JAMES

STATISTIKA MATEMATIKA
Pertemuan 15

·
Teorema Limit Pusat Multivariate.

Definisi5.4. I

Misal [Xn] Adalat barisan dai berdimensi P dan X

vektor Misal adalah Vektor
acak,
Semua
menunjukkan ruang sampel yang same. Kita Karakan [X] Konvergen dalam Peluang
Y
ke gika? &Norm:(Xnl+
xs
↳PI1lXr-XI >, 3] 0
=

untuk semoa 330. In 1 X

Forema 5.4. 1

Misal [InSadalah barisan dari vektor berdimensi P dan Misal Y adalah Vektor acak, Semra menunjukkan di

Maka.
ruang sampel yang Sama.

In 1 4 Jika dan hanya dike Xny 1xy Untuk Semva 1:1, ..., p.

contohi

X., X dari Yang memilikimean M dan 8"

·
. . .
., n Sampel acak x

(5)
In dan Sn" Penaksir konsisten untuk M dan 8"

02 n4[(xn-M12,3]-0 dar
MP(/sn"-01,2) 0
=

[Xn] barisan vektow acak yang and dengan mean vektor v dan matriks variansi. Kovariansi 2.

in i
=

=,x:=(X,, . . .
., , [
besar lemah:
Menurut hukum bilangan
Xs 1,
My, J:1. .
. . .
p

Shy Vector In M.

Definisi?

Misal [X] adalah barisan dari vector acak dengan in memilikiCDFEncx dan*adalah Vektor acak
dengan
CDF F(X). Maka [In'] Konvergen dalam distribusikeX Jika:

↳ Fr(x) F(X). =

Untuk semua titik * di F(x) ye Kontinu. In , .

Teorema 5.4.2

Misal [in] adalah barisan dari vektor acak

yang konvergen dalam distribusi ke Y dan misal 9(X)
adalah fungsiyang kontinu di
support 4. Maka g(X)-, g(Y).
Teorema 5.4.3

Misal EN] adalah barisan danvertoracak dan inmemiliti CDF Enix dan MGF
MnCE). Misal adalah Venturacak dan CDF F(X) dan MGF M(E), Maka [Xh} 1 i
h>0.
Jika dan hanya fika, untuk semua

him MnCH:Mct), untuk semua E Sedemikian Schingga HE'll <h.

n+

Forema 3.4.4 (Multivariate Central LimitTheorem).

Misal 2h] adalah barisan vektoracak yang ind dengan mean ventor isdan variansi -

Kovarians;

matriks yang bilangan posity tab

hingga. Asumsikan MGF MCE ada di open neighborhood of 0.

,(xi
Misal
in
=

) m(-i),
=

Maka Yn= NpT, E)

*has an aproksimasiMpf, Y (distribusi).

Teorema 5.4.5

Misal [In] adalah barisan berdimensi

vector acak -

P. Misal Xh, NC, ). Misal adalah matrics Konstanta map dan Misal

jadalah vector Konstanta berdimensi -

m. Maka x 51, N(E+5, E).
+

Teorema 5.4.6

Misal [Xr') adalah barisan vector acak berdimensi p. Misal

n x-ii) A, Np (0, )

Misal g adalah transformasig(x):(9,(X), ... In())' sedeminian shy 1h2p dan Matriks

kxp dari turuman parsial,

=
(9).
i 1..,ke-..-
=

Misal B: B di Mr. Maka

I (g(n)-g(ol) - Nn),B!:)
soal 5.4.1

Misal 2 X? adalah barisan vector acak

berdimensi-p. Tunyukkan bahwa in*Np(4, E)

Jika dan hanya jia a' , M, la', a

'a).

InUp (M,0%, menurut definisi3.5.1

Man(t) E(et*n) exp[+ 4

=

=
+ '[+]
+

Phtk barisan (a'Xn], GERY dant GIR

MaxnCt):E(eta'Xn) E) =
e'tal'Xn/
(ta)' I (tal)
=

exp(ta)'M + I

:exp[ta'M 1 + a [a] +

:exp[ t(a'M) + It" (a'[a)]

Shy [a'Xn] -, N, (a'M, a'[a)

Diketahnia'Xr s N, (a'M, a'[al

Man(t): E(et*)
Duetahni a'Xn= N, (a'M, a'Zal
ManIt) E(e**):Elecala'Xn)
=

-Max ((a'l"a't)
-exp[Ca'l"a'r+ 1(a)"(a')ta'[a]
exp[n
=

+
t z]
MGF Np ( M, z)
MLE PARAMETER GANDA
f(x;8), dimana
Misal X...... Xn
iid
dengan pdf tak diketahni.
parameter & Sepertisebelumnya, fungsi

Likelihood day
log likelihood, diberikan:
↳(8) =

1, f(xii)
a

I (F) f(x:;t),
=, 109
109 L(F)
=
=

Step:
-

1. Tentukan fungsiLikelihood
2. Tentukan log Likelihood.

3. VICE'l =

4. Selesaikan
weare Persamaan pada B
contoh:

Misalkan adalah dari berdistribusi normal

X., ..., Xn sampel acak
populasiyang dengan
Parameter rata-rata M dan 82, yakni xiM(M,02.
Dengan menggunakan
Variansi

metode Maksimum likelihood. Tentukan estimator atan titik bagiparameter M dan 8

penduga
Jawab Diketahui:
f(X,M,82)=
I
y
-

(4) 1
-

x<0
or
2A

-
I
-
(x,
or
11 M,8:
Lor)" city

2) f(M,03 = -

log(0 n) -

!*:-M

31.81(1,84
8M
= -

2(x, -mic -

1)
(xi-
=

r= 0.....

r
21(M,02)
7 =

ji y) 0 2
- + =
· -

. . .

88

4).Xi [Ixi- x
l
0 nm [xi, y x
nm
+
= = =
- -
=

I(Xi 1
.5(Xi r 6 83: 0
-

. = + +

n/0
 Teorema 6.4.1
Misal X,...., Xn lid
dengan Pdf f(x;O) dgn tblm diketahui. Asumsikan regulasiterpennhi, Maka:

1. ((0) 0
=

memiliki solusin, sedemikian

Sehingga n* O_
2. Untuk setiap urutan memenuhi (I):
yg

n -8 D>
is 0, I (O)

Akibat 6.41

Misal regulasiterpenuhi. On Satu

X...... In lid
dengan Pdf f(x,0) Unuk Ot1. Asumsikan Misal

Grutan yg konsisten daripers. Likelihood.Maka n Penausir ygefisien dan

asimtotik; untuk j:1, ...,

n (Ens-8; 1, N (0, [(1-0)]jj)

DefinisiFisher Information
Karena Parameter berbentuk Vektor, hasil Fisher's Information akan berbentuk matriks

MXR.

=(8) COV(Flog
=

f (XiA), log f(XiG) blog =

f(xit), Glogf(X;E)
...,

80, z Om

Es cor , log
=

tixiol on log fixits"-E) worn log f(x:!

atan, bentuk information bisa ditulis:
Fisher's

f(xiEYT-
E E) il
=
blog
↓
-

((logf(xiol)
-

Misal
:( I
(i)(s):I] [m]: Iti
 Latihan 6.4.2

YOi8! Xe - Nilor.Oyee
·
L(8, 02,03) =

dag," era) age-

·
(A1,0c, tz) -n
=

log 2A-Z(X:-fil -
mlogt, -2y:-Oc
203 203 20;

=-I flog ca+logts -fogen+logts -It-219-t 203

61(8.8c,0s) -22(x:-8. 6-1.

0
·
=

20, 203

Xi -

NG, 0
=

nO,:[X;

,
·

2
=x
=

2,0s).-
2[(y:-
82)(-1)
·

203
IYi
= -

nO2 0
=

8 2i y
=

OICO, O2, Ob- [(x:-8,

-s Zo
·

28g 28s
e yi-O
t
(n + m)_
=x
10/3

:m ([(x:-x+ [(y;-j)
Batas Bawah Rao-Cramer
Misalkan Y;adalah Penaksir tax bias Untuk Oj, Maka batas bawah rao-cramer
hya
adalah II"El];;
↳
sehingga memenuhi: elemen diagonal
kes darimatril

ir is it?" -1ij I "CO1.

Y;disebutPenaksi efisien untur Gj, Apabila Var

(4j) mencapaibatas bawah
Rao-Cramer.
Contoh Distribus:Normal

log f(x;MiG2 = =

log2a -10g8 -(z(X -

M)2

81097=(X- M). 891097:

·

24

syt 5(x-M12:64097--ex-MP
·

- -

- +

flog
·7
= -

55 (

I I
22109 log f --
-

5
ICO) =

888 - -

(x -
M)
-

E --
E
logf
blogt
2

-Es (x-r) -(X- M

-

2468

TElax-m Eie-mi-E)items I
-

-23(M
-M-+e(s):(o)
-

M
-

X mit untuk M

((5)"):.* =
02
Var (X)=I BBRC:

...
Penaksir efisien untuk Parameter M.
 Note:

Like 8 adalah mle O,

Untuk maka 9(81 adl mix untuk
g(81.
I mit untuk M

2
x mi M'
untuk

I mix untuk I
a mle Untuk

MVUE : FUNGSI PARAMETER Skip

Step:

1. buat f(x) (product kefungsi)

3
2. Cari statistik
cukup

3. Jakukan 8
mit 8,
untuk
didapatkan Sama separti mencari
4. Periksa apakah 8 adlts dariy.
MVVE Untrk O

3. Periksa E(E)

6.
Jika & unbias, E = 8

7. Jika Adk unbias,

manipulas;agar unbias sebut shy g(8) --E.
atan Pakaisifat kelas exponensual.
1. fx(xit) exp[log fx(x,0)]
=

=exp[P(A)k(x) +H(x1 q(0)]

+

2.
IdentifikasiP, K, H,9 ⑦xtidak mengandung o

3. Periksa Syarat kelas exponensial PCE) bukan fungsi trivial

4. Maka Y [k(Xi)
=
adal Stat. (ukup complete. Jika Kontinu, k'(x)
x to dan H(X kontinu

diskrit, K(X been

3. Periksa ECy) Jika x
fungsin on trivial.

6.
Jika ECy) 8, = :y adl MVVE

7. Jika ECY) FF, tebak ECG(y)) 0.

g(y) yg mungkin mangakibatkan
=

&. f, Jika benar, E g(y).

Periksa E(g(y))= =

lanjute step fungsiparameter.

9. buat g(E) Sby calon MVVE Untuk gCE).

10. PeriksaE(g)apakah91WavI9o=g e
·Jika =
g(0) (bias), laught be manipulasi, lalu kembalibe languah 10-11 Sampai
dapat =
g(0)
 Co:Misal Pop--N(M,07 dgn M blmdiketahridan Gdiketahri, MYE
X.,
..., Xn, cari

1- 8 doskip, Y:X, MUVE M.

9. buat g(M)=g(x):Y: adl Calon MUVE UntrKM2

10. Periksa E(XY M2

Ingat
*
Var (x) =

E(x2-(E(x))
Jadi, E(xC):Var(X) +E(X))"

dan *-NCM,
:E(x2):2 M2 +
=M2

11. Karana odikextahri, maka E(XY-E:M

: E(X2 -

E M2
=

Id, MVVE
U ntrk M" adalah Y2-
=

XX
Misal
pop-exp(X), fix:
-

2
0LXC, X., Xn sampel.
qx4,lainnya
...,

cariMVUE Y5?

[log x + 3"]
-

1. fx(x,x) exp =

-exp[logx 6 x] -

2. P(6): -

6,k(x) x,
=
9(6):1096, H(x):0
3.
Syarat:
1. 9xtak mengandung &

2. P(6) = -

6.ts Kontinu dantak Konstan thdp d.

3. K(x= 1 70, H(x1=0 adl tsKontinu.

:xp(a) KIS Eksponential
1. Y [k(xi):2x;stat ckp komplit
=

3. ECY):E(2xi):[E(xi) 5 I=
=

d
=

6.
dugaan Ixi I
=
=E,N
7. ECE) cari

x: -exp(a) P(1, 5)
x:- In t

Mitra's P(n)(5)"Xin-11 **
=

Es
-xn3+ dx
=(i): E.P(n)(n)"Xin-1l -ins- dx
(nas"-an-1l
=9 * g-Yns de
0 x ren)

98
Ma)"-(n-11-1
I
X g-*ns dI
M(n)
⑧
M(n-1) (nx) (ng)n-1
x(n-11-1 g-Ynd
↑ (n) ! -
↑(n-1)
dX

no, 4(n-its)= 1
P

#!
ns =

*d
(n 1)Y
-

0.E(t) F,3 =

=(*) 1
=

:.n
El
-
1
!" mroE untuk b.
=
7
In
-

9. pilih = n -
1
Sby calon MVVE untuk
IX;

P(n,5)

Apaean)
dimana [xi z -

x=
=

I xi v-E -*
E) mizs*
E n -
1 =
=

TDzint-1g-ne dE

ctdeline
it
nee
 =
11. E
n -
1

Xi

-xn-2) (*1=
P(n).
E

Fiii) ne
a
mout untuk
↑(n -

1) Ex;

Contoh:X., . . .
. n sampel acak dari distribusib(1,0)

·
Statistik cukup:Y:IXi, ECY=no, yarcy):nOCl-Al

E(x1:E(24)
=

(2):E14):0.
Jadi, I MVVE U/O

I move"/0.
Misalkan 8:0C1-fl variansibernoulli
0 x =
Ii I
=
=

Ad> Untuk
MVVE 8 E(t) 0
=

(1
= 2):1 -
0
(1 )
-

J =
=
-

E( (1- l):(1-0)
=(5):E(h)( )) (r (4 - =
-

E()- t)( )" =

=0 -(Ecy") Ecyy:varly) + ->

E(y)
·

- (no- no'+ no? nO(1-0)

-

+ (nOl

=A -

G - O
+

E15):(8(1 -

81)
E(5,40(1 = -

0)

Jd, 8 (1-E)
MuvE
untuk
 X., . . . .
n sampel acak dan pdf: f(x): *, <
x 0,0 Lanya. Make X,..., Xn -(1.8).
CariMVUE Untuk ..

·
f(x,0) exp[10g t
:
-

6]
=exp2-l0g 8 -

E
2. K(x) x, =
PCO) =
-

1, H(x) 0, =

9(8): -logt
zu
3. i15x x > 0
=

ii) PCE): been fungsi trivial.

I
-

iii) k(x)=1F0 H(x1fungsi kontinu w

6d,exp(E) ensponential class.

4. Y:[41xi): 2x;adl Stat cukup dan lengkap.

3.
E(y)=E) 2xi):[E(xi) nE(Xi) no
=
=

2xi n
X 8.
=

6. dugaan
=

->
IX, 0
*
=

x.pino G
-

x I
7. E(x): dX
0 X=

--
-
I

↑(1) A
OR
"Mis zu
I-s- de

Id, Karena ECI):0, maka Y MUVE untuk O

MVUE : PARAMETER GANDA
·
Exp class: bi-parameter, (0,82) EMERR"

fx(x, F., 02) exp[log fx(X,0.,021]

=

exp [P, (0, 0z(k,(x) Pc(0,,fe) ke(X) +H(x) + q(8, 21]

= +

syarat:
i) Dx tidak E, Ec
bergantung
ii) -
mengandung suatu segiempat buka dimensi -m yg tidak Kosong (ruang parametery a
Co: didistribusigamma, 220, B>0 bukan dishatu garis)
(2,p( t[(a,B)/0c(0,0<p(a)

"mart" erpinni
a xB
=

C:G B =

->
tak bisa membertuk segiempat didim garis, make
>G
syarat 2 tak terpenuhi.
iii) P., Pc, kontinu dan tidaktrivial Juga yy P., Pc independent.
fungsionally
C:x +
x bln ts iid (Karena x bisa dibuadratkan (

x -

ytsid Charena tak bisa membuat

menjadi
x
arabenamba
C:.picionbun fs id karena bisa membuat it dariArt in

tupa menambal variabel barn.

} f.awenbeamembranesameama
·
P, (8, 02):0, 02

P2 70, fr):A, V

iv) diskrit, K, IK tak Konstan (ban trivial) dan bebas linear.

Kontinu, k'(x) to, k') to dan k, Pk bbl, dan H(x) Kontime.

:b. 3tak bbl Karena kelipatan

20:k, (X):X

Jbb),Karena
blen kelipatan
e(x) x2 =

Jika memenuhi 4
Syarat tsbt make

Y, 2 k,)Xi)
=

Y:[k(x:) 3 disebut say font completesufficient

<stat. cukup, Kumpit
statistik

gabungan)
Step:MVVE Parameter ganda.
1. bentuk fx(X, F., 02) exp[log fx(X,0.,021] =

exp [P, (0, 0z(k,(x) Pc(0,,fe) ke(X) +H(x) + q(8, 21]

= +

2.
IdentifikasiP., Pc, K., Re, H,9
3. Periksa 4
syarat
4. bentuk statistic. Y 2k, (Xi), Y [k: 1xi)
sufficient
jointcomplete
=
=

3. Periksa ECY,) dan ECYl

B. Jadikan langkah 5, sby petunyuk untuk mencari 9, (Y,,f) dan 9c(Y,, Y) 39

akan Calon MVVE
menjadi
7. Periksa E(9.1 dan EC92), unbias atan bias

8. Jika unb, as Selesai, Jika bias Kembali ke

langual 6.

contoh:

Misal X., Xe,..., Xe Menunyukkan sampal acak

dari distribusiMCA, AC), -Oct, ,
0 <02 0. Cari MVUE ,!
(X-8,12
f x
(X, 0.02) = I -

I 202
2A02

11 x (X, 0, 02) exp =

[log -x-tl"]
to202
=expT -

I log (2x02) -

(x-til. .]
<xt-log (2of adiere to

2) P, (8, tz)k,x) = -

, Pc(8,f2)k(x):XH(x):
-

log(2A),
q(0,02): -

I log -
3) i)8 x [10.,82) 1
=
=
<0, 0, 020,285 -

ii) //P4/, a
~

iii) P, =
-I, PC: P, nontrir, PcMontiv dan P., Pc functionally independent

iv) ki(x) =
x 2 2x
=

70,k,(x):X 1
=
F0, H(x: Kontinu, k, ek bbl Karana

Adk
saling Kelipatan.
Jadi, Karana memenchi 4 N(t.,821*xP class
syarat tsbt make
dan Y,:5b,(xi):2x,' & Y:zk(Xi): B9 merupakan
9) 5X, stat ckp komplt
bersama.
 5 E(Y):E[2x;]=I [Var(Xi) +E(X:l] 520 =
+ On]:nO nO
+

E(Y2):E[[X;]:nt, coretur

6..E(*):ET4) = 0, 7, no, + no, nz + nY

=

Ingat s2,E(xi-x)
X
6d, Y -nx- nOz
=

7. Calom MvvEuntres Oz ad!

Is IX: -nY* nO2 atan:, 2X; -nx2)

INIS = now
d. E("s) E(s) Is t
=

E(z
z-m
.

xn-1

IEY2n-,*-
*
Z.

fz(z):
plz-g-
in**
- n

E("s):I
=

-ina te s
P(E).n-1 -
↑( ).2
soal.

Misal X...., berdistribusi Normal N (M.87

Xn
Menunjukkan Sampelacakyang

*-oce.cariuem, or
dengan Pdf 4- or
fx(x, M,8):2

"fxx,mo=exp[log ' in =exp(logt a Y I +

log -

=exp[-logo. I 2"x(x2 42] log2x - -

2 xn +

=expl-logo slogan co2 2 1) -

- x2 + -

2.
didapatkan P, (4,07: -ato ,k,(x) x 2,
=

H(X): -

blogea
P2(M,84:2, k2X:X, 914,87--1090-
3. Syarat:
i) Dx 4
=

x ER
w} tidak
bergantung dengan parameter M dan 8
j
* x =

ii) syarat is
terpenuhi
A, m,

pirs: Its
iii)
kontinu dan non trivial, serta bebas secara fungsion in

iv) b,(x1:x2, k, (x) 2x

70, k, dan k, tidak
dan karena saling berkelipatan
=

make

k,(x): x, kc(x):1 =
0 k, dank bebaslinear,Serta H(x): -Il0g 2x

adl ts Kontinu.

Karena keempat syarat terpenuhi, make distribusinormal N(M.87 adl exponential

class.

4. Karena NCM,04 exponential class, maka Y, E,k.(Xildan

=

Yc= zk2(i).
Schingga Y:Z, xi dan Y: Z,Yang merupakan statistik cukup yang langhap bersama.

3. ECYc1:E(2,xi) E(nxi)
=
nM.
=

ECY,)=E(E,x:Y 5E(Xil" [Var(xil = =

+ 2 Exil

=n8 +
nM2 n
=
(82 M2 +

6. Pilih 9, (4,,(): I dan 92(4it):(Y,-5)

7. E( ):E(*) E(xi):M. =

Jadi, m IMVUE
=
Untuk M.
 E( (7. -44) E((2x,2-xi):(84M (n2
=
-
1)
+

=18
2

):(*07
0.8:E(h(Y-x)): 0

=4, E((2x,2 -x2))

2
= 0

2 =(2x, -x"):S.
=
=

MVVE untuk on

Definisi7.7. 1
Misal X., X2, Xn Menunjukkan dari sebuah distribusidan
..., sampel acak memilikiPdf

atau
prf f(x, ),dimana EEMIRRP. Misal S menunjukkan support dari X. Misal

Vektor acak berdimensi -m dari statistic ij:(-), Ym) dimana yi 4:(X....., Xnl,
. .

.,
= unti

i=1, . . .
,
m.
Menunjukkan pdf atan pmf dari
fl); E) y IRM. Vektor untuk
dari
=
acak

Statistik Y adalal cukup bersama untuk Jika dan hanya Jika

#, f(x:;)
H(X,
=

xnc ..., Xn), untuk

semua XitS
f (y', )
 X., Xo. ...
Xo a NCM, 51. Cari MurE M,E!
-
T(x-M12
E & 2, -xxxxa

fx(x, M, T1 I
=

nette
0

11 fx(x,M.5) exp =

[log
[log
:exp T flog a -

(x-2xM -

M41]
<xp[I logt -

log
I
25 -

+ TxM+ 2Y]
2) P, (M, I1:TM ·RIM, T1 = -

[ H(x)
= -

Ilugza
k,(x) =
x
kz(x) x2
=

9. M, I1:I 109 [=
M
3) syarat
i) 9 R. [x: -0(x<w3
x
=
=
v

III,in
ii)
W

iii) P,:MI ->

nontrivial, Kontinu

Pc = =

= -
nontrivial,
Kontinu] bebas functional v

~
iv) H(x): -

flog 2a, ts kontinu

k,(x1: 1F0 be
v,
k, dan bebas linear Karena tidak
saling berkelipatan
K2 '(x) 2x + 0 X x2
=
=

:fxadalah helas exponential.

4.4 =

2k. (xi):
4statistik
E,*:3
bersama.
cukup lengkap
Y.:[k(xil:

Var(x):E(x2) E(x)
ECY,):E(2x:):[E(xi)
-

3. nM
=

-
·E(Y):E(2x,:[E(x,Y) ((var (xi)
=

-
+

E(xil]
=I n
+

I
-
r2
+

6. E(?) M
=

Y,En
E():E(X) M =

..
Y:X
-
Untuk M.
MVUE ⑳
7. Calon
R
MVVE Untuk

02
⑪u [:
(n-1)S2
Y* +2 +x
8. E
(n-11S2 E
=

(n-11 S2
v Y - n E
X*
-

↓ -

Elisel:I I
-

! Xire
Si
ziceit 5" (r-11:Ixi2 -nx2

Sch-1) =

-
:

-
-
=z1-g* d

PdfX2(1-3) 1
=
" -

=listin ↑(l

⑪(s) =
=(2"in-ns) =

..
E:
this moveuntukt.
 Video 3
lugas

Fordirtis
by
lainnya
O ·

expe.... it
()
2..
fungsilog likelihood:I (X,8, 821:log(1,021)

exp[-.*:)--
-

=log
(1
I
-logtz
-

(i
i

-
wa,al=
log f(x, 0, 01

gxigioan=minxis
⑧
o

20,

min
=
2X, Xe, ..., Xn}

I mya
bergantung dan parameterya. Jadi, tidak dpt menggunakan turnan ul

mencari taksiran likelihood.

sehingga = ((X:-minkx, xa, ..., xn3)).

-
 PENAKSIR INTERVAL UNTUK MEAN
Definisi4.2.1
Misal X., .... n Sebuah Sampel dari Variabel acak X, dimana X memilikiPdf f(x;0), OEM.

U=UCX., dua
Misal OC21 ditentukan. Misal 2:L(x., ...,
Xr) dan ...,
Xn) adalah

statistik. Kita Sebut bahwa Interval (2,U) adalah (1 -

2(100%

Interval Kepercayaan untuk 8 Sika

1 2 Po[0E(2,v)]
-
=

bahwa adalah
& 1-1, yang
Artinya. Peluang Interval termasuk mana dikatakan

Kocfisieh kepercayaan dariinterval.

atau
tinghat kepercayaan

Step :

fungsiyang berhubungan dengan (MLE).

1. Car:
parameter yang ditanyakan
MLE
2.
pilih fungsivariablel acak yang distribusinya kita Ketahui
yang mengandung penaksir

dan yang ditaksir.

eliminasi.
3. Jika ada parameter yang mengganggy,

4. Pastikan distribusiyang dipilih adalah distribusi

yang terkenal (Normal standart,

Chi-squared, student'st, Fisher's F).

3. But bentuk hasil
probabilitas dariinterval c, danc, Untuk distribusi
yang probabilitas Sama

Interval
dengan Repercayaan.
6. Ubah bontuk Internal dalam probabilitas hingga parameter yang ditanyakan berada dalam

Interval.

Conton soal:

dicariInterval
Akan
Kepercayaan
(Xi M)

, d'en
-
-

①L(M): 8282

exp[ dx,X: 1
n
I
=0
-
-

M
2A

D(M):-n logo - 2022, X:-MP

/(M) 2
"(xi
=

-
M) 0
=

I
in

Xi -nM 0 =

=X
⑳Kemudian mencari fungsiVariabel
acak yang berhubungan I dan M,Yaltu:

X -
M
~ NC0,11
·in
③Setziah in, cariInterval

i
z z,-
⑦ lakukan
manipulasi:

Pr(z(x /r< ):1-

-

d
0
z, -

Pr(X z,
(M(X t, 2)
-

- + 1
=

Pr(X -
< M(x 1):0,934
+

2:1 -0,934 0.046

=

2 0.023
=

2,-0,023 =
drtab*2. =
asan e

Pr(ac
m = b) : 1 -
d

*
 dari distribusiN(M. 8"
·
Misalkan X.,..., Xn adalah sampel acak

x adalah mle untuk M dan n-'s' adalah mix untuk

I

Statistik
T
Yor
=

time

Selang kepercayaan (1-2) 100% Untuk M, diperolth:

1-2:P
tn (T<t1
-

in-1

=Prtz,n<X-M
S/in
x +
in-1)
Pr)-t (X- Mtn
=

Er)
=Pr (X-tgin (M < x+
tafr(
Note:

Jika o'dan r'nyatidak diketahni, mana harus dihampiris, dan Sc".

Jika n, 2 - 2 maka
statistik/hampiran) berdistribusinormal standart.

tidak besar make statistik Cepsabl berdistribusi t.

Jha ni

Soal 4.2. 1

-
t,n <
M<5+tin ...
·
90%, n 20,5 26,5,cc 01.2
tabel us:0.95
= =
=

-
2:1 -0,9 0.1.
=

t,n=toos, 1g=1,729 -
dari

&1,2-1,729.26,54M( 81,2 + 1,729

5
20

81.2-1,729 4,325 <M(01,2 + 1,729 4,325

79,20977>M83,19023
 PENAKSIR INTERVAL UNTUK KUANTIL
Kuantil he p
Misalkan x adalah variabel acak Kontinu
dgn CdF F(x).
Ep disebutpersentil he loop
memenuhi E(Ep):p.

Misalkan adalah Statistik terurut a

sampel acah darix.
Y, <Y<...Y
Misalkan R= [(n+1)4], maka persentil sampel be loop
yaitu Yu adalah penabsir "/Ep.

KonstruksiSelang Kepercayaan
·

Konsep Distribusi free confidenceInterval Untuk

Ep
·
Misalkani ([n+1p] <;dan Y:
<EpLY; dimana Yi,Y;adalah
Statistik terurut

· Dalam Konteks distribusi binomicl, P(X([p)=F(<p) P Sbg

=

Peluang"sukses".

dingatakan datare
Delvang hejadian Y.<Ep <Y;dapat
·

P(Y: <Ep <4j)

=

W i
=

·
Misalkan
p(Y,<Ep<4i):U, maka
peluang
suatu Interval acak

(x,,4j) memuat kuantil order adalah sbsr W.

Selang Kepercayaan untuk

median

Variabel
Misalkar
·
x adalah acak Kontinu dgn CdF F(x).

S0,5 adalat median darix, memenuhi

F(90,5) P(X 905) 0.5
=
· =
<

·x., X2, . . . Xn adalah sampel acak ukuran a dari distribusi Yang

X terbait dgn
,

statistik terurut Y, <YcC... Y.

·

pilch & E (0, 1)

pISCI] E, Amana s-b(n,I).

=

·
adl kuantil he dari distribusib(n,I)

·
P2S>,n -

(z] E =

Shy p(Yc,+1 <E0,5> Yr-cx): 1- 2

:(Yc +1,
Yn-c) adalah slang kepercayaan (1-2) 100% y) 3015
 contoh

36 70 &9 9496 101102 102 102 103 10b l00 10 113 116

·
Mencarislang
hypercayaan 00% untuk 40,5

menentukan main shy P(Eng<Yn),0,75

PJY, = Exg < Yr) 1-4[Y =
=

Eog]
=1- ((i) (0,g)" (0,1) n-m]
:1- 7 1.0, 9". 1330,75
:1-0,945,0,75
0,g4 >, 0,25
- -

n
0,25
=
0.9
n
logo.Ilog 0,25

n(=0,105361) = 1,38629
=

n 13,15753
=

Jadi, diperlnkan paling sedikit 14 sampel.

b) P(Y, <
[0,s (Yz)
" 3 W

(0,25)
-

(0,75)
W I =

-
3
10,251'(0,75) 3 +

C0125, C0,751*
I

-....
menentukan n
shy p(Y,<E0s <Yn)>,0,99

:1- p(Y, 50s)-P(Yr:505)

=

(4) (0,51'(015" (2015)" (0,5/non

-
I
=

-
 Uji Hipotesis
Pengantar
·
Misalkan Variabel acak X memilikiPdf f(x,0) dengan of M.

·
It Wo atau w, dimana won W, dan
=

WoUW, .
=

0 two H1: 0 GW,

·

Hipotesis:Ho: Vs

·
No disebut
hipotesa nol.
Sedangkan M, disebut hipotesis alternatif atan hipotesis (kergal
penzliti.

·
Keputusan to atau Hy berdasarkan sampel acak X, Xc,..., Xn.
·

Keputusan dapat salah:

Keputusan &->W,
-
Padahal 0 -> Wo

-
Keputusan & E
Wo padahal of
C,

·
kesalahan Jenis I adalah menorah Ho padahal to benar
Kesalahan Jenis adalah menulak to padahal My benar
I tidak yang

Contoh 4.5.1 Data Zea Mays.

Charles dan
·
Tahun 1078 Darwin meneliti pengaruh penyerbukan slang Penyerbukan
Sendiripada tanaman senis jagung.
· 15 sampel (Y.,2,1, ..., (4,5,25), dimana Yiidan 2,berthrnt.thrut adalah

tinggi pohon fagung hasil penyerbukan slang dan penyerbukan sendiriyang ditanam

Pada pot i 1,2,

=

...,
15

· Misalkan Xi= Yi-2,beda tinggi kedua Jenis penyerbukan yang ditanam

dalam i.
pot
·
Misalkan Xi:M+ei, dimana e; iid dgn pdf f(x)
·
Jika M E(Xi)=
=
0 maka E(Yi)=
EC2:1

Juba M30 maka E(Yi)>E(2i) berarti hasil rata-rata

jagung penyerbukan silang
·

lebih tinggi dibandingkan jagung hasil

penyerbukan sendiri.

·
Rumusan Hipotesisnya adalah
Ho: M =
0 VS H,:M>0
·
No:903
menyatakan tidak ada beda, Sedangkan w,:(0,0) menyatakan fagung hasil

Penyerbukan slang lebih tinggi

Tabel Keputus an

Definisi4.5. 1
Kita Katakan daerah Kritis C dari ukurand Jika

x Yew! Po[(X,,
=

. .
.,
Xn)tC]

Kuasa ugipada 8.

1- Po [Type I Eror] =
Po[(X., . .
.,
Xn)tC]
Peluang mendeteksibahwa o C, adalah parameter yang benar.
jidapat
·

·
Meminimumkan Peluang kesalahan Jenis It ekivalen dan memaksimumkan kuasa usi

FungsiKuasa dacrah Kritis

Uc (8):PoI(X,, . .
., Xn)-C];Otco,

C, dan C, Kednanya adalah dacrah a. C, lebih back

misalkan kritis
dengan ukuran

dibandingkan dgn (c Jika VC, (O) > Vce (8) Untuk semua ftw,.
contoh 4.5.3 ukuran sampel Besar
Gyimean
variansivs t
·
X variabel acak
dengan mean M dan

hipotesis 40:M Mo H,:M> M.Pd a untuk suatu Mo.

Menguyi VS upuran
=
·

·Misalkan X., ....

An Sampel acak dari X. Mean dan variansisampel adalah X, S2.

X adalah penaksir takbias untuk M.

·
Tolak Hu Jika nila: I Janh lebih besar dariMo.

-
·
MenurutForema limit pusat
rico, tolak to yika nilai
shy
x -
M
7, 2a
s/r
Untuk menorak Mo, nilai harns lebih
y besar dariM.
paling sedikit Za
r
·

· kuasa yi:UIP):Pp(s<h), P<P.

Hampian fungsikuasanya
09:0) z =

-WM)(
 t

C:2(x,,x2): = x,+x2 3

9:3(x, x):0xx, 1,02X, 13

aXz

in
X,
3

f(x,x) f(x).f(xc) =

O-1
OX,
· 0-1, O X2

(X,X2) 8-

U.=() ox, xal* dx,kx,

-*(x,x)8dX
-

x
Max Pol x-c]
x binomial =

pigni.Rancel
n 10 in
P=(X(3)
=

x
t
=

Ho:p
%) p (1 p)0
=

· -
x
-

H:P =

(t).-t"+"(t)() ()(t)"
-

function
-

(i)(t)= 0, Kig
power

P(x23):Ia+ )pX(l- p)
-
*
·

. ()'l? ((E) lit

0,7759
=
 U51 PALING KUASA

Definisi
Misal dari katakan Cadalah
(Menunuhkan subset
ruang sampel. Jalu, kita best

Critical region dari ukuran a untuk

menguy;hipotesis Sederhang Ho:0 0'that
=

H,:8 0 "Jika
hipotesis sederhance alternatif =

a) Po, (X-C] d
=

b) untuk setiap subset dari

A
ruang sampel,
Po[XtA]: < => Po"[X-C] >, P0:[X=A]

Forema Neyman: Pearson

Misal X., ...,
X dimana n bilangan bulat positif, Menunjurkan sebuah sampel acak dari

distribusi yg memilikipdf atay pmf f(x, 8). aly, likelihood dari X., ...,
Xn adalah

0.x)
f(x,,0)
=

,
untukx =(x, . , xn)

Misal O'dan 8"adalah nilai tetap yang berbeda dari8shy-=28: 8:8'f"3, dan misal

or
kadalah
bilangan positif. Misal (subset
rang sampel Sedemikian Schingga:
0';x)
al = h, until setiapXEC.
L(8";x)
38';x
b) 2, k, Untuk setap x & C
L(0";x)

c) a Pr [X=C]
=

contoh:

DiketahuiX., Xn adalah yy id dari distribusinormal (0,251, Shy

...,
sampel acak
pdf nya

f(x,0) 1 =
= 1
-
cao: 2 50A

=
Pengugian:Ho: E 10
=

vs H,:0 12.
· crsel. ol" exp(-(x-102 I 50
↳k
212,x)
()"exp7-Exi
exp[-z(x: -1012 2(x: + -121-]
58 50

exp[-2(x,2-20x, 50
+ 100)
I(2-2x+4
+

I
exx[
2 - xxi 44) +

exp7 +*] Ik

= -

zx
n log
+

(2x:=in) logt o
[Xi-lIn- logh

Ix>
1In-2 logk
he
2, 11-
light
·
Car:PCC; Hobenar)=2, Ho:M:10

P2<,C M 10 =
2
=

P(Xx,c,m 10)
->
+
d
=

p
=

(-10;
S/i
n
10)
=

x
=

re
k
P(zx,k,M (0) 2,zwN(0,1)
-> =
=

1 P(21k) 2
=
-

1 -

0(k):2
k z, 2
plan)-d, make
=
-

k daritabel mco,1) sedemikiansng

Jadi, sika didapatkan
C 4(X.,
=

. .
., X: xC] best critical region
Misal X., ...,
n Sampel acak dari distribusinormal dengan
mean M dan Variansi16.

H,: M=15
M

40:M 10 VS
=

X 0,05:5%
=

exp[_(xI
I
L(X;10;16) =

i1
= 32π

I
I

32 A
exp[- 50)
(1x; 15; 1) -

*exp[ 15] -

I
(A)-expI- I
= [K
(2)exp [- 5"]

=exp[- 215] 2(x,-

+

(X;-10)2 + I(xi-15)"
-
lugh
32

-0xi
100)
I(X,2-30x251
+

+
(logh
32

I(x,2 -20x: +100) + [(x,2-30x; + 225) = 32

logt
2
-
+ E20x; -2100 +
X,2-230x; +222532 logh
I10x
-
+ 2125 = 32 logk
-

102X, + 125n = 32 logk

-102xi+ 2000? 32 logk
102X; = 32
lugh 2000
-
-

[xiH(16M, 15 2x;
3-3,2109k 200
+

Prr (XEC)

old
x =

0.05 Pr(2X:>,
= =

3,210gk + 200)
:1 -

pr (2x;< -

3,2109k 200)
+

e
-

X -
10 M(0,1)
UII RALING QUASA SERAGAM.

Definis
Daerah kritis ber-
Kritis C adalah
uniformly most powerfull (UMP) daerah

to
ukuran a untuk
menguyi hipotesis Sederhang
Us
hpotesis gabungan
himpunan (adalah daerah kritis terbaik berukuran
alternatif M, Jika a

untuk to thap HI. Gyiyang ditentnkan olch daerah kritis C ini

mengufi
disebut
Uniformly most
powerfull (ump), dengan tingkat signifikansiC,
mengugi hipoter's Sederhand to melawan
hipotesis komposit He.

Conton

~Poisson (8) c
f(x,0) e
=

-08, x=001....

Ho:0:0,1 VS M,: 0 0,5 x!

contex
=

(e-age
- ! (2015). C0,512.
↳K

2 x:
G-1 (0,1)
EK
Ex,5) 2x:

e4.
·

ex EK se j ke

=1- x) (n(5) (n/k5-4) --4+Ink

=

xi,
n=C, adl daerah krit's terbaik untuk ys i

hipotesis Ho:8: 0,1 US M,: 0 0,5

=

Misalkarc" 3makapo.sj.**isanera tries ba at

5 (0,5):1-P0:0, (2x, = 2)
=

1 -0,1247:0,0163 power of test

IKa H0:8:0,1 VS H,:0 > 0,1

(0,1)2xg
-1(0,
((0,1,x) !
=
·
K
LI0",X) E 18"**:G-lut"

·)*x (11010.1-0") [K

x In
Ix,( In 2011) -

InC0")) -
1 100"
+
In
= K

2x: (-2,30259-InCf") -
1 108"
+
Ink

Ixi (2,30259 + (n(0")) = Ink+1 =

100"

IX:, Ink+ 1 -
108"
=C
2,3025 1n(8")
I +

-xi,3 adl ump daerah britis untrk yido:0:0.1 US H,:030,1

Untuk Kasus Hr:O? E' vs H,:tcO atay O'

Ho:8? vs H.: E>O

Algoritma:
1. fx(xit) exp[log fx(x,0)]
=

=exp[P(A)k(x) +H(x1 q(0)]

+

2.
IdentifikasiP, K, H,9 ⑦xtidak mengandung o

3. Periksa Syarat kelas exponensial PCE) bukan fungsi trivial

4. Mara Y [k(Xi)
=
adal Stat. (ukup complete. Jika Kontinu, k')
x Fo dan HCN kontinu

diskrit, K(X been

Jika x
fungsin on trivial.

3. Periksa apakah p(O) fungsinalk/thrun.

6.. Jika PCO) tungsinalk (f's 01:
·M,:OCO maka c =

[,k(i) =K3
0'
-H,: 0 > maka
2,k(X;1<,K}
c=

·
Sika p(0) fungsiturn (f'< 0):
-H: 0 < maka 2: 2,24(xi) 2,K}
-H.:0> 8' maka
=
22,k(xi)-4}
 WII RASIO LIKELIHOOD

a ***E-it Zx:-x]
Ho: O GW Ja, 2 :
H,:0 4 w

No ditolak Ketika 1:
In So?I
4. Buat
↓

ruang parameter
n
! do

"Pactx:-l]. exP5-cr2X:-x)*
e
contoh O
I Do
Misal X.,...., xn did berdistribus;N(m, by

exp(- 42(xi-Mol-2(x:-x3]
↑Fidak diketahui, odiketahui. HoiM=Mo n=

H. iM Mo-
1.
Specifikasi c: E M Mo, =
2 5.}
=
3. otak-atik Sampai ketemu rasic likelihood

1:2 N(M(0,0 5'3 C

2..3.
=
=

2x-ugar
2. Buat L(c1, jika unspecified, taksir
Oc(2- 22x, 2m!
co
+ -
xi+ x2x;-
menjadi ((w) menggunakan MLE.

C":specified:[M:Mo, 0 =503 Phth x:2x: 5, Yn:2x,

& unspec &SPES

unspecified:(-0(M(a, 0 2,}
=

-zMoNx+hM+2nx-ny<,28,109 do=3,

Lar):
dre **PE-3 -

2 Munx nM +
+ nx, 6,

MrY
-
n(x 2Mox+ >, 6,

9-
I

"RA**P [[xi-Mol n) x -
Mr)" >, 6,

3. Buat L(r), jika is

unspecified, taksir C:3nCx-Mol 2, 6,5
Calon rasso likelihood critical region
menjadi((M) menggunakan MLE

**E-c (i-mp]
-:
6. Penuhi syarat PCC; Mubenar):a

n**[-z(xi-
I
p(nex-M, 3.) pr)E)si)
-

13 :
mg
an-Exi-my = o
:Pr(E -
E or
f(): Id, Ho ditolan sik a
12(xi
+ -
M). y=0
25 C:
[E, 4]
= Xi nM 0
=

atau
Ne
-

FO B:
E1 x
=
conton:Pop -NCM, o H.:M 3
=

H:M =3

1.4 (M 3,0(20}
= =

=2 -

0<M(0,028203

((c0): exp[-j(x: 33
2.
-

-22A

exp)- 52; 31]

I

522A)"
-

f(w)
:
=

log(5a) -

2(x, 3)2 -

:-
logs -

logan -

ZX;-31
2110)
2 y2:- 3 0
=
=
- +

882

↳ [Ki-3) n
=

&C:
[x3
"
(181:(21x-s)" x44-2- 32]
sng H

:(n s)
Mz
5- 3 2n =(xi -
exp

(r):(crr)" exs[r[(xi ms]

3.
-

e(r): -

I log 2x
-- logt-, I(Xi-M

all 0+
=

Tyats/2(xi-M1.
[N: M) -
0
=

2x; -

nM 0)
=

=X
 one 0
=

- -

+1 +*2(xi -

4 0
=

I M)
↳
- n
=

say L(-): = x]
(2xxxi-x1
nex
I
=(2xi-x) I 4 3 -

(xi-sp) a
*T
4.25 A
=
A = I do

x)
A
x [(x-

( su

it
2/n
sa

Calon Rasio likelihood critical region

C:
2= 3 s

[(xi-3-E(x-x=nx-s
-2:p/= 0,: =3) Phth
I(Xi -3) n(X 3)2 [Xi x)
= -
+

dibawah to benar make Pop -N(3,07

-xP
[(x
(ix.x18,
C =

D M(x-3)2 +

[(Xi-x)/acxi -
x
I
I I
I
P I di
n(x -

3)2
t
I
[cxi-x
 C

ail!") I Xi-x
(x- 3
·
s:
pr) = (Xi X)
-

(n -1152 E(Xi -x)"

=

Pr
S"(n-1152 I
4
(syne" F
ir
-

at [n-1
U51 MAKSIMUM LIKELIHOOD.

variabel X memilikipdf f(x, 8), OC-.

Ho:8:Go VS H,:0 F Go
Misalkan E adalah mle untuk 8.

Wasio bila to benar

1:L(ful<1
make a +
1

2() bila H, benar make

a kecil

LRTC (ratio likelihood Test (

Tolak Mo(Dukung H.) Jika IC, dimana a memenuhi

Pr.
2: (n=C)

contoh b.3.1

Misalkan Pdf dari X adalah:

f(x,) t,x,030
=

LCH1. ()" -**: (I).-**

8X : adl mixuntuk 8:

a
-()"expl-E*+n.e"(o)expl- nE), misa
=

misakan:

g(t):texp[-nt]

gict n
=

+ e
int
ntg-nt
- 0
=

+t
=

tClt) 0,t:
=
=

1.

t FO

g"(t):n(n-1) +r nt_ n2 th-le-nt

-
-

-[ n]<0,shg
-

g"(l) n(n-1) e ncc-n e 94) mencapaimaksimum.

=
=
-
-

g(t)c fika dan hanya jika t =

C, atau t>, Cc

atan

atc likedanhanga Lia EC, atan

the
Jadi tolak Ho Jika I INI
Y?- or
Xs
Torema 6.3. 1

Asumsikan kondisiregulasiSama den teo 6.2.2 dibawah 40:8:Go

->
log a 1, x x)
Misalkan xi: -2 log a dan Ho 18:G. Vs H,:0 FGo
tolak No Jika X, X?: <

Ho
Wald-type test
-Abawah
tr =
Xi =

n I(E)(-00) 3
tolak Ho
(Dukung H.) Zika XiX 2(l).
rao's score test.
2

XR l'Col =

nI(t)

tolak No Jna
Yp, X?(I)
2x 5x:
al. ((0) 0 =

(1 -

8(M-
+(8):2xIn 8+ (n-2xi) (n(1-0).
I'(0)
-X
2
=

↑
n
=

[x. if(n-2xi) 0
=
-

Exi I=
=
(n 2xi)
&
1 -

1- 0

IIx =

-
=xi 2 +
1
=

1-f

Ex+2x8
 -xInCl-8)
a
100:(is)existen
=
in(1-8)
-
2(n(a): -

2(n(z) x(1
=
-

5)n
- 2xi -
1 +

*
6)
ex(1

·ye:xina
exi
x)n
-

x -

b) I(0) =

E(22 log(f(x,t))
202
(n8 + (!) In?O
-(Inco(-f)"))
x

-Ea?"lt"iti
OC1-ol

ICO):
(In (f(x,;)
I(8):1
(x- (1- x) Io
-

&(1 E) -

It
is
·

=x(1 x)
·
-

=n (ti -0)
-(1 -
A)

ect):s
In (3x-1):
2
3n (3x- 1)
X: -

2 n.
I .
Ho ditolak Jika n(3x 1)
x3,94)
-

2
EY Misalkan x...., Xn adl sampel acak yang saling
bebas berdistribusiIdentik dari
dan suat
populasiberdistribusinormal
dgn pdf mya

fx(x)
1
=

62 exp[-(et], -x<0

b) membuatSelang (1-2). 100% O'

Kypercayaan untuk parameter

>CLT:X-M
~
NC0,1)
8/n

-xi
11-a)100%:P
x (n X -E
r)2

p(nM
n(X -

Xi
-E

Pro in
=

:62 xE
nx- e
 4
a) Cari MVUE Untuk 8

exp - I log in -

log
I
in

k(X): (X-M12 Mix): -

I log Ca

9184: 9102: -

I log on

· 0D 2 =
-

xxx< & 3 v

& p(87 bln Solusitrivial +

pCA):
o
-

③ K(x) 2(X-M1 FO.=

M(x) Kontinu.

y I(x-M)
&
stat cukup lengkap
=

M
E(Xi-3)
y 3
=

E(y):E(2 (xi-312)
=I(E(x-3):2(E(Xi2 - 6
x, g()
+

:n (62 g + -
10 + 9/

n82
·

EC!
e