Pembahasan UTS 2022

Statistika Matematika II

SOAL 01

A) Sebuah sampel acak berukuran n diambil dari suatu populasi yang berdistribusi dengan
pdf f ( x , α )=exp ⁡(−( x−α )) dengan x >α . Jika, diketahui Q=Y 1−α dengan Y 1 merupakan
order statistik terkecil, maka selidiki apakah Q merupakan pivotal quantitiy !

Jawab :
 Definisi dari sebuah pivotal quantity
A pivotal quantity Q is a function of X 1 , X 2 , … , X n and θ whose probability
distribution is independent of the parameter θ . “Pivotal Quantitas Q adalah fungsi
dari X 1 , X 2 , … , X ndan θ (parameter itu sendiri) tetapi distribusinya independen
dari parameternya.
Contoh :
 Cara mencari sebuah pivotal quantity

Secara kesimpulan, suatu pivotal quantity bisa dicari dengan mudah jika
fungsi distribusinya berasal dari keluarga lokasi skala. Apabila berasal dari
keluarga lokasi (suatu fungsi yang memiliki parameter lokasi yang tidak
diketahui) maka pivotnya dari parameter lokasi adalah ^μ−μ dengan μ merupakan
^ adalah estimasi dari MLE. Dengan syarat yang sama,
parameter lokasi dan μ
σ^
untuk parameter skala dari keluarga skala diperoleh pivotnya adalah .
σ
Jika, berasal dari keluarga lokasi-skala (kedua parameter tidak diketahui)
σ^
maka parameter skala memiliki pivot dan parameter lokasi memiliki pivot
σ
μ^ −μ
. Dengan demikian, jika ingin membuktikan apakah Y 1−α adalah kuantitas
σ^
pivotal diperlukan pembuktian (1) Apakah pdf berasal dari suatu keluarga lokasi-
skala, lokasi saja, atau skala saja. (2) Jika memenuhi keluarga lokasi, maka bentuk
kuantitas pivotalnya adalah α^ MLE −α . Sehingga, perlu dibuktikan apakah
α^ MLE =Y 1 (Statistik Orde 1). (3) Membuktikan bahwa Y 1−α adalah distribusi yang
bebas dari α .
 Pembuktian (1)

Dengan f ( x , α )=exp ⁡(−( x−α )). Maka, kemungkinan σ =1 sehingga, fungsi dari

g ( x−α
σ )
=g ( x−α ) =exp ⁡(− ( x −α )). Oleh karena itu, fungsi ini berasal dari

keluarga lokasi. Sebagai informasi tambahan, fungsi di atas merupakan pdf dari
distribusi two parameter eksponensial dengan parameter σ =1.

 Pembuktian (2)
Dengan fungsi pdf di atas merupakan keluarga lokasi, maka secara umum
kuantitas pivotalnya untuk parameter α adalah α^ MLE −α . Selanjutnya, akan dicari
α^ MLE dari fungsi pdf tersebut.

f ( x , α )=exp (−( x−α ) ) x> α

Notasikan fungsi likelihood dengan L(α ∨ X 1 , X 2 , … , X n )

n
L ( α| X 1 , X 2 , … , X n ) =∏ exp ⁡¿ ¿
i=1

L ( α| X 1 , X 2 , … , X n ) =exp ⁡¿

( )
n
L ( α| X 1 , X 2 , … , X n ) =exp −∑ ( x i−α )
i=1
 ( )
n
L ( α| X 1 , X 2 , … , X n ) =exp nα −∑ x i
i=1

Notasikan fungsi log likelihood dengan l(α ∨ X 1 , X 2 , … , X n )

[ ( )]
n
l ( α| X 1 , X 2 , … , X n ) =ln exp nα −∑ x i
i=1

n
l ( α| X 1 , X 2 , … , X n ) =nα −∑ x i
i=1

Turunkan fungsi tersebut terhadap α

( )
n
d
nα −∑ x i =n
dα i=1

Sehingga, aproksimasi berdasarkan turunan tidak dapat ditemukan karena α sudah

hilang dependennya dengan fungsi turunan saat turunan pertama. Hasil turunan
bersifat konstan dan tidak menghasilkan gradien.
 Secara grafik, semakin kecil suatu x nya nilai probabilitas semakin besar maka
semakin kecil x nya maka semakin besar peluangnya terambil secara random.
Oleh karena itu,

α^ MLE =min { X 1 , X 2 , … , X n } =X (1 )=Y 1

Catatan Penting : Suatu estimator parameter akan sama dengan statistik ordenya
jika batas – batas fungsi pdf mengandung parameter itu sendiri.

x >α ,maka α^ =X ( 1)

x <α ,maka α^ =X ( n)

 Pembuktian (3)
Untuk membuktikan bahwa Q=Y 1−α berasal dari distribusi yang terbebas dari α
maka diperlukan pdf dari Q dimana f Q (q) harus terbebas dari α .

Mencari fungsi densitas dari Y 1 (Statistik orde pertama). Notasikan dengan g1 ( y 1 )

n−1
g1 ( y 1 )=n [ 1−F ( y 1 ) ] f ( y 1)

g1 ( y 1 )=n ¿ ¿
g1 ( y 1 )=n ¿ ¿

Jika, Q=Y 1−α maka Y 1=Q+ α sehingga untuk mencari f Q (q) dengan kaidah
transformasi diperoleh sebagai berikut.

| |
f Q ( q) =
d y1
dq 1
g (q)

−qn
f Q ( q ) =n e ; q >0
Baik, batas maupun fungsi distribusi dari q telah terbebas dari α . Diperoleh
kesimpulan – kesimpulan sebagai berikut.
(1) f (x ,α ) berasal dari keluarga lokasi
(2) Estimasi MLE dari α^ =X (1)=Y 1
 (3) Distribusi PDF dari Q terbebas dari parameter α .

Dengan demikian, terbukti bahwa Q merupakan kuantitas pivotal untuk α .

( ) , x >0 ; β >0
Ω
Ω Ω−1 −x
B) Jika X variabel acak dengan pdf berdistribusi f ( x ; Ω , β ) = x exp
β β
n
2
dengan Ω> 0diketahui sebesar 1 dan misal diketahui pula pivotal quantity dari Q= ∑x
β i=1 i
. Tentukan interval konfindensi ( 1−α ) 100 % untuk parameter β !

Jawaban :
 Identifikasi distribusi dengan Ω=1
1
f ( x ; β )= exp
β
−x
β ( )
; x >0

Dengan demikian X merupakan distribusi eksponensial dengan parameter β .

n
2
 Identifikasi distribusi Q = ∑ x dengan cara MGF.
β i=1 i

M x ( t )=E ( e tx )
∞

0
1
M x ( t )=∫ ex p (tx) exp
β ( )
−x
β
dx

∞
M ( t )= ∫ exp ( +tx ) dx
1 −x
x
β β0

( )
∞
M ( t )= ∫ exp −x ( −t ) dx
1 1
x
β 0 β
du
( ) ( )
1 du 1 dx=
Jika, x −t =u, diperoleh = −t sehingga;
β dx β
1
β
−t ( )
 ∞
1 du
M x ( t )= ∫ exp (−u )
β 0 1
β
−t ( )
∞
1 du
M x ( t )= ∫ exp (−u )
β 0 1− βt
β ( )
∞
M x ( t )=
1
( β
β 1−β t )∫ exp (−u) du
0

1
M x ( t )=
1−βt
Sehingga, melalui sifat – sifat MGF diperoleh
M Q ( t ) =M 2 n (t)
β
∑ xi
i=1

M Q ( t ) =M n

∑ xi
i=1
( 2βt ) Karena distribusinya bersifat identik
[ ( )]
n
2t
MQ (t)= Mx
β

[ ]
n
1
MQ (t)=
β2t
1−
β
−n
M Q ( t ) =[ 1−2 t ]
−2 n
M Q ( t ) =[ 1−2 t ]
2

MGF dari distribusi di atas menyerupai MGF dari distribusi chi-square dengan
2
derajat bebas 2n. Sehingga Q χ (2 n).
  Mengkonstruksi interval konfidensi pada β untuk ( 1−α ) 100 %

[()
1−α=P χ 2α ( 2 n ) ≤Q ≤ χ 2
2 (1− α2 )
(2 n)
]

[() ]
n
2
1−α=P χ
2
( 2 n) ≤ ∑ 2
xi ≤ χ α ( 2 n)
α
2
β i=1 (1− 2 )

[ ]
1 β 1
1−α=P 2
≤ n
≤ 2
χ ( 2 n) χ (2 n)
(1− α2 ) 2 ∑ xi ()
α
2
i=1

[ ]
n n
2 ∑ xi 2 ∑ xi
i=1 i=1
1−α=P 2
≤β≤ 2
χ ( 2 n) χ ( 2 n)
(1− α2 ) ( α2 )
Dengan demikian diperoleh konfidensi interval pada β untuk ( 1−α ) 100 % sebagai
berikut.

[ ]
n n
2∑ xi 2 ∑ xi
i =1 i=1
2
, 2
χ (2 n ) χ ( 2n )
(1− α2 ) ( α2 )

SOAL 02

Jika X 1 , X 2 , … , X n adalah sampel random dari sebuah populasi dengan fungsi kepadatan
probabilitas
 {
x−1
f ( x ; θ )= ( 1−θ ) θ ; x=1 , 2 , … , ∞
0 ; yang lainnya

Dengan 0<θ <1 adalah parameter yang tidak diketahui.

−1
Var ( θ^ ) =

[ ]
2
A) Hitung batas bawah Cramer-Rao, yaitu d lnL ( θ )
E
d θ2
Jawaban :
 Identifikasi mean dan varians dari distribusi di atas.
∞
E ( X )=∑ x (1−θ ) θ x−1
x=1

∞
E ( X )=( 1−θ ) ∑ x θ x−1
x=1

Untuk menyelesaikan kasus penjumlahan rumit seperti ini, bisa dengan

menggunakan turunan.
∞
d x
E ( X )=( 1−θ ) ∑ θ
x=1 d θ

∞
d
E ( X )=( 1−θ ) ∑ θx
d θ x=1
d 2
E ( X )=( 1−θ ) (θ+ θ +…)
dθ
Dengan nilai θ berada pada range (0,1) maka diperoleh

E ( X )=( 1−θ )
d θ
dθ 1−θ ( )
E ( X )=( 1−θ )
(( 1
1−θ )2 )
1
E ( X )= (Mean)
1−θ
Selanjutnya akan ditemukannya varians
∞
E ( X ) =∑ x 2 (1−θ ) θ x−1
2

x=1
 ∞
E ( X 2) =( 1−θ ) ∑ x 2 θ x−1
x=1

Lakukan sedikit modifikasi kembali maka didapatkan bahwa

( )
2
2 x−1 d ( x) x−1
x θ =θ 2
θ +xθ
dθ
Sehingga,

( )
∞ 2
d ( x)
E ( X ) =( 1−θ ) ∑ θ
2 x−1
2
θ +x θ
x=1 dθ

[ ( ))
) ∑ (
]
∞ 2
d
E ( X ) =( 1−θ θ
2 x x−1
2
θ +x θ
x=1 dθ

[ ( )) ∑ (
) ∑(
]
∞ ∞
d2 x
E ( X 2) =( 1−θ θ 2
θ + x θ x−1 )
x=1 dθ x=1

[ ]
∞
d2
E ( X 2) =( 1−θ ) θ 2∑
(θx )+ 1 2
d θ x=1 ( 1−θ )

[ ( ) ]
2
d θ 1
E ( X ) =( 1−θ ) θ
2
2
+
dθ 1−θ ( 1−θ )2

E ( X ) =( 1−θ ) θ
2
[ −2
+
1
( 1−θ ) ( 1−θ )2
3
]
E ( X ) =θ
2
[ 2
+
1
( 1−θ ) ( 1−θ ¿
2 ¿
]
Diperoleh varians dari distribusi di atas adalah sebagai berikut.
Var ( X )=E ( X 2 )−E ( X )
2

θ
Var ( X )=
( 1−θ )2
 Untuk menghitung batas bawah Cramer-Rao diperlukan fungsi likelihood dari
fungsi di atas. (Notasikan dengan L(θ))
n
L ( θ )=∏ ( 1−θ ) θ x −1 i

i=1

x 1−1
L ( θ )=( 1−θ ) θ ( 1−θ ) θx −1 … ( 1−θ ) θ x −1
2 n
 n

n ∑ (x¿¿i−1)¿
L ( θ )=[ 1−θ ] θ i=1

n ∑ (x¿¿i)−n ¿
L ( θ )=[ 1−θ ] θ i=1

 Transformasi dalam bentuk logaritma (ln)

ln L ( θ )=ln ¿ ¿
n

∑ x i−n
ln L ( θ )=ln ( ( 1−θ ) ) +ln ⁡( θ
n i=1
)

( )
n
ln L ( θ )=n ln (1−θ ) + ln ( θ ) −n+ ∑ x i
i=1

 Turunkan sebanyak 2 kali fungsi ln L ( θ ) terhadap θ

[ ( )]
n
dlnL ( θ ) d
= nln ( 1−θ ) +ln ( θ ) −n+ ∑ x i
dθ dθ i=1

( )
n
dlnL ( θ ) −n 1
= + −n+ ∑ x i (Turunan Pertama)
dθ ( 1−θ ) θ i=1

2
d lnL ( θ ) d dlnL ( θ )
=
d θ2 dθ dθ

[ ( )]
2 n
d lnL ( θ ) d −n 1
= + −n+ ∑ x i
dθ
2
dθ ( 1−θ ) θ i=1

( )
2 n
d lnL ( θ ) n 1
2
= 2
− 2 −n+ ∑ xi
dθ ( 1−θ ) θ i=1

( )
2 n
d lnL ( θ ) n n 1
dθ 2
= 2
+ 2− 2 ∑ xi (Turunan Kedua)
( 1−θ ) θ θ i =1

 Mencari ekspektasi dari turunan kedua log likelihood.

[ ] [ (∑ )]
2 n
d lnL (θ ) n n 1
E 2
=E 2
+ 2− 2 xi
dθ ( 1−θ ) θ θ i=1

[ ] [(∑ )]
2 n
d lnL (θ ) n n 1
E 2
= 2
+ 2− 2 E xi
dθ (1−θ ) θ θ i=1

[ ]
2
d lnL (θ ) n n n
E 2
= 2
+ 2− 2
dθ (1−θ ) θ θ (1−θ)
 [ ] [ ]
2
d lnL (θ ) 1 1 1
E 2
=n 2
+ 2− 2
dθ ( 1−θ ) θ θ ( 1−θ )

[ ]
2
d lnL (θ )
E =n ¿
d θ2

[ ] [ ]
2
d lnL (θ ) θ2 1−2θ+θ 2 (1−θ)
E 2
=n + − 2
dθ ( 1−θ ) θ θ (1−θ ) θ ( 1−θ )2
2 2 2 2

[ ] [ ]
2
d lnL (θ ) θ2 +1−2 θ+θ2 −1+ θ
E =n
d θ2 θ2 (1−θ 2)

[ ] [ ]
2
d lnL (θ ) 2θ 2−θ
E =n
d θ2 θ2 (1−θ 2)

[ ] [ ]
2
d lnL (θ ) θ(2 θ−1)
E 2
=n 2
dθ θ (1−θ 2)

[ ]
2
d lnL (θ ) n(2 θ−1)
E =
d θ2 θ (1−θ )
2

Sehingga diperoleh estimasi varians untuk θ^ berdasarkan teorema cramer rao

sebagai berikut.
−1
Var ( θ^ ) =

[ ]
2
d lnL ( θ )
E
d θ2
−1
Var ( θ^ ) =
n(2θ−1)
2
θ ( 1−θ )
2
−θ ( 1−θ )
Var ( θ^ ) =
n(2 θ−1)
2
θ ( 1−θ )
Var ( θ^ ) =
n(1−2 θ)

B) Hitung pendekatan interval kepercayaan ( 1−α ) 100 % untuk θ jika sampelnya berukuran
besar.
 Definisi Pendekatan Interval Parameter jika Sampel Besar
1−α=P −Z α ≤ Q≤ Z α
[ 2 2 ]
 Dimana, Kuantitas Pivotalnya adalah
^
θ−θ
Q=
√ Var ( θ^ )

 Mencari estimator θ dengan MLE

( )
n
dlnL ( θ ) n 1
= + −n+ ∑ x i (Turunan Pertama)
dθ ( θ−1 ) θ i=1

Memaksimumkan fungsi likelihood

( )
n
n 1
+ −n+ ∑ x i =0
( θ−1 ) θ i=1

( )
n
1 −n
−n+ ∑ x i =
θ i=1 ( θ−1 )
1 −n
(θ−1)=

( )
θ n
−n+ ∑ x i
i=1
 1 −n
1− =

( )
θ n
−n+ ∑ x i
i=1

n 1
1+ =

( )
n θ
−n+ ∑ x i
i=1

( )
n
−n+ ∑ x i
i=1 n 1
+ =

( )( )
n n θ
−n+ ∑ x i −n+ ∑ x i
i=1 i =1

(∑ )
n
xi
i=1 1
=

( )
n θ
−n+ ∑ x i
i=1

n
−n+∑ x i
^
θ= i=1

(∑ )
n
xi
i=1

^ −n+n x
θ=
(n x )
^ x−1
θ=
x
 Mengkonstruksi interval konfidensi dengan teorema bilangan besar.

[
1−α=P −Z α ≤ Q≤ Z α
2 2 ]
Dimana, Kuantitas Pivotalnya adalah
^
θ−θ
Q=
√ Var ( θ^ )
θ^ ( 1−θ^ )
√
2
^ ( ^ )2
Dengan Var ( θ^ ) ≈ sehingga; √ Var ( θ^ )= θ 1−θ
n(1−2 θ) ^ ^
n(1−2 θ)
Sehingga diperoleh juga interval konfidensi θ untuk ( 1−α ) 100 % adalah

1−α=P −Z α ≤
[ 2
^
θ−θ
≤Zα
√Var ( θ^ ) 2 ]
 ^
1−α=P θ−Z
[α √ Var ( θ ) ≤θ ≤ θ+ Z α √ Var ( θ )
^
2
^
2
^
]
[ √ √ ]
2 2
x−1 θ^ ( 1− θ^ ) x−1 θ^ ( 1−θ^ )
1−α=P −Z α ≤ θ≤ +Zα
x 2 n (1−2 θ)
^ x 2 n(1−2 θ) ^

Dengan demikian, diperoleh interval konfidensi untuk θ pada ( 1−α ) 100 %

adalah

√
θ^ ( 1−θ^ ) x−1
√
θ^ ( 1−θ^ )
2 2
x−1
−Z α , +Zα
x 2 n(1−2 θ)
^ x 2 n(1−2 θ)
^

Dengan,
^ x−1
θ=
x