ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
ABSTRAK
Selang kepercayaan adalah sebuah selang antara dua angka yang diperoleh dari perkiraan titik sebuah
parameter. Karena besar nilai parameter tidak diketahui, sehingga yang dipakai dalam perkiraan
adalah sebuah peluang. Nilai parameter yang diperkirakan adalah proporsi. Tujuan penelitian ini
adalah menentukan perkiraan selang kepercayaan untuk parameter proporsi pada distribusi Binomial.
Hasil dari penelitian ini adalah perkiraan selang kepercayaan untuk parameter proporsi pada distribusi
Binomial dengan menggunakan metode besaran pivot dengan ukuran sampel 𝑚𝑚 ≥ 30 dan 𝑚𝑚 < 30.
Kata Kunci: Selang Kepercayaan (1 − 𝛼𝛼), Distribusi Binomial, Proporsi, Metode Kemungkinan
Maksimum, Metode Besaran Pivot
1. PENDAHULUAN
Perkiraan parameter populasi menurut Bain & Engelhardt [1] dilakukan dengan
menggunakan statistik sampel dan diwujudkan dengan dua bentuk yaitu perkiraan titik
dan perkiraan selang. Perkiraan titik digunakan untuk menetapkan sebuah nilai yang
sesuai untuk parameter populasi berdasarkan data sampel yang diamati. Namun
perkiraan titik untuk parameter populasi tidak begitu akurat karena hanya memiliki satu
nilai untuk memperkirakan nilai parameter populasinya. Oleh sebab itu, dibuatlah
perkiraan selang dimana perkiraan selang mempunyai cakupan rentang nilai untuk
memperkirakan nilai parameter populasinya. Dalam penentuan perkiraan selang suatu
parameter populasi yang tidak diketahui, ada beberapa metode yang dapat digunakan
salah satunya adalah metode besaran pivot. Metode besaran pivot digunakan untuk
memperkirakan selang dari parameter yang tidak diketahui dengan menggunakan
distribusi statistik sampel.
Sahoo [3] menjelaskan bahwa dalam pengamatan data sampel yang dilakukan
pada suatu percobaan atau suatu data yang diperoleh akan menghasilkan distribusi
tertentu. Variabel acak yang mencirikan banyaknya kejadian berhasil dalam n percobaan
Bernoulli yang bersifat independen dan dari percobaan yang satu dengan yang lainnya
memiliki nilai peluang berhasil yang sama untuk kejadiannya dikenal dengan variabel
acak yang berdistribusi Binomial dengan parameter p dan n.
Menurut Walpole [4] perkiraan titik untuk parameter proporsi pada suatu
percobaan Binomial diberikan oleh statistik 𝑝𝑝̂ . Dengan demikian, statistik 𝑝𝑝̂ akan
digunakan sebagai nilai perkiraan titik untuk parameter proporsi tersebut. Namun, jika
parameter proporsi yang tidak diketahui itu tidak terlalu dekat pada 0 atau 1, maka dapat
dibuat selang kepercayaan untuk parameter proporsinya. Berdasarkan uraian di atas,
penulis ingin mengkaji tentang selang kepercayaan untuk parameter proporsi pada
distribusi Binomial.
1
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
2. TINJAUAN PUSTAKA
2.1 Fungsi Pembangkit Momen
Fungsi pembangkit momen merupakan suatu teknik untuk menentukan jenis
distribusi peluang dari fungsi variabel acaknya yang didefinisikan sebagai berikut:
Definisi 2.1.1 [3] Jika 𝑋𝑋 adalah variabel acak, maka nilai ekspektasi dari 𝑒𝑒 𝑡𝑡𝑡𝑡 sebagai
berikut:
𝑀𝑀𝑋𝑋 (𝑡𝑡) = 𝐸𝐸(𝑒𝑒 𝑡𝑡𝑡𝑡 ) (1)
Teorema 2.1.2 [3] Misalkan 𝑋𝑋 adalah variabel acak dengan fungsi pembangkit momen
𝑀𝑀𝑋𝑋 (𝑡𝑡). Jika 𝑎𝑎, 𝑏𝑏 ∈ ℝ, maka
1. 𝑀𝑀𝑋𝑋+𝑎𝑎 (𝑡𝑡) = 𝑒𝑒 𝑎𝑎𝑎𝑎 ∙ 𝑀𝑀𝑋𝑋 (𝑡𝑡)
2. 𝑀𝑀𝑏𝑏𝑏𝑏 (𝑡𝑡) = 𝑀𝑀𝑋𝑋 (𝑏𝑏𝑏𝑏)
𝑎𝑎𝑎𝑎 𝑡𝑡
3. 𝑀𝑀𝑋𝑋+𝑎𝑎 (𝑡𝑡) = 𝑒𝑒 𝑏𝑏 ∙ 𝑀𝑀𝑋𝑋 � �
𝑏𝑏 𝑏𝑏
2.2 Distribusi Normal
Definisi 2.2.1 [3] Variabel acak 𝑋𝑋 dikatakan berdistribusi Normal, 𝑋𝑋~𝑁𝑁(𝜇𝜇, 𝜎𝜎 2 ) dengan
parameter 𝜇𝜇 dan 𝜎𝜎 2 dimana −∞ < 𝜇𝜇 < ∞ dan 𝜎𝜎 2 > 0, jika fungsi kepadatan peluangnya
berbentuk sebagai berikut:
1 1 𝑥𝑥−𝜇𝜇 2
− � �
𝑓𝑓(𝑥𝑥) = 𝑒𝑒 2 𝜎𝜎 ; −∞ < 𝑥𝑥 < ∞ (2)
𝜎𝜎√2𝜋𝜋
Teorema 2.2.2 [3] Jika variabel acak 𝑋𝑋 berdistribusi Normal 𝑋𝑋~𝑁𝑁(𝜇𝜇, 𝜎𝜎 2 ), maka fungsi
pembangkit momen, rata-rata, dan variansi dari variabel acak 𝑋𝑋 tersebut secara berturut-
1 2 2
turut adalah: 𝑀𝑀𝑋𝑋 (𝑡𝑡) = 𝑒𝑒 𝜇𝜇𝜇𝜇 + 2𝜎𝜎 𝑡𝑡
, 𝐸𝐸(𝑋𝑋) = 𝜇𝜇 , 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) = 𝜎𝜎 2
2.3 Distribusi Normal Baku
Definisi 2.3 [3] Variabel acak 𝑋𝑋 berdistribusi Normal 𝑋𝑋~𝑁𝑁(𝜇𝜇, 𝜎𝜎 2 ) disebut distribusi
Normal Baku jika 𝜇𝜇 = 0 dan 𝜎𝜎 2 = 1 yang dinotasikan dengan 𝑋𝑋~𝑁𝑁(0,1) dan fungsi
kepadatan peluangnya adalah:
1 1 2
𝑓𝑓(𝑥𝑥) = 𝑒𝑒 −2𝑥𝑥
; −∞ < 𝑥𝑥 < ∞ (3)
√2𝜋𝜋
2.4 Distribusi t
Teorema 2.4.1 [1] Jika Z ~ N(0,1) dan U ~ 𝜒𝜒 2 (𝑣𝑣) dengan Z dan U adalah variabel acak
bebas, maka variabel acak T didefinisikan sebagai berikut:
𝑍𝑍
𝑇𝑇 = merupakan sebuah nilai variabel acak 𝑇𝑇 yang mempunyai distribusi 𝑡𝑡 dengan
𝑈𝑈
�
𝑣𝑣
𝑣𝑣 = 𝑚𝑚 − 1, dengan fungsi kepadatan peluang sebagai berikut:
𝑣𝑣 + 1
Γ� 2 �
𝑓𝑓(𝑡𝑡; 𝑣𝑣) = − ∞ < 𝑡𝑡 < ∞
(𝑣𝑣+1)
(4)
𝑣𝑣 𝑡𝑡 2 2
√𝜋𝜋𝜋𝜋 ∙ Γ �2� ∙ �1 + 𝑣𝑣 �
Teorema 2.4.2 [4] Jika 𝑥𝑥̅ dan 𝑠𝑠 2 adalah rata-rata dan ragam suatu sampel acak
𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑚𝑚 berukuran 𝑚𝑚 yang diambil dari suatu populasi 𝑋𝑋~𝑁𝑁(𝜇𝜇, 𝜎𝜎 2 ), maka 𝑡𝑡 =
𝑥𝑥̅ −𝜇𝜇
𝑠𝑠 merupakan sebuah nilai variabel acak T yang berdistribusi t dengan derajat kebebasan
� 𝑚𝑚
√
𝑣𝑣 = 𝑚𝑚 − 1.
2.5 Distribusi Binomial
Definisi 2.5 [3] Variabel acak 𝑋𝑋 disebut variabel acak binomial dengan parameter p dan n,
𝑋𝑋~𝐵𝐵𝐵𝐵𝐵𝐵(𝑝𝑝, 𝑛𝑛) jika fungsi kepadatan peluangnya berbentuk sebagai berikut:
2
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
𝑛𝑛
𝑓𝑓(𝑥𝑥) = � � 𝑝𝑝 𝑥𝑥 (1 − 𝑝𝑝)𝑛𝑛−𝑥𝑥 , 𝑥𝑥 = 0, 1, … , 𝑛𝑛 , 1 − 𝑝𝑝 = 𝑞𝑞 (5)
𝑥𝑥
Dimana 0 ≤ 𝑝𝑝 ≤ 1 adalah peluang keberhasilan dari percobaan Binomial.
2.6 Perkiraan Titik
Definisi 𝟐𝟐. 𝟔𝟔. 𝟏𝟏 [6] Perkiraan titik dari sebuah parameter adalah sebuah nilai statistik yang
digunakan untuk memperkirakan parameter.
Definisi 2.6.2 [4] Statistik 𝜃𝜃� dikatakan sebagai perkiraan tak bias untuk parameter 𝜃𝜃 bila
𝐸𝐸�𝜃𝜃�� = 𝜃𝜃.
2.7 Perkiraan Selang
Definisi 2.7.1 [6] Selang kepercayaan adalah sebuah selang antara dua angka yang
diperoleh dari perkiraan titik sebuah parameter.
Definisi 2.7.2 [1] Jika 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑚𝑚 mempunyai fungsi kepadatan peluang bersama
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑚𝑚 ; 𝜃𝜃); 𝜃𝜃 ∈ Ω, dimana Ω merupakan ruang parameter berupa selang terbuka
dalam ℝ. Dengan 𝜃𝜃�1 = ℓ(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑚𝑚 ) merupakan batas bawah selang kepercayaan dan
𝜃𝜃�2 = 𝑢𝑢(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑚𝑚 ) merupakan batas atas selang kepercayaan, maka selang kepercayaan
adalah jika memperoleh suatu keadaan:
P[ℓ(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑚𝑚 ) < 𝜃𝜃 < 𝑢𝑢(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑚𝑚 )] = 1 − 𝛼𝛼
P�𝜃𝜃�1 < 𝜃𝜃 < 𝜃𝜃�2 � = 1 − 𝛼𝛼 (6)
dengan 𝛼𝛼 adalah koefisien taraf nyata (level of significance).
2.8 Besaran Pivot
Definisi 2.8 [1] Jika 𝚀𝚀 = 𝜙𝜙(𝑋𝑋1 , … , 𝑋𝑋𝑚𝑚 ; 𝜃𝜃) adalah suatu variabel acak yang hanya
membentuk fungsi dalam 𝑋𝑋1 , … , 𝑋𝑋𝑚𝑚 dan 𝜃𝜃, maka 𝚀𝚀 disebut suatu besaran pivot jika
distribusinya tidak bergantung (bebas) pada 𝜃𝜃 atau parameter lain yang tidak diketahui.
2.9 Distribusi Penarikan Sampel untuk Nilai Rata-rata
Teorema 2.9 Limit Pusat [4] Bila sampel acak berukuran 𝑚𝑚 ditarik dari suatu populasi
yang besar atau tak hingga dengan nilai rata-rata µ dan variansi 𝜎𝜎 2 , maka nilai rata-rata
sampel 𝑥𝑥̅ akan menyebar menghampiri distribusi Normal dengan nilai rata-rata 𝜇𝜇𝑋𝑋� = 𝜇𝜇 dan
𝜎𝜎 𝑥𝑥̅ −𝜇𝜇
simpangan baku 𝜎𝜎𝑋𝑋� = 𝑚𝑚. Dengan demikian, 𝑧𝑧 = 𝜎𝜎 merupakan nilai variabel acak
√ � 𝑚𝑚
√
Normal baku 𝑍𝑍.
3
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
b) Menentukan Distribusi dari Perkiraan Titik yang Bersifat Tak Bias untuk
Parameter.
𝑥𝑥̅
Dalam hal ini akan ditentukan distribusi dari perkiraan titik 𝑝𝑝̂ = 𝑛𝑛 dengan
menggunakan pendekatan kepada distribusi Normal. Diketahui bahwa 𝑋𝑋 berdistribusi
Binomial dengan fungsi kepadatan peluangnya adalah:
4
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
𝑛𝑛 𝑛𝑛 𝑛𝑛!
𝑓𝑓(𝑥𝑥) = � � 𝑝𝑝 𝑥𝑥 𝑞𝑞 𝑛𝑛−𝑥𝑥 ; 𝑥𝑥 = 0, 1, … , 𝑛𝑛 dimana � � = (11)
𝑥𝑥 𝑥𝑥 𝑥𝑥! (𝑛𝑛 − 𝑥𝑥)!
Kemudian digunakan pendekatan Stirling untuk 𝑛𝑛!, 𝑥𝑥!, dan (𝑛𝑛 − 𝑥𝑥)!, yaitu:
1 1
𝑛𝑛+� �
1. 𝑛𝑛! = (2𝜋𝜋)2 𝑒𝑒 −𝑛𝑛 𝑛𝑛 2
1 1
𝑥𝑥+� �
2. 𝑥𝑥! = (2𝜋𝜋)2 𝑒𝑒 −𝑥𝑥 𝑥𝑥 2
1 1
(𝑛𝑛−𝑥𝑥)+� �
3. (𝑛𝑛 − 𝑥𝑥)! = (2𝜋𝜋)2 𝑒𝑒 −(𝑛𝑛−𝑥𝑥)
(𝑛𝑛 − 𝑥𝑥) 2
Selanjutnya ketiga hasil pendekatan di atas disubstitusikan ke dalam persamaan (11),
sehingga menjadi:
1 1
(2𝜋𝜋)2 𝑒𝑒 −𝑛𝑛 𝑛𝑛𝑛𝑛+�2� 𝑥𝑥 𝑛𝑛−𝑥𝑥
𝑓𝑓(𝑥𝑥) = 1 1 1 1 𝑝𝑝 𝑞𝑞
𝑥𝑥+� � (𝑛𝑛−𝑥𝑥)+� �
(2𝜋𝜋)2 𝑒𝑒 −𝑥𝑥 𝑥𝑥 2 (2𝜋𝜋)2 𝑒𝑒 −(𝑛𝑛−𝑥𝑥) (𝑛𝑛 − 𝑥𝑥) 2
1 1
1 1𝑛𝑛𝑛𝑛 𝑥𝑥+� �
2 𝑛𝑛𝑛𝑛 (𝑛𝑛−𝑥𝑥)+�2�
= ∙ ∙� � ∙� �
√2𝜋𝜋 �𝑛𝑛𝑛𝑛𝑛𝑛 𝑥𝑥 𝑛𝑛 − 𝑥𝑥
1 1
1 1
𝑛𝑛𝑛𝑛 𝑥𝑥+�2� 𝑛𝑛𝑛𝑛 (𝑛𝑛−𝑥𝑥)+�2� 1 1 1
lim 𝑓𝑓(𝑥𝑥) = lim � ∙ ∙� � ∙� � �= ∙ ∙
𝑛𝑛→∞ 𝑛𝑛→∞ √2𝜋𝜋 �𝑛𝑛𝑛𝑛𝑛𝑛 𝑥𝑥 𝑛𝑛 − 𝑥𝑥 lim 𝑁𝑁
√2𝜋𝜋 �𝑛𝑛𝑛𝑛𝑛𝑛 𝑛𝑛→∞
Dengan:
1 1
𝑥𝑥 𝑥𝑥+�2� 𝑛𝑛 − 𝑥𝑥 (𝑛𝑛−𝑥𝑥)+�2�
𝑁𝑁 = � � ∙� �
𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛
1 𝑥𝑥 1 𝑛𝑛 − 𝑥𝑥
ln 𝑁𝑁 = �𝑥𝑥 + � �� ∙ ln � � + �𝑛𝑛 − 𝑥𝑥 + � ∙ ln � �
2 𝑛𝑛𝑛𝑛 2 𝑛𝑛𝑛𝑛
Misalkan:
𝑥𝑥 − 𝑛𝑛𝑛𝑛
𝑧𝑧 =
�𝑛𝑛𝑛𝑛𝑛𝑛
(i) 𝑥𝑥 = 𝑛𝑛𝑛𝑛 + 𝑧𝑧�𝑛𝑛𝑛𝑛𝑛𝑛
𝑥𝑥 𝑞𝑞
(ii) = 1 + 𝑧𝑧�
𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛
(iii) 𝑛𝑛 − 𝑥𝑥 = 𝑛𝑛 − 𝑛𝑛𝑛𝑛 − 𝑧𝑧�𝑛𝑛𝑛𝑛𝑛𝑛 = 𝑛𝑛𝑛𝑛 − 𝑧𝑧�𝑛𝑛𝑛𝑛𝑛𝑛
𝑛𝑛 − 𝑥𝑥 𝑝𝑝
(iv) = 1 − 𝑧𝑧�
𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛
Sehingga:
1 𝑞𝑞 1 𝑝𝑝
ln 𝑁𝑁 = �𝑛𝑛𝑛𝑛 + 𝑧𝑧�𝑛𝑛𝑛𝑛𝑛𝑛 + � ∙ ln �1 + 𝑧𝑧� � + �𝑛𝑛𝑛𝑛 − 𝑧𝑧�𝑛𝑛𝑛𝑛𝑛𝑛 + � ∙ ln �1 − 𝑧𝑧� �
2 𝑛𝑛𝑛𝑛 2 𝑛𝑛𝑛𝑛
Dengan menggunakan deret Maclaurin diperoleh:
3 3
1 1 𝑞𝑞 2 1 𝑞𝑞 1 𝑞𝑞 1 𝑝𝑝2 1 𝑝𝑝
lim ln 𝑁𝑁 = lim � 𝑧𝑧 2 (𝑝𝑝 + 𝑞𝑞) − 𝑧𝑧 3 + 𝑧𝑧� − 𝑧𝑧 2 � � + 𝑧𝑧 3 − 𝑧𝑧�
𝑛𝑛→∞ 𝑛𝑛→∞ 2 6 �𝑛𝑛𝑛𝑛 2 𝑛𝑛𝑛𝑛 4 𝑛𝑛𝑛𝑛 6 �𝑛𝑛𝑛𝑛 2 𝑛𝑛𝑛𝑛
1 𝑝𝑝
− 𝑧𝑧 2 � ��
4 𝑛𝑛𝑛𝑛
𝑧𝑧 2
lim 𝑁𝑁 = 𝑒𝑒 2
𝑛𝑛→∞
5
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
Sehingga:
1 1 𝑧𝑧 2
−
lim 𝑓𝑓(𝑥𝑥) = ∙ ∙ 𝑒𝑒 2
𝑛𝑛→∞ √2𝜋𝜋 �𝑛𝑛𝑛𝑛𝑛𝑛
𝑥𝑥 − 𝑛𝑛𝑛𝑛
Karena 𝑧𝑧 = maka:
�𝑛𝑛𝑛𝑛𝑛𝑛
1 1
lim 𝑓𝑓(𝑥𝑥) = ∙ 𝑒𝑒𝑒𝑒𝑒𝑒 �− (𝑥𝑥 − 𝑛𝑛𝑛𝑛)2 � (12)
𝑛𝑛→∞ �2𝜋𝜋 ∙ 𝑛𝑛𝑛𝑛𝑛𝑛 2𝑛𝑛𝑛𝑛𝑛𝑛
Persamaan (12) merupakan fungsi kepadatan peluang distribusi Normal dengan 𝜇𝜇 = 𝑛𝑛𝑛𝑛
dan 𝜎𝜎 2 = 𝑛𝑛𝑛𝑛𝑛𝑛 atau dapat ditulis 𝑋𝑋~𝑁𝑁(𝑛𝑛𝑛𝑛, 𝑛𝑛𝑛𝑛𝑛𝑛)
𝑥𝑥̅
Kemudian menentukan distribusi dari 𝑝𝑝̂ = 𝑛𝑛 dengan teknik fungsi pembangkit momen,
yaitu:
1 𝑝𝑝𝑝𝑝 2
𝑀𝑀𝑋𝑋� (𝑡𝑡) = 𝑒𝑒𝑒𝑒𝑒𝑒 �𝑝𝑝𝑝𝑝 + 𝑡𝑡 � (13)
𝑛𝑛 2 𝑚𝑚𝑚𝑚
Persamaan (13) merupakan fungsi pembangkit momen untuk distribusi Normal dengan
𝑝𝑝𝑝𝑝 𝑥𝑥̅ 𝑝𝑝𝑝𝑝
𝜇𝜇 = 𝑝𝑝 dan 𝜎𝜎 2 = 𝑚𝑚𝑚𝑚 atau dapat ditulis 𝑛𝑛
~𝑁𝑁 �𝑝𝑝, 𝑚𝑚𝑚𝑚�.
c) Menentukan Besaran Pivot untuk Ukuran Sampel 𝒎𝒎 ≥ 𝟑𝟑𝟑𝟑
Misalkan besaran pivotnya adalah:
𝑥𝑥̅̅
� − 𝑝𝑝�
𝑛𝑛
𝑌𝑌 =
𝑝𝑝𝑝𝑝
�
𝑚𝑚𝑚𝑚
d) Menentukan Distribusi dari Besaran Pivot.
Untuk menentukan distribusi dari besaran pivot digunakan teknik fungsi
pembangkit momen sebagai berikut:
⎛ −𝑡𝑡 ∙ 𝑝𝑝 ⎞ 𝑡𝑡 1
𝑀𝑀𝑌𝑌 (𝑡𝑡) = ⎜𝑒𝑒𝑒𝑒𝑒𝑒 ⎛ ⎞ ∙ 𝑒𝑒𝑒𝑒𝑒𝑒 ⎛𝑝𝑝 ∙
⎟ + ∙ 𝑡𝑡 2 ⎞ (14)
𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝 2
� �
⎝ 𝑚𝑚𝑚𝑚 ⎠ ⎝ 𝑚𝑚𝑚𝑚 ⎠
⎝ ⎠
6
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
�
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋
�
⎛𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � �
𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � ⎞
P ⎜ − 𝑧𝑧𝛼𝛼/2 < 𝑝𝑝 < + 𝑧𝑧𝛼𝛼/2 ⎟
𝑛𝑛 𝑚𝑚𝑚𝑚 𝑛𝑛 𝑚𝑚𝑚𝑚
⎝ ⎠
= 1 − 𝛼𝛼 (16)
dengan:
�
𝑋𝑋 �
𝑋𝑋
�
𝑋𝑋 �
� 𝑛𝑛 � �1 −
𝑛𝑛
�
− 𝑧𝑧𝛼𝛼⁄2 adalah batas bawah perkiraan
𝑛𝑛 𝑚𝑚𝑚𝑚
�
𝑋𝑋 �
𝑋𝑋
�
𝑋𝑋 �
� 𝑛𝑛 � �1 −
𝑛𝑛
�
+ 𝑧𝑧𝛼𝛼/2 adalah batas atas perkiraan
𝑛𝑛 𝑚𝑚𝑚𝑚
7
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
�𝑞𝑞
𝑝𝑝 �
𝑝𝑝�𝑞𝑞� 𝑝𝑝𝑝𝑝 2
Dalam hal ini 𝑠𝑠 2 = 𝑚𝑚𝑚𝑚 dan 𝜎𝜎 2 = 𝑚𝑚𝑚𝑚 maka: (𝑚𝑚 − 1) 𝑚𝑚𝑚𝑚
𝑝𝑝𝑝𝑝 ~𝜒𝜒 (𝑚𝑚 − 1)
𝑚𝑚𝑚𝑚
�
𝑋𝑋
� −𝑝𝑝�
𝑛𝑛
𝑝𝑝𝑝𝑝 �
𝑋𝑋
𝑍𝑍 �
𝑚𝑚𝑚𝑚 −𝑝𝑝
Dengan demikian, 𝑇𝑇 = = �𝑞𝑞
𝑝𝑝 �
= 𝑛𝑛
𝑈𝑈 �𝑞𝑞
�
� (𝑚𝑚−1)
𝑚𝑚𝑚𝑚 � 𝑝𝑝
𝑚𝑚−1 � 𝑝𝑝𝑝𝑝 𝑚𝑚𝑚𝑚
(𝑚𝑚−1)
𝑚𝑚𝑚𝑚
�
𝑋𝑋 𝑝𝑝̂ 𝑞𝑞� �
𝑋𝑋 𝑝𝑝̂ 𝑞𝑞�
P� − 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) � < 𝑝𝑝 < + 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) � � = 1 − 𝛼𝛼
𝑛𝑛 𝑚𝑚𝑚𝑚 𝑛𝑛 𝑚𝑚𝑚𝑚
8
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
e. Menetapkan Batas Bawah dan Batas Atas dari Perkiraan Selang Kepercayaan
untuk Parameter Proporsi pada Distribusi Binomial dengan Ukuran Sampel
𝒎𝒎 < 𝟑𝟑𝟑𝟑.
𝑋𝑋�
Karena 𝑝𝑝̂ = 𝑛𝑛 , maka perkiraan selang kepercayaan untuk parameter proporsi
pada distribusi Binomial dengan tingkat kepercayaan (1 − 𝛼𝛼) untuk ukuran sampel
𝑚𝑚 < 30 adalah:
�
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋
�
⎛𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � �
𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � ⎞
P ⎜ − 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) < 𝑝𝑝 < + 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) ⎟ = 1 − 𝛼𝛼 (19)
𝑛𝑛 𝑚𝑚𝑚𝑚 𝑛𝑛 𝑚𝑚𝑚𝑚
⎝ ⎠
dengan:
�
𝑋𝑋 �
𝑋𝑋
�
𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 �
− 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) adalah batas bawah perkiraan
𝑛𝑛 𝑚𝑚𝑚𝑚
�
𝑋𝑋 �
𝑋𝑋
�
𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 �
+ 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) adalah batas atas perkiraan
𝑛𝑛 𝑚𝑚𝑚𝑚
Dari hasil langkah-langkah metode besaran pivot didapat bahwa perkiraan selang
kepercayaan untuk parameter proporsi pada distribusi Binomial dengan ukuran sampel
𝑚𝑚 ≥ 30 dan 𝑚𝑚 < 30 adalah pada persamaan (16) dan (19).
4. KESIMPULAN
Perkiraan selang kepercayaan untuk parameter proporsi pada distribusi Binomial
dengan ukuran sampel 𝑚𝑚 ≥ 30 dengan tingkat kepercayaan (1 − 𝛼𝛼) adalah:
�
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋
�
⎛𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � �
𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � ⎞
P ⎜ − 𝑧𝑧𝛼𝛼⁄2 < 𝑝𝑝 < + 𝑧𝑧𝛼𝛼⁄2 ⎟ = 1 − 𝛼𝛼
𝑛𝑛 𝑚𝑚𝑚𝑚 𝑛𝑛 𝑚𝑚𝑚𝑚
⎝ ⎠
Perkiraan selang kepercayaan untuk parameter proporsi pada distribusi Binomial
dengan ukuran sampel 𝑚𝑚 < 30 dengan tingkat kepercayaan (1 − 𝛼𝛼) adalah:
�
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋 �
𝑋𝑋
�
⎛𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � �
𝑋𝑋 ��𝑛𝑛 � �1 − 𝑛𝑛 � ⎞
P ⎜ − 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) < 𝑝𝑝 < + 𝑡𝑡𝛼𝛼/2(𝑚𝑚−1) ⎟ = 1 − 𝛼𝛼
𝑛𝑛 𝑚𝑚𝑚𝑚 𝑛𝑛 𝑚𝑚𝑚𝑚
⎝ ⎠
5. DAFTAR PUSTAKA
[1] Bain, L. J. & Max Engelhardt. 1992. Introduction To Probability and Mathematical
Statistic Second Edition. Duxbury. USA.
[2] Heryanto, Nar. 2013. Statistika Inferensial Secara Teoritis. Yrama Widya. Bandung.
9
Jurnal Matematika Murni dan Terapan “εpsilon”
ISSN: 1978-4422
Vol.10 No.2 (2016) Hal. 1-10
[3] Sahoo, P. 2008. Probability and Mathematical Statistic. University of Louisuille. USA.
[4] Walpole, R. E. 1995. Pengantar Statistika. Edisi ke-3. Gramedia Jakarta.
[5] Walpole, R. E., R. H. Myers, S. L. Myers, dan K. Ye. 2012. Probability & Statistics for
Engineers & Scientists 9th Edition. Boston. United States of America. Prentice
Hall.
[6] Weiss, Neil A. 2012. Introductory Statistics 9th Edition. Arizona State University. USA.
10