 Contoh (mengontruksi interval kepercayaan simultan banferroni dan

membandingkannya dengan interval-T2)

perhatikan kembali contoh data radiasi oven. Kita membuat interval kepercayaan
banferoni simultan 95% untuk rata-rata µ1dan µ2 , dari keempat kaki dari pintu tertutup
0.05
dan pintu terbuka ukuran dengan α i= , i=1.2 .
2

gunakan hasil pada contoh ... perhatikan bahwa n = 42 dan

t 41
( )
0,05
2( 2)
=t 41 ( 0,0125 )=2,327 untuk mendapatkan

x 1 ± t 41 ( 0.0125 )
√ δ 11
n
=0,564 ±2,327
√
0.0144 atau 0.521 ≤ µ ≤ 0.607
42
1

x 2 ± t 41 ( 0.0125 )
√ δ 22
n
=0,603± 2,327
√
0.0146 atau 0.560 ≤ µ ≤ 0.646
42
2

Inteval Banferoni untuk kombinasi linear a′μ dan analog dengan interval - T2 ,
mempunyai bentuk yang sama:

a´ X ±(nilai kritis) a ´
√ Sa
n
α
akibatnya, dalam setiap interval dimana α i= ,
m
α
t n−1 ( )
panjang intervalbanferroni 2m
= (0.70)
panjang interval T 2 p( n−1)
n− p √
F p .n− p (α )

Tidak bergantung pada besarr acak X dan s

5. Inferensi sample besar seputar vektor rata-rata populasi

Ketika sampel diambil mempunyai ukuran yang besar, uji hipotesis dan daerah
kepercayaan untuk μ dapat dikonstruksi tanpa asumsi populasi berdistribusi normal.
Hal yang dianjutkan berkaitan dengan sampel yang berukuran besar mungkin
secara partial kehilangan informasi oleh hanya pada penggunaan nilai-nilai statistic
seperti X dan S .
Semua inferensi seputar μ yang berasal dari sampel yang berukuran besar
didasarkan pada distribusi chi-kuadrat, χ2 , dari persamaan 4-28 diketahui bahwa
−1
( X −µ ) ´ ( n−1 S ) ( X−µ )=n ( X−µ ) ´ ( S )−1 ( X−µ )
 Didekati dengan X^2 dengan fungsi padat peluang

Teorema 5.11

Misalkan X1,X2,...,Xn sampel acak dari populasi dengan rata-rata µ dan matriks
kovariansi ∑ definit positif. Ketika n-p besar, hipotesis H0 : µ = µ0 ditolak pada taraf
signifikan α yang dipilih. Jika pengamatan

n ( X −µ0 ) ´ S−1 ( X−µ0 ) X 2p ( α )

dimana X 2p ( α ) persentil ke (100α ¿ dari distribusi X 2p dengan fpp.

6. inferensi seputar vektor rata-rata untuk missing

Dalam hal pengamatan yang dilakukan dalam suatu survey atau pengukuran,
terkadang diketemukan fakta terjadi data yang tidak terekam atau tersimpan, yang
demikian dikenal dengan Data Missing atau Pengamatan Missing.
Pendekatan umum untuk menghitung estimasi dengan maksimum likelihood dari
data yang tidak lengkap diperkenalkan oleh Dempster, Laird, dan Robin. Teknik yang
mereka perkenalkan disebut Algoritma- EM yang memuat perhitung secara iterative
dalam dua langkah yang disebut dengan prediksi dan estimasi.
1. Langkah prediski; Diberikan beberapa estimasi θ dari parameter yang tidak diketahui,
prediksi dari pengamatan yang pada statistic sufficient
2. Langkah Estimasi; Gunakan prediksi statistic sufficient untuk menghitung estimasi revisi
dari parameter.
Ulangi perhitungan dari satu langkah ke langkah selanjut hingga mendapatkan estimasi
revisi yang tidak terlalu berbeda dari estimasi yang diperoleh dari iterasi sebelumnya.
Diberikan pengamatan X1, X2, ⋯, Xn merupakan sampel acak dari populasi yang
berdistribusi normal sebanyak p variabel. Algoritma – EM didasarkan pada statistic data
lengkap
n n
T1 = ∑ x j=n X dan T 2=∑ x j x j ´ =( n−1 ) S+ n xx ´
j−1 j−1

Diasumsikan bawah parameter populasi μ dan Σ tidak diketahui dan harus diestimasi
langkah prediksi. Untuk setiap vektor x j dengan nilai missing, misalkan x (j1 )menyatakan
komponen missing dan x (j2 )komponen yang ada. Selanjutnya, x’j = [ x (j1 ) , x (j2) ¿
Diberikan estimasi μ dan Σ dari langkah estimasi, gunakan rata-rata dari syarat distribusi
normal dari x1 , diberikan x2 untuk mengestimasi nilai missing.
(1 )
x j =E ¿ (0.72)
(1 )
Estimasi dari kontribusi dari x j pada T2
selanjutnya, kontribusi estimasi dari x (j1 )pada T2

Dan

Langkah estimasi ; hitung estimasi maksimum likehood revisi

~
T1 ~ 1~
μ= , ∑= T 2−μ μ ´ (0.74)
n n
Untuk memudahkan pemahaman tentang algoritma-EM, perhatikan
contoh berikut
contoh (ilustrasi algoritma-EM)
Estimasi rata-rata populasi normal μ dan matriks kovariansi Σ menggunakan data yang
tidak lengkap.

[ ]
−0 3
X= 726
51 2
−−5
Dari matriks data tersebut, diketahui n = 4 dan p = 3 dan bagian dari vektor pengamatan
x1 dan x4 missing.
Dari sampel awal, dapat dihitung nilai statistik
~ 7+5 0+ 2+ 1 3+6+ 2+ 5
μ1 = =6 ,~
μ2 = =1, ~
μ3 = =4 ,
2 3 4
Selanjutnya hitung estimasi matriks kovariansi. Konstruksi estimasi tersebut
menggunakan pembagi n karena algoritma merupakan hasil dari maksimum likelihood,

~ ( 6−6 )2 + ( 7−6 )2 + ( 5−6 )2 + ( 6−6 )2 1

σ 11 = =
4 2
 2 2 2 2
~ ( 0−1 ) + ( 2−1 ) + ( 1−1 ) + ( 1−1 ) 1
σ 22= =
4 2

~ ( 6−6 ) ( 0−1 )+ ( 7−6 )( 2−1 ) + ( 5−6 )( 1−1 )+(6−6)(1−1) 1

σ 12 = =
4 4
~ 3 ~
σ 12 = σ 12=1
4
Komponen pertama dari vektor X1 adalah missing, sehingga kita partisi μdan ∑ sebagai

Dan prediksi

Untuk dua komponen missing yang lainnya, X4 partisi μdan ∑ sebagai

Dan prediksi
Untuk kontribusi pada T1