .
1109 Tentukan daerah kritis bagi hipotesis

1
H0 : θ =
3
2
H1 : θ=
3
1110 dengan menggunakan uji rasio peluang bersekuens Wald.
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

dan L 13 ; n /L 32 ; n ≥ k1 jika dan hanya jika c0 (n) ≥ Σni=1 xi . Dengan

demikian, pengamatan contoh dilanjutkan selama
c0 (n) < Σni=1 xi < c1 (n) .
1111 Daerah penolakan H0 : θ = 13 ialah Σni=1 xi ≥ c1 (n) dan daerah penerimaan

1112 H0 : θ = 31 ialah Σni=1 xi ≤ c0 (n) . z
Pada subbab ini, kuasa dari uji ketika H0 benar dinotasikan α dan kuasa
dari uji ketika H1 benar dinotasikan 1 − β. Dengan demikian, α adalah pelu-
ang terjadinya kesalahan jenis I (penolakan H0 padahal H0 benar) dan β
adalah peluang terjadinya kesalahan jenis II (penerimaan H0 padahal H0
salah), sehingga (dalam kasus kontinu)
∞ Z
X ∞ Z
X
0
α= L (θ ; n) , (1 − β) = L (θ00 ; n) .
n=1 Cn n=1 Cn
Karena peluang bernilai satu ketika prosedur berakhir, maka

X∞ Z ∞ Z
X
0
1−α= L (θ ; n) , β = L (θ00 ; n) .
n=1 An n=1 An
Jika (x1 , x2 , . . . , xn ) ∈ Cn , maka L (θ0 ; n) ≤ k0 L (θ00 ; n) , sehingga jelas bahwa

X∞ Z ∞ Z
X
0
α= L (θ ; n) ≤ k0 L (θ00 ; n) = k0 (1 − β) .
n=1 Cn n=1 Cn
Karena L (θ0 ; n) ≥ k1 L (θ00 ; n) pada setiap titik dari himpunan An , maka

X ∞ Z ∞ Z
X
0
1−α= L (θ ; n) ≥ k1 L (θ00 ; n) = k1 β.
n=1 An n=1 An
1113 Oleh karena itu,

α 1−α
≤ k0 , k1 ≤ (6.6)
1−β β
1114 asalkan β tidak bernilai 0 atau 1.
Misalkan α0 dan β0 adalah nilai yang ditetapkan sebelumnya. Jika kita
mengambil
α0 1 − α0
k0 = dan k1 = ,
1 − β0 β0
maka pertaksamaan 6.6 menjadi
α α0 1 − α0 1−α
≤ , ≤
1−β 1 − β0 β0 β
1115 atau ekuivalen dengan
α (1 − β0 ) ≤ α0 (1 − β) , β (1 − α0 ) ≤ β0 (1 − α) . (6.7)
Apabila kedua pertaksamaan 6.7 dijumlahkan, maka diperoleh
α + β ≤ α 0 + β0 .
Dengan demikian, diperoleh batas atas dari α dan β ialah

α0 β0
α≤ ,β≤ ,
1 − β0 1 − α0
1116 serta secara empiris
α ≈ α0 ,
β ≈ β0 .
1117 Pada Contoh 6.8, bila α = 0.01 dan β = 0.05, maka

0.01 1
k0 = =
1 − 0.05 95
1 − 0.01 99
k1 = = ,
0.05 5
sehingga tolak H0 bila
n 1 1
Σni=1 xi ≥ − log2 = c1 (n)
2 2 95
dan terima H1 bila
n 1 99
Σni=1 xi ≤ − log2 = c0 (n) .
2 2 5
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
1125 dengan α = β = 0.01.

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
1129 Sebagai pembanding, gunakan uji terbaiknya.

α = P X̄ > k | H0
 
X̄ k
0.01 = P  q > q 
1 1
n n
 
k
0.01 = P Z > q 
1
n
0.01 = P (Z > 2.325) ,

1130 sehingga
k
q = 2.325
1
n
1
2
q = 2.325
1
n
n = 22.
1131
1132 z
1133 6.5 Latihan

1134 1. Misalkan X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran N (θ, 25).
6.5 Latihan 127
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.
2. Misalkan X1 , X2 , . . . , X10 merupakan sampel acak dari sebaran N (0, θ)

untuk pengujian
H0 : θ = 5 lawan H1 : θ > 5.
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.
3. Misalkan X1 , X2 , . . . , Xn merupakan sampel acak dari sebaran N (5, θ),

θ > 0, untuk pengujian
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.
4. Berikut fungsi massa peluang peubah acak Z dengan 0 < θ < 1:
Amatan (z) f (z; θ0 ) f (z; θ) f (z; θ0 ) / sup f (z; θ)

z1 1/12 θ/3 ···
z2 1/12 (1/3) (1 − θ) ···
z3 1/6 1/2 ···
z4 2/3 1/6 ···
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
1161 1. Terdapat 7 karyawan di departemen Aktuaria dan 6 karyawan di de-

1162 partemen Market Management. Akan dibentuk suatu tim khusus untuk
1163 melakukan analisa terhadap suatu produk asuransi yang akan dilun-
1164 curkan. Hitunglah banyaknya cara untuk membentuk tim khusus de-
1165 ngan memilih 3 karyawan dari departemen Aktuaria dan 2 karyawan
1166 dari departemen Market Management.
1167 Jawab:
Banyaknya cara untuk membentuk tim khusus dengan memilih 3 karyawan

dari departemen Aktuaria dan 2 karyawan dari departemen Market
Management adalah

7 6
× = 35 × 15 = 525.
3 2
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
1176 3. Di sebuah perusahaan asuransi terdapat 3 sub bagian di bagian product

1177 development yang akan diisi oleh 7 karyawan baru yang telah memenuhi
1178 seleksi. Sub bagian pertama tersedia 2 posisi, sub bagian kedua tersedia
1179 2 posisi, dan sub bagian ketiga tersedia 3 posisi. Hitunglah banyaknya
1180 cara yang mungkin untuk menempatkan karyawan tersebut ke dalam
1181 posisi yang tersedia.
1182 Jawab:
Banyaknya cara yang mungkin untuk menempatkan karyawan tersebut

ke dalam posisi yang tersedia adalah

7 7!
= = 210.
2 2 3 2!2!3!
6.5 Latihan 134
1183 4. Misalkan N adalah jumlah klaim per bulan, dengan

1
Pr(N = n) =
(n + 1)(n + 2)
1184 dimana 0 ≤ n. Tentukanlah probabilitas dari sedikitnya satu klaim

1185 selama bulan tertentu, diberikan paling banyak empat klaim selama
1186 bulan tersebut.
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
1189 5. Misalkan kejadian A dan B saling bebas dengan Pr(A ∩ B c ) = 0, 2 dan

1190 Pr(Ac ∩ B) = 0, 3.
1191 Hitunglah Pr(A ∪ B) .
1192 Jawab:
1193 Karena kejadian A dan B saling bebas maka diperoleh
Pr(A ∩ B) = Pr(A) · Pr(B)

Pr(A ∩ B) = (Pr(A ∩ B c ) + Pr(A ∩ B))(Pr(Ac ∩ B) + Pr(A ∩ B))
x = (0, 2 + x)(0, 3 + x)
x = 0, 06 + 0, 5x + x2
0 = x2 − 0, 5x + 0, 06.
1194 Nilai Pr(A ∩ B) = x yang memenuhi persamaan di atas adalah 0, 2

1195 atau 0, 3. Karena Pr(A ∪ B) = Pr(A ∩ B c ) + Pr(Ac ∩ B) + Pr(A ∩ B)
1196 maka nilai Pr(A ∪ B) yang mungkin adalah 0,7 atau 0,8.
6.5 Latihan 136
1197 6. Sebuah perusahaan asuransi menentukan bahwa N, jumlah klaim yang

1
1198 diterima dalam satu minggu, memenuhi Pr[N = n] = 2n+1 , dimana
1199 n ≥ 0. Perusahaan juga menentukan bahwa jumlah klaim yang dite-
1200 rima dalam satu minggu adalah saling bebas dari jumlah klaim yang
1201 diterima dalam minggu yang lain. Tentukanlah probabilitas bahwa
1202 tepatnya tujuh klaim akan diterima selama periode dua minggu.
1203 Jawab:
Probabilitas bahwa tepatnya tujuh klaim akan diterima selama periode

dua minggu adalah
2(Pr(N = 0) Pr(N = 7) + Pr(N = 1) Pr(N = 6) + Pr(N = 2) Pr(N = 5)

+ Pr(N = 3) Pr(N = 4))
= 2( 211 218 + 212 217 + 213 216 + 214 215 )
= 2 × 4 × 219
1
= 64 .
6.5 Latihan 137
7. Sebuah polis asuransi memberikan manfaat individu sebesar 100 per

hari untuk biaya perawatan sampai 3 hari dan 25 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
1204 Hitunglah nilai variansi pembayaran biaya perawatan dari polis asuransi
1205 tersebut.
1206 Jawab:
Misal B merupakan variabel acak yang menyatakan biaya perawatan,

maka diperoleh:

100x ; x = 1, 2, 3
B(x) =
25x ; x = 4, 5
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
1207 8. Misalkan X adalah variabel acak diskrit dengan distribusi probabilitas

1208 sebagai berikut:
x 2 4 6 7 12
1209
Pr(X = x) 3/7 1/7 1/7 1/7 1/7
1210 Hitunglah nilai persentil ke-60 dari X.
1211 Jawab:
1212 Karena 60 = 100i 8

sehingga i = 4, 8. Berdasarkan data di atas, de-
1213 ngan mengasumsikan bahwa data di atas sebanyak 7 data, kita ketahui
1214 bahwa data ke-empat,x4 = 4, dan data ke-lima, x5 = 6. Oleh karena
1215 itu persentil ke-60 dari data di atas adalah 80% dari 4 ke 6 atau
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:
Rata-rata ukuran klaim

= 20 · 0, 15 + 30 · 0, 10 + 40 · 0, 05 + 50 · 0, 20 + 60 · 0, 10 + 70 · 0, 10 + 80 · 0, 30
= 3 + 3 + 2 + 10 + 6 + 7 + 24
= 55
Rata-rata ukuran klaim kuadrat

= 202 · 0, 15 + 302 · 0, 10 + 402 · 0, 05 + 502 · 0, 20 + 602 · 0, 10 + 702 · 0, 10 + 802 · 0, 30
= 60 + 90 + 80 + 500 + 360 + 490 + 1920
= 3500
√ √
1222 Standar deviasi ukuran klaim = 3500 − 3025 = 475 = 21, 8 Jadi
1223 persentase dari klaim yang terletak dalam nilai satu standar deviasi
1224 dari rata-rata ukuran klaim (ukuran klaim yang terletak pada interval
1225 [55-21,8;22+21,8]=[33,2;76,8]) adalah 45%.
6.5 Latihan 140
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:
1231 Karena X mempunyai distribusi uniform diskrit pada 1, 2, 3, 4, 5,

1232 maka
1
Pr[X = k] = untuk k = 1, 2, 3, 4, 5
5
Pr[W ≥ 55] = 1 − Pr[W < 55]
= 1 − Pr[W = 50]
= 1 − Pr[5X + 45 = 50]
= 1 − Pr[X = 1]
= 1 − 15
= 45 .
6.5 Latihan 141
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:
Karena X adalah variabel acak yang mempunyai distribusi binomial

dengan n = 10 maka E[X] = 10p dan V ar[X] = 10p(1 − p) dengan p
merupakan peluang sukses.
Karena V ar[X] = 0, 25E[X] maka diperoleh 10p(1 − p) = 0, 25 · 10p.
Nilai p yang memenuhi adalah p = 0, 75.
Jadi
10
Pr[X = 7] = (0, 75)7 (0, 25)3 = 0, 25.
7
6.5 Latihan 142
1237 12. Misalkan Z ∼ P oisson(λ) dan E[Z 2 ] = 12.

1238 Hitunglah Pr(Z = 1).
1239 Jawab:
Pertama akan ditentukan parameter λ.

Karena Z ∼ P oisson(λ) maka E[Z] = V ar[Z] = λ.
Karena V ar[Z] = E[Z 2 ] − E[Z]2 maka diperoleh λ2 + λ − 12 = 0 atau
λ = 3.
Jadi,
31 e−3
Pr[Z = 1] = = 0, 149.
1!
6.5 Latihan 143
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
14. Misalkan X adalah variabel acak yang mempunyai fungsi distribusi

kumulatif 
 0 ,x < 1
x2 −2x+2
F (x) = 2
,1 ≤ x < 2
1 ,x ≥ 2

1248 Hitunglah variansi dari X.
1249 Jawab:
1250 Berdasarkan fungsi distribusi kumulatif di atas, maka diperoleh fkp

f (x) = x − 1, 1 ≤ x < 2
1252
Z 2
E[X] = x(x − 1)dx
1
Z 2
= (x2 − x)dx
1
2
1 3 1 2
= x − x
3 2 1
7 3
= −
3 2
5
=
1253
6
Z 2
2
E[X ] = x2 (x − 1)dx
Z1 2
= (x3 − x2 )dx
1
2
1 4 1 3
= x − x
4 3 1
15 7
= −
4 3
17
=
1254
12
V ar[X] = E[X 2 ] − (E[X])2
17 25
= −
12 36
13
= .
18
6.5 Latihan 145
15. Misalkan X1 , X2 , X3 adalah sampel acak dari distribusi diskrit dengan

fungsi probabilitas  1
 3 ,x = 0
2
p(x) = ,x = 1
 3
0 , lainnya
1255 Tentukanlah fungsi pembangkit momen, MY (t) , dari perkalian Y =
1256 X1 · X2 · X3 .
1257 Jawab:
X1 X2 X3 etY p(y) etY p(y)

1 1
0 0 0 1 27 27
2 2
0 0 1 1 27 27
2 2
0 1 0 1 27 27
4 4
1258 0 1 1 1 27 27
2 2
1 0 0 1 27 27
4 4
1 0 1 1 27 27
4 4
1 1 0 1 27 27
8 8
1 1 1 et 27
et 27
1259 Jadi diperoleh

19 8
E[etY ] = Σety p(y) = + et .
27 27
6.5 Latihan 146
1260 16. Pemilik kendaraan mengasuransikan kendaraannya dari kerusakan de-

1261 ngan membeli sebuah polis asuransi dengan pemotongan 250 dari to-
1262 tal klaim yang dibayar. Dalam kejadian bahwa kendaraan mengalami
1263 kerusakan, biaya perbaikan dapat dimodelkan dengan variabel acak
1264 uniform pada interval [0,1500]. Hitunglah standar deviasi dari manfaat
1265 polis asuransi untuk kejadian bahwa kendaraan tersebut mengalami
1266 kerusakan.
1267 Jawab:
Misal X adalah variabel acak yang menyatakan biaya perbaikan, X ∼

1
unif orm[0, 1500] sehingga f (x) = 1500 , x ∈ [0, 1500].
R 1500 1
E[X] = 0 1500
xdx
1 2 1500
= 3000 x |0
1
= 3000 15002
= 750.
R 1500 1 2
E[X 2 ] = 0 1500
x dx
1 3 1500
= 4500 x |0
1
= 4500 15003
= 750000.
p
σ(X) = √ E[X 2 ] − (E[X])2
= 750000 − 7502
= 433.
6.5 Latihan 147
1268 17. Misalkan X adalah variabel acak yang berdistribusi eksponensial de-
1269 ngan variansi 9. Hitunglah E(X 4 ).
1270 Jawab:
1271 Karena X merupakan peubah acak yang berdistribusi eksponensial de-

1272 ngan variansi 9 maka diperoleh parameter λ sebagai berikut
1
V ar[X] = =9
λ2
1
1273 sehingga diperoleh λ = 3
dan fkp peubah acak X:
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.
1282 (i) E(S) = µX

2
1283 (ii) V ar(S) = n · σX
1284 (iii) E(X) = n · µX
2
σX
1285 (iv) V ar(X̄) = n
1286 Jawab:
1287 Pernyataan yang benar adalah (ii) dan (iv).

6.5 Latihan 149
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
1294 E(Z) = 14 (0 + 1 + 2 + 3) = 3/2

1295 E(Z 2 ) = 14 (0 + 1 + 4 + 9) = 7/2
7
1296 V ar(X + Y ) = V ar(Z) = E(Z 2 ) − (E(Z))2 = 2
− ( 32 )2 = 5
4
= 1, 25.
6.5 Latihan 150
1297 20. Dari soal nomor 19, hitunglah E(Y |X = 1).
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
21. Misalkan N1 dan N2 mewakili banyaknya klaim yang diajukan ke se-

buah perusahaan asuransi di bulan April dan Mei. Fungsi probabilitas
bersama dari N1 dan N2 adalah
1 1 n −1 −n
( ) 1 e 1 (1 − e−n1 )n2 −1 , n1 = 1, 2, 3, ... n2 = 1, 2, 3, ...
3 4
p(n1 , n2 ) =
0 , lainnya
1300 Hitunglah nilai ekspektasi banyaknya klaim yang akan diajukan ke pe-
1301 rusahaan asuransi di bulan Mei jika tepatnya 2 klaim diajukan di bulan
1302 April.
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:
Karena X ∼ exp(λ = 1) maka diperoleh fX (x) = e−x .

Karena Y = 10 · X 0,8 adalah fungsi naik, maka
f (y) = fY (y) = fX (x) dx

dy
= e−x dx
dy
1,25
= e−(0,1y) (0, 125(0, 1y)0,25 )
= 0, 125(0, 1y)0,25 exp(−(0, 1y)1,25 ).
6.5 Latihan 153
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:
Karena X ∼ unif orm[2, 6] maka diperoleh fX (x) = 14 , x ∈ [2, 6].

Karena Y = X1 adalah fungsi turun maka
f (y) = fY (y) = −fX (x) dx dy

= − 14 dx
dy
= − 14 (− y12 )
= 4y12 .
6.5 Latihan 154
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:

1324
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
(−43, 2 − 12, 7; −43, 2 + 12, 7) = (−55, 9; −30, 5).

6.5 Latihan 157
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
1341 28. Diberikan informasi sampel acak sebagai berikut:
1342 - Y = X1 + ... + Xn dimana ukuran sampel n sama dengan 25 dan

1343 variabel acak saling bebas dan berdistribusi identik.
1344 - Xi berdistribusi Poisson dengan parameter λ
1345 - H0 : λ = 0, 1
1346 - H0 : λ < 0, 1
1347 - Daerah kritis untuk menolak H0 adalah Y ≤ 2
1348 Hitunglah tingkat signifikansi dari uji tersebut.
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
1361 Hitunglah nilai p (probabilitas uji statistik) dari uji tersebut.
1362 Jawab:
Nilai p (probabilitas uji statistik) dari uji di atas adalah:

|X̄−µ| 0,5
P t(n − 1) ≥ √S = P t(n − 1) ≥ √0,445
√
n 21
= P (t(n − 1) ≥ 3, 43)
= 1 − P (t(n − 1) ≤ 3, 43)
= 1 − 0, 997423
= 0, 002577.
6.5 Latihan 160
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
1366 Tentukanlah daerah penolakan untuk uji hipotesis tersebut.
1367 Jawab:

(n − 1)S 2
χ2 (n − 1) = .
σ2
1369 Diperoleh
Σ12
i=1 (Xi − 0)
2
Σ12 X 2
χ2 (11) = = i=1 i .
10 10
1370 Daerah penolakan untuk uji hipotesis di atas adalah
χ2 (11) < χ20,975 (11) = 3, 816
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:
1378 Misalkan K1 K2 K3 K4 K5 K6 K7 menyatakan kode yang mungkin dari

1379 ujian profesi aktuaris tersebut.
1380 Karena K1 , K5 , K6 dan K7 merupakan digit-digit angka maka 10 ke-
1381 mungkinan untuk masing-masing digit K1 , K5 , K6 dan K7 .
1382 Sedangkan K2 dan K4 merupakan digit-digit huruf A,B,...,Z kecuali I,O
1383 dan Q, sehingga ada 23 kemungkinan untuk masing-masing digit K2
1384 dan K4 .
1385 Untuk K3 mempunyai 26 kemungkinan.
1386 Dengan menggunakan prinsip perkalian maka diperoleh banyaknya kode
1387 yang mungkin dari ujian profesi aktuaris tersebut adalah:
10 × 23 × 26 × 23 × 10 × 10 × 10 = 137.540.000
6.5 Latihan 162
1388 32. Banyaknya kombinasi dari r obyek

yang
dipilih dari kumpulan n obyek
n
1389 yang berbeda diberikan oleh . Tentukanlah persamaan yang
r
n
1390 tepat dari .
r
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
1392 33. Tentukanlah ekspansi dari (x − 2y)3 .
1393 Jawab:
1394 Berdasarkan Teorema Multinomial, diperoleh:

n n n 0 n 0 n n−1 1 n−1 1 n
(ax+by) = a bx y + a b x y +...+ a0 b n x 0 y n .
0 1 n
1395 Jadi ekspansi dari (x − 2y)3 adalah

3 3 3 0 3 0 3 2 1 2 1 3
(x − 2y) = 1 (−2) x y + 1 (−2) x y + 11 (−2)2 x1 y 2
0 1 2

3
+ 10 (−2)0 x2 y 3
3
= x3 − 6x2 y + 12xy 2 − 8y 3 .
6.5 Latihan 164
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:
1400 Karena A = {1, 2, π} dan B = {1, 2, Jamaal, gum} maka
A ∪ B = {1, 2, π, Jamaal, gum}
1401 Oleh karena itu diperoleh
(A ∪ B)c = U − (A ∪ B)
= {1, 2, π, Jamaal, water, gum} − {1, 2, π, Jamaal, gum}
= {water}
6.5 Latihan 165
1402 35. Misalkan Pr(A ∪ B) = 0, 7, Pr(Ac ) = 0, 6, dan Pr(A ∩ B c ) = 0, 3.

1403 Hitunglah Pr(B).
1404 Jawab:
1405 Kita ketahui bahwa
Pr(A) = 1 − Pr(Ac ) = 1 − 0, 6 = 0, 4.
1406 Karena Pr(A) = Pr(A ∩ B) + Pr(A ∩ B c ) maka diperoleh
Pr(A ∩ B) = Pr(A) − Pr(A ∩ B c ) = 0, 4 − 0, 3 = 0, 1.
1407 Berdasarkan aturan peluang, diketahui:
Pr(A ∪ B) = Pr(A) + Pr(B) − Pr(A ∩ B)

0, 7 = 0, 4 + P r(B) − 0, 1
1408 sehingga diperoleh Pr(B) = 0, 4.

6.5 Latihan 166
1409 36. Dari soal nomor 35, hitunglah Pr(A ∩ B).
1410 Jawab:
1411 Kita ketahui bahwa
Pr(A) = 1 − Pr(Ac ) = 1 − 0, 6 = 0, 4.
1412 Karena Pr(A) = Pr(A ∩ B) + Pr(A ∩ B c ) maka diperoleh
Pr(A ∩ B) = Pr(A) − Pr(A ∩ B c ) = 0, 4 − 0, 3 = 0, 1.

6.5 Latihan 167
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:
1416 Misal B(x) menyatakan biaya perawatan ,

1417
100k , k = 1, 2, 3
B(X = k) =
300 + 50(k − 3) , k = 4, 5
E[B(x)] = Σk=5
k=1 B(k)P (X = k)
= 100 · 6−1
15
+ 200 · 6−2
15
+ 300 · 6−3
15
+ 350 · 6−4
15
+ 400 · 6−5
15
= 220.
E[(B(x))2 ] = Σk=5 2
k=1 (B(k)) P (X = k)
= 1002 · 6−1
15
+ 2002 · 6−2
15
+ 3002 · 6−3
15
+ 3502 · 6−4
15
+ 4002 · 6−5
15
= 59000.
V ar[B(x)] = E[(B(x))2 ] − (E[B(x)])2
= 59000 − 2202
= 10600.
6.5 Latihan 168
1418 38. Misalkan X adalah variabel acak diskrit dengan distribusi probabilitas
x 2 4 6 7 12
1420
Pr(X = x) 6/11 2/11 1/11 1/11 1/11
1421 Hitunglah nilai kuartil ketiga dari X.
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
Rata-rata ukuran klaim kuadrat

= 302 · 0, 15 + 402 · 0, 10 + 502 · 0, 05 + 602 · 0, 20 + 702 · 0, 10 + 802 · 0, 10 + 902 · 0, 30
= 135 + 160 + 125 + 720 + 490 + 640 + 2430
= 4700
√ √
1431 Standar deviasi ukuran klaim = 4700 − 4225 = 475 = 21, 8 Jadi
1432 persentase dari klaim yang terletak dalam nilai satu standar deviasi
1433 dari median ukuran klaim (ukuran klaim yang terletak pada interval
1434 [65-21,8;65+21,8]=[43,2;86,8]) adalah 45%.
6.5 Latihan 170
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
1441 41. Misalkan seorang peserta pertandingan memanah mempunyai kemam-

1442 puan tepat mengenai sasaran adalah 65% dan mengambil n = 5 per-
1443 cobaan memanah sasaran. Misalkan X menunjukkan banyaknya per-
1444 cobaan memanah sasaran dimana X mempunyai distribusi binomial.
1445 Hitunglah Pr(X > E[X]).
1446 Jawab:
1447 Misalkan p menyatakan peluang perserta tersebut sukses memanah

1448 sasaran, maka diperoleh p = 65% = 0, 65. Karena E[X] = n · p maka
1449 untuk n = 5 diperoleh E[X] = 5 · (0, 65) = 3, 25.
1450 Jadi
Pr(X > E[X]) = Pr(X > 3, 25)

= Pr(X = 4) + Pr(X = 5)

5 4 1 5
= (0, 65) (1 − 0, 65) + (0, 65)5 (1 − 0, 65)0
4 5
= 0, 4284.
6.5 Latihan 172
1451 42. Misalkan X adalah variabel√acak yang mempunyai distribusi geometrik

1452 dan standar deviasi σX = 215 . Hitunglah Pr(X < E[X]).
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
Pr(X < E[X]) = Pr(X < 1, 5)

= Pr(X = 0) + Pr(X = 1)
= p(1 − p)0 + p(1 − p)1
= 0, 4(1 − 0, 4)0 + 0, 4(1 − 0, 4)1
= 0, 4 + 0, 24
= 0, 64.
6.5 Latihan 173
1458 43. Fungsi probabilitas densitas untuk variabel acak X diberikan oleh
f (x) = k(10 + x)−2 ; 0 ≤ x < ∞.
1459 Hitunglah Pr(X ≤ 15).
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:
P (X > 8) = P (8 < X < 20)

R 20
= 8
0, 005(20 − x)dx
= 0, 005(20x − 21 x2 )|x=20
x=8
= 0, 36.
P (X > 16) = P (16 < X < 20)
R 20
= 16
0, 005(20 − x)dx
= 0, 005(20x − 21 x2 )|x=20
x=16
= 0, 04
P (X>16∩X>8)
P (X > 16|X > 8) = P (X>8)
P (X>16)
= P (X>8)
0,04
= 0,36
1
= 9
.
6.5 Latihan 175
45. Misalkan X berdistribusi uniform pada interval [-2,6] dengan fungsi

probabilitas densitas
1
8
, −2 ≤ x ≤ 6
f (x) =
0 , lainnya
√
1466 Hitunglah nilai ekspektasi g(X) = X 3 + X +2 .
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:
1471 Karena Y berdistribusi uniform kontinu pada interval [-2,5] maka

Z 1
1
Pr(Y = 1) = dy = 0.
1 5 − (−2)
6.5 Latihan 177
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
E[100R(X)] = 100 · E[R(X)] = 10256.

6.5 Latihan 178
1485 48. Misalkan Z adalah variabel acak yang berdistribusi normal standar.
1486 Hitunglah Pr(|Z| > 2, 05).
1487 Jawab:
Pr(|Z| > 2, 05) = 1 − Pr(|Z| ≤ 2, 05)

= 1 − 2 Pr(0 ≤ Z ≤ 2, 05)
= 1 − 2(0, 4798)
= 0, 0404.
6.5 Latihan 179
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
Pr(X = 0, Y = 0) = 0, 800 Pr(X = 1, Y = 0) = 0, 050

Pr(X = 0, Y = 1) = 0, 025 Pr(X = 1, Y = 1) = 0, 125
1494 Hitunglah V ar(X + Y ).
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
E(Z) = 0 · 0, 800 + 1 · (0, 025 + 0, 050) + 2 · 0, 125 = 0, 325

E(Z 2 ) = 02 · 0, 800 + 12 · (0, 025 + 0, 050) + 22 · 0, 125 = 0, 575
V ar(X + Y ) = V ar(Z) = E(Z 2 ) − (E(Z))2 = 0, 575 − (0, 325)2 = 0, 4694.
6.5 Latihan 180
1497 50. Dari soal nomor 49, hitunglah V ar(Y |X = 1).
1498 Jawab:
Pr(Y = 0|X = 1) = Pr(X=1,Y

Pr(X=1)
=0)
= 0,050
0,175
= 0, 286
Pr(X=1,Y =1)
Pr(Y = 1|X = 1) = Pr(X=1) = 0,125 0,175
= 0, 714
E(Y |X = 1) = Pr(Y = 1|X = 1) = 0, 714
E(Y 2 |X = 1) = Pr(Y = 1|X = 1) = 0, 714
V ar(Y |X = 1) = E(Y 2 |X = 1) − (E(Y |X = 1))2 = 0, 714 − (0, 714)2 = 0, 20.
6.5 Latihan 181
1499 51. Misalkan X dan Y adalah variabel-variabel acak. Diberikan persamaan

1501 (i) Cov[X, Y ] = E[X · Y ] − E[X]E[Y ]

1502 (ii) Cov[X, Y ] = a · V ar[X] jika Y = a · X + b
1503 (iii) Cov[X, Y ] = V ar[Y ]
1504 Manakah yang benar dari tiga persamaan diatas?
1505 Jawab:
1506 Yang benar adalah persamaan (i) dan (ii).

6.5 Latihan 182
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:
Σni=1 (Xi − X̄)2 = Σni=1 ((Xi − µX ) − (X̄ − µX ))2

= Σni=1 ((Xi − µX )2 − 2(Xi − µX )(X̄ − µX ) + (X̄ − µX )2 )
= Σni=1 (Xi − µX )2 − 2(X̄ − µX )Σni=1 (Xi − µX ) + Σni=1 (X̄ − µX )2
= Σni=1 (Xi − µX )2 − 2(X̄ − µX )(nX̄ − nµX ) + n(X̄ − µX )2
= Σni=1 (Xi − µX )2 − 2n(X̄ − µX )2 + n(X̄ − µX )2
= Σni=1 (Xi − µX )2 − n(X̄ − µX )2 .
6.5 Latihan 187
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
(−43 − 10, 4; −43 + 10, 4) = (−53, 4; −32, 6).

6.5 Latihan 188
1538 58. Diberikan sampel acak dari distribusi loss normal:
1539 - Mean sampel adalah 42.000

1540 - Standar deviasi sampel adalah 8.000
1541 - Terdapat 25 loss pengamatan dalam sampel
1542 Dengan menggunakan uji dua arah dengan
H0 : µ = 45.000 H1 : µ 6= 45.000.
1543 Tentukanlah nilai α yang akan menolak H0 .
1544 Jawab:
X̄ − µX 42 − 45
t(n − 1) = −→ t(24) = = −1, 875.
√S √8
n 25
1545 α = 0, 01 : t0,005 (24) = 2, 797.

1546 α = 0, 02 : t0,01 (24) = 2, 492.
1547 α = 0, 05 : t0,025 (24) = 2, 064.
1548 α = 0, 1 : t0,05 (24) = 1, 711.
1549 Karena daerah penolakan untuk α adalah |t(24)| > tα/2 (24) maka ke-
1550 simpulannya, menolak H0 pada α = 0, 1 dan tidak menolak H0 pada
1551 α = 0, 01; α = 0, 02; dan α = 0, 05.
6.5 Latihan 189
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:
1558 Dengan menggunakan uji satu arah:
H0 : µ = 49, 21
H1 : µ < 49, 21.

47, 37 − 49, 21
t(23) = 3,42 = −2, 636
√
24
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:

15, 84 − 10
t(3) = = 2, 92
√4
4
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
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
1585 Tertulis : dx
1586 Seharusnya : dy1
1587 4. Halaman : 90
1589 Tertulis : K (xi )
1590 Seharusnya : K (Xi )
1591 5. Halaman : 102

1593 Tertulis : Y = Σni=1 xi
1594 Seharusnya : Y = Σni=1 Xi
191
6.5 Latihan 192
1595 6. Halaman : 104

1597 Tertulis : δ1
1598 Seharusnya : δ2
1599 7. Halaman : 114

1600 Nomor baris : 21 dan 22
1601 Tertulis : k2
1602 Seharusnya : k3
1603 8. Halaman : 115

1604 Nomor baris : 17 dan 18
25n
1605 Tertulis : = (5 − θ∗ ) Σni=1 xi + n (θ∗ )2 − ≤ k1
2
n (θ∗ )2 25n
1606 Seharusnya : = (5 − θ∗ ) Σni=1 xi + − ≤ k1
2 2
1607 9. Halaman : 115
25n
1609 Tertulis : = (5 − θ∗ ) Σni=1 xi ≤ n (θ∗ )2 − + k1
2
∗ n n (θ∗ )2 25n
1610 Seharusnya : = (5 − θ ) Σi=1 xi ≤ − + k1
2 2
1611 10. Halaman : 118
1613 Tertulis : S
1614 Seharusnya : s
1615 Daftar Pustaka
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
Figure 6.2: Windiani Erliyana lulus program sarjana di Departemen

Matematika FMIPA IPB. Kemudian, ia melanjutkan pendidikan S2 Matem-
atika Terapan di IPB melalui Program Sinergi S1-S2.

Paiseriebook Statistika Matematik Untuk Aktuaris

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Paiseriebook Statistika Matematik Untuk Aktuaris

Diunggah oleh

Hak Cipta:

Format Tersedia

Seri Pendidikan Aktuaris Indonesia

Siswadi dan Windiani Erliana

2 Beberapa Sebaran Kontinu 21

6 Pengujian Hipotesis 105

3 Buku ini disusun berdasarkan perkuliahan Statistika Matematik pada rentang

33 1.1 Vektor Peubah Acak

38 1.2 Fungsi Sebaran Bersama

FX (x) = P (X1 ≤ x1 , ..., Xn ≤ xn ) .

Contoh 1.1 Misalkan fungsi kepekatan peluang dari peubah acak X1 , X2 , X3

f (x1 , x2 , x3 ) = e−(x1 +x2 +x3 ) I (0 < x1 , x2 , x3 < ∞) ,

maka fungsi sebaran bersama bagi X1 , X2 , X3 ialah

FX1 ,X2 ,X3 (x1 , x2 , x3 ) = P (X1 ≤ x1 , X2 ≤ x2 , X3 ≤ x3 )

44 1.2.1 Fungsi Massa Peluang Marginal

45 1.2.2 Fungsi Kepekatan Peluang Marginal

46 1.3 Nilai Harapan

asalkan jumlah di atas konvergen mutlak. Jika X1 , X2 , ..., Xn adalah peubah

47 asalkan integral di atas konvergen mutlak.

Teorema 1.1 Misalkan X1 , X2 , ..., Xn adalah peubah acak yang terdefinisi

48 Misalkan n Wm = (Wij ) merupakan matriks peubah acak berukuran n×m

52 Teorema 1.2 Misalkan n Vm dan n Wm masing-masing merupakan matriks

57 1.4 Kebebasan Vektor Peubah Acak

59 1. P (a1 < X1 < b1 , a2 < X2 < b2 , ..., an < Xn < bn )

3. Fungsi pembangkit momen bagi peubah acak X1 , X2 , ..., Xn dinotasikan

f (x) = 2x I (0 < x < 1) .

66 Fungsi kepekatan peluang bersama bagi peubah acak tersebut ialah

f (x1 , x2 , x3 ) = f (x1 ) f (x2 ) f (x3 )

Nilai harapan bagi 5X1 (X2 )3 + 3X2 (X3 )4 ialah

MT (t) = [MX (t)]n , −h < t < h.

70 1.5 Dekomposisi Spektrum

Σ yang merupakan matriks n × n, simetrik, dan semi-definit positif, maka

80 Jawab. Berikut merupakan polinom karakteristik dari matriks Σ :

sehingga nilai eigen dari matriks tersebut ialah

Vektor-vektor ortonormal dari v1 , v2 , dan v3 tersebut secara berturut-turut

sehingga matriks Λ dan Γ0 ialah sebagai berikut

81 Jadi, dekomposisi spektrum dari matriks Σ ialah

82 Selanjutnya, berikut merupakan matriks Σ1/2 dan Σ−1/2 .

84 1.6 Matriks Koragam

85 dan matriks koragam (covariance matrix ) vektor peubah acak X ialah

Cov (X) = E [X − µ] [X − µ]0

86 Misalkan a adalah vektor berunsur konstanta yang berukuran n×1. Misalkan

Cov (X, Y) = E [X−E (X)] [Y−E (Y)]0

93 sehingga Cov (X) merupakan Cov (X, X) . Selanjutnya, misalkan X dan Y

ΣX,Y = Cov (X, Y)

97 Bila A dan B merupakan matriks konstanta, maka E (AX) = AµX dan

Cov (AX, BY) = ΣAX,BY

100 dengan δ dan η merupakan vektor berunsur konstanta, maka

Contoh 1.5 Misalkan X = (X1 , X2 , X3 )0 , Y = (Y1 , Y2 , Y3 , Y4 )0 , dan

109 1. Cov (X1 + 2X2 − 3X3 + 1, 2Y1 + Y2 + 4Y3 − 5Y4 + 2) .

2. Cov (V, W) jika

1. Misalkan U = X1 + 2X2 − 3X3 + 1 dan Z = 2Y1 + Y2 + 4Y3 − 5Y4 + 2,

113 1.7 Sebaran Normal Multivariat

118 Karena E (Zi ) = 0, V ar (Zi ) = 1, dan Cov (Zi , Zj ) = 0 untuk ∀i 6= j, maka

2. Cov (Z) = ΣZ = E [Z − E (Z)] [Z − E (Z)]0

MZ (t) = E [exp {t0 Z}]

133 Kemudian, fungsi pembangkit momen bagi X ialah

MX (t) = E [exp {t0 X}]

Definisi 1.5 (Normal Multivariat) Vektor peubah acak X memiliki sebaran

134 untuk setiap t ∈ Rn dan Σ merupakan matriks simetrik, semi-definit positif,

136 Teorema 1.4 Misalkan X ∼ Nn (µ, Σ). Misal Y = AX + b dengan A

138 Bukti. ∀t ∈ Rm , fungsi pembangkit momen bagi Y ialah

MY (t) = E [exp {t0 Y}]

141 Misalkan X1 merupakan subvektor berdimensi m < n dari vektor peubah

143 dengan X2 merupakan vektor berdimensi p = n − m. Karena X dipartisi

149 Akibat 1.2 Misalkan X ∼ Nn (µ, Σ) . Jika X1 merupakan subvektor berdi-