UTS MA3182 STATISTIKA MATEMATIKA

Senin, 21 Maret 2022, Pukul 19.00 – 21.30 WIB (150 menit)

Pengajar: Dr. Udjianna S. Pasaribu (K-01) dan Dr. Kurnia Novita Sari (K-02)
Sifat Ujian: TUTUP BUKU, boleh menggunakan kalkulator, tabel distribusi disediakan

B. ESAI PANJANG (Waktu: 75 menit – Poin 85)

Soal B3
Dalam bulan Februari 2022, kenaikan kasus positif COVID-19 terus meningkat di setiap kota di Indonesia.
Hal ini mengakibatkan biaya pengobatan untuk pasien COVID-19 pun terus meningkat. Biaya pengobatan
tersebut mempunyai fkp sbb:
3𝑥 2 /𝜃 3, 0 < 𝑥 < 𝜃
𝑓 (𝑥 ) = {
0, 𝑥 lainnya
Tentukan:
a. [4] Gambar dari f(x).
b. [6] Fungsi kepadatan peluang dari Yn, jika Yn adalah statistik terurut dari n sampel acak biaya
pengobatan
𝑌𝑛
c. [5] 𝑃 (𝑐 < < 1), untuk 0 < 𝑐 < 1.
𝜃
d. [5] Selang kepercayaan 95% untuk 𝜃 jika terdapat 4 rumah sakit dan Y4 = 2,3.

SOAL B4
[10] Misalkan barisan pengamatan 𝑌1 , 𝑌2 , … , 𝑌𝑛 konvergen dalam peluang ke 𝑌. Tunjukkan bahwa
𝑃 𝐷
jika 𝑌𝑛 → 𝑌 maka 𝑌𝑛 → 𝑌.

SOAL B5
Di suatu perusahaan asuransi kebakaran diamati banyaknya klaim yang datang hingga ditemukan
pertama kali klaim yang merupakan kasus kebakaran Rumah Sakit merupakan peubah acak Y,
dengan distribusi peluang:

𝑝(1 − 𝑝) 𝑦−1 , 𝑦 = 1, 2, 3, …
𝑃(𝑌 = 𝑦|𝑝) = {
0, lainnya
dengan p adalah peluang terjadinya klaim datang merupakan kasus Covid-19.
Suatu sampel acak berukuran n, 𝑌1 , 𝑌2 , … , 𝑌𝑛 , diambil dari populasi pengamatan tersebut.
Tentukan penaksir parameter 𝑝 dengan menggunakan:
a. [6] metode momen.
b. [8] metode Likelihood Maksimum.
c. [3-3] Cek ketakbiasan penaksir p dari dua metode di atas.

== SEMOGA SUKSES ==
Catatan:

Distribusi X Fungsi peluang Fungsi Pembangkit Momen

n
Binomial (n, p) P( X = x) =   p x (1 − p) n − x , x = 0,1, 2,..., n 𝑀𝑋 (𝑡) = (1 − 𝑝 + 𝑝𝑒 𝑡 )𝑛
 x
e−   x 𝑡 −1)
Poisson (λ) P( X = x) = , x = 0,1, 2,... 𝑀𝑋 (𝑡) = 𝑒 𝜆(𝑒
x!
𝑀𝑋 (𝑡 ) = 𝑝[1 − (1 − 𝑝) 𝑒 𝑡 ]−1,
P( X = x) = p(1 − p) x , x = 1, 2,...
Geometrik (p) 𝑡 < − log(1 − 𝑝)
 1 1  x− 
2
−    1 
Normal (µ,σ ) 2
 e 2   , −   x   M X (t ) = exp   t +  2t 2  ,
f ( x) =  2  2 
 −  t  
0 , x lainnya
 1
Gamma (,)  x −1e − x /  ,0  x   1 1
f ( x) =  ( )   M X (t ) = , t
(1 −  t )


0
 , x lainnya
 ( +  )  −1   k −1  ti
Beta (,)  x (1 − x)  −1 , 0  x  1 M X (t ) = 1 +     + j  ,
f ( x) =  ( )(  ) i =1  j = 0  +  + j  i!
0
 , x lainnya −  t  

Untuk  bilangan bulat, berlaku fungsi Gamma ( ) = ( − 1)!.

Distribusi Eksponensial: kasus khusus distribusi Gamma dengan =1 dan =1/.

Statistik Terurut. Misalkan X(1) < X(2) < … < X(n) merupakan n statistik terurut dari sampel acak
X1, X2, …, Xn dari distribusi kontinu dengan fungsi peluang f(x) yang terdefinisi pada selang
(a,b). Maka distribusi peluang gabungan dari X(1), X(2), …, X(n) adalah :
n ! f ( x(1) ) f ( x(2) )... f ( x( n ) ) , a  x(1)  x(2)  ...  x( n )  b
g ( x(1) , x(2) ,..., x( n ) ) = 
0 , lainnya

Distribusi marjinal statistika terurut Xk adalah:

 n! k −1 n−k
 (k − 1)!(n − k )! f ( x( k ) )  F ( x( k ) )  1 − F ( x( k ) )  , a  x( k )  b
g k ( x( k ) ) = 
0 , x( k ) lainnya


dengan F(x) adalah fungsi distribusi dari X.