Statistika Matematika I
Hilmi Firmansyah
22/499896/PPA/06346
hilmifirmansyah@mail.ugm.ac.id
December 22, 2023
1 Review Materi
1.1 Probabilitas Bersama (Joint Probability )
Definisi 1.1. Diberikan Y1 dan Y2 merupakan variabel random diskrit. Fungsi prob-
abilitas bersama untuk Y1 dan Y2 didefinisikan sebagai
Teorema 1.1. Jika Y1 dan Y2 merupakan variabel random diskrit dengan fungsi
probabilitas bersama p(y1 , y2 ), maka
Teorema 1.2. Untuk sebarang variabel random Y1 dan Y2 , fungsi probabilitas bersama
F (y1 , y2 ) didefinisikan sebagai
untuk setiap −∞ < y1 < ∞, −∞ < y2 < ∞, maka Y1 dan Y2 disebut variabel ran-
dom kontinu bersama. Fungsi f (y1 , y2 ) disebut fungsi probabilitas densitas bersama.
Teorema 1.3. Jika Y1 dan Y2 merupakan variabel random dengan fungsi distribusi
bersama F (y1 , y2 ), maka
1
1. F (−∞, −∞) = F (−∞, y2 ) = F (y1 , −∞) = 0
2. F (∞, ∞) = 1
Teorema 1.4. Jika Y1 dan Y2 merupakan variabel random kontinu dengan fungsi
densitas bersama f (y1 , y2 ), maka
Definisi 1.3. Diberikan Y1 dan Y2 merupakan variabel random diskrit dengan fungsi
probabilitas p(y1 , y2 ). Fungsi probabilitas marginal dari Y1 dan Y2 secara berurutan
didefinisikan sebagai X
p1 (y1 ) = p(y1 , y2 )
y2
dan X
p2 (y2 ) = p(y1 , y2 )
y1
dan Z ∞
f2 (y2 ) = f (y1 , y2 )dy1
−∞
Definisi 1.4. Diberikan Y1 dan Y2 merupakan variabel random diskrit dengan fungsi
probabilitas bersama p(y1 , y2 ) dan fungsi probabilitas marginal p1 (y1 ) dan p2 (y2 ).
Fungsi probabilitas bersyarat variabel random diskrit dari Y1 dan Y2 adalah
P (Y1 = y1 , Y2 = y2 ) p(y1 , y2 )
p(y1 | y2 ) = P (Y1 = y1 | Y2 = y2 ) = =
P (Y2 = y2 ) p2 (y2 )
F (y1 | y2 ) = P (Y1 ≤ y1 | Y2 = y2 )
2
1.2 Distribusi Bersama Bersyarat
Definisi 1.7. Diberikan X1 dan X2 merupakan variabel random dengan PDF bersama
fX1 ,X2 (x1 , x2 ) dan PDF marginal masing-masing fX1 (x1 ) dan fX2 (x2 ). Jika x1 meru-
pakan titik dalam support X1 sehingga fX1 (x1 ) > 0, maka PDF bersyarat dari
X2 | X1 adalah
fX ,X (x1 , x2 )
fX2 |X1 (x2 | x1 ) = 1 2
fX1 (x1 )
Definisi 1.8. Jika X dan Y merupakan variabel random dengan PDF bersama
fX,Y (x, y), maka ekspektasi bersyarat dari Y dengan diketahui X = x adalah
X
E(Y | X = x) = yf (y | x), jikaXdanY diskrit
y
Z ∞
E(Y | X = x) = yf (y | x)dx, jikaXdanY kontinu
−∞
Secara umum, jika g(Y ) merupakan fungsi dari Y , maka ekspektasi bersyarat dari
g(Y ) dengan diketahui X = x adalah
X
E[g(Y ) | X = x] = g(Y )f (y | x)jikaXdanY diskrit
y
Z ∞
E[g(Y ) | X = x] = g(Y )f (y | x)dxjikaXdanY kontinu
−∞
Teorema 1.5. Diberikan variabel random X dan Y dengan PDF bersama fX,Y (x, y),
berlaku
E[E(Y | X = x)] = E(Y )
Definisi 1.9. Diberikan variabel random X dan Y dengan PDF bersama fX,Y (x, y).
Variansi bersyarat dari Y dengan diketahui X = x adalah
Teorema 1.6. Diberikan variabel random X dan Y dengan PDF bersama fX,Y ,
maka berlaku
pY (y) = pX (w(y)), y ∈ B
3
Teorema 1.8. Diberikan X variabel random kontinu dengan PDF fX (x). Didefin-
isikan Y = u(X) merupakan transformasi satu-satu terhadap X dari A = {y |
fX (x) > 0} ke B = {y | fY (y) > 0} dengan inverse x = w(y). Jika turunan
d
pertama dari w(y) yaitu dy w(y) kontinu dan tak nol pada B, maka PDF dari Y
adalah
d
fY (y) = fX (w(y)) w(y) , y ∈ B
dy
Teorema 1.9. Diberikan X variabel random dengan PDF fX (x) dan Y = g(X)
transformasi satu-satu terhadap X. Misalkan terdapat partisi A0 , A1 , . . . , An sedemikian
sehingga persamaan y = u(x) mempunyai solusi tunggal xj = wj (y) pada Aj . PDF
dari Y didefinisikan sebagai
n
X
fY (y) = fX (wj (y)), (kasus diskrit)
j=1
n
X d
fY (y) = fX (wj (y)) wj (y) , (kasus kontinu).
j=1
dy
Definisi 1.10. Diberikan variabel random X1 , X2 dengan PDF bersama fX1 ,X2 (x1 , x2 )
dan S support dari X1 , X2 . Misalkan T support dari Y1 , Y2 dengan y1 = u1 (x1 , x2 )
dan y2 = u2 (x1 , x2 ) transformasi satu-satu yang memetakan S ke T . PDF bersama
dari Y1 , Y2 didefiniskan dalam persamaan
(
fY1 ,Y2 (w1 , (y1 , y2 ), w2 (y1 , y2 ))|J| jika(y1 , y2 ) ∈ T
fY1 ,Y2 (y1 , y2 ) =
0 lainnya
3. Find fU (u) by
dh−1
fU (u) = fY [h−1 (u)]
du
Teorema 1.10. Let Y1 , Y2 , . . . , Yn be independent random variables with moment
generating functions mY1 (t), mY2 (t), . . . , mYn (t) respectively. If U = Y1 +Y2 +· · ·+Yn ,
then
mU (t) = mY1 (t) × mY2 (t) × · · · × mYn (t).
4
1.4 Metode Estimasi
1. Metode Momen
Ingat momen ke-k dari variabel random adalah
µ′k = E(Y k )
Metode momen didasarkan pada ide yang menarik secara intuitif bahwa mo-
men sampel harus memberikan estimasi yang baik dari momen populasi yang
sesuai. Artinya, m′k harus menjadi estimator yang baik untuk µ′k untuk
k = 1, 2, . . . . Karena momen dari populasi µ′1 , µ′2 , . . . , µ′k adalah fungsi dari
populasi parameter sehingga kita dapat menyamakan momen populasi dan
sampel yang sesuai dan menyelesaikan estimator yang diinginkan.
5
2 Soal-Soal
t
1. If Y has moment-generating function m(t) = e6(e −1) , what is P (|Y −µ| ≤ 2σ)?
where q = 1 − p.
(a) If Y has the Rayleigh density, find the probability density function for
U = Y 2.
(b) Use the result of part a, to find E(Y ) and V ar(Y )
6. The measured radius of the circle, R, has pdf f (r) = 6r(1 − r), 0 < r < 1.
Find the density function for U = Y1 Y2 and find the probability density func-
tion for U .
8. Let X and Y be continuous random variables with a joint pdf of the form
6
(a) Find k so that f (x, y) is a joint pdf.
(b) Find the marginals, f1 (x) and f2 (y).
(c) Find the joint PDF, F(x,y).
(d) Find the conditional pdf f (y | x).
(e) Find the conditional pdf f (x | y).
12. Suppose that Y1 and Y2 are independent, standard normal random variables.
Find the density function of U = Y12 + Y22 .
7
3 Pembahasan Soal
1. Ingat kembali mengenai MGF dari distribusi peubah acak Poisson X yaitu
t
MX (t) = eλ(e −1)
t
Diketahui MGF dari Y pada soal yaitu m(t) = e6(e −1) yang memiliki kesamaan
dengan MGF distribusi Poisson dengan λ = 6 sehingga diperoleh
E(Y ) = µ = λ = 6
dan
V ar(Y ) = σ 2 = λ = 6
atau dapat diperoleh √ √
σ= λ= 6 = 2, 449
Akan dicari P (|Y − µ| ≤ 2σ). Diperhatikan bahwa
dimana q = 1 − p.
Karena Y memiliki distribusi geometrik, maka diperoleh
pet
MY (t) = = E(etY )
1 − qet
Akan dicari MY ∗ (t) sebagai berikut
∗
MY ∗ (t) = E(etY )
= E(et(Y −1) )
= E(etY −t )
= e−t E(etY )
pet
= e−t ·
1 − qet
p
=
1 − qet
p
Dengan demikian, terbukti MGF dari Y ∗ adalah m∗ (t) = 1−qet
.
8
3. Diketahui Y variabel random dengan PDF
1
f (y) = e−|y| , −∞ < y < ∞.
2
Akan ditentukan MGF dari Y dan E(Y ) menggunakan MGF yang telah diper-
oleh.
Pertama, akan dicari MGF dari Y sebagai berikut:
Z ∞
MY (t) = ety f (y)dy
Z−∞∞
1
= ety e−|y| dy
−∞ 2
Z 0 Z ∞
1 ty y 1 ty −y
= e e dy + e e dy
−∞ 2 0 2
Z 0 Z ∞
1 ty+y 1 ty−y
= e dy + e dy
−∞ 2 0 2
Z 0 Z ∞
1 (t+1)y 1 (t−1)y
= e dy + e dy
−∞ 2 0 2
0 ∞
1 1 (t+1)y 1 1 (t−1)y
= · ·e + · ·e
2 t+1 −∞ 2 t−1 0
1 1 1 1
= · − ·
2 t+1 2 t−1
1
=
1 − t2
−1
= 2
t −1
Selanjutnya, akan dicari E(Y ) dengan menggunakan MGF. Diketahui bahwa
E(Y ) dapat dicari dari turunan pertama MGF untuk t = 0. Oleh karena
diketahui
−1
MY (t) = 2 ,
t −1
maka diperoleh
MY′ (t) = (t2 − 1)−2 · 2t.
Dengan mensubstitusikan t = 0, akan diperoleh
9
Cara lain untuk menghitung E(Y ) adalah sebagai berikut
Z ∞
E(Y ) = y · f (y)dy
−∞
Z 0 Z ∞
1 y 1
= y · · e dy + y · · e−y dy
−∞ 2 0 2
0 ∞
1 y 1 −y
= · e · (y − 1) + · (−e · (y + 1)
2 −∞ 2 0
1 1
=− +
2 2
=0
−1
Dengan demikian, dapat diperoleh MY (t) = t2 −1
dan E(Y ) = 0.
10
Lebih lanjut, dapat diperoleh
P (Y > 1 ∩ Y ≥ 1)
P (Y > 1 | Y ≥ 1) =
P (Y ≥ 1)
P (Y > 1)
=
P (Y ≥ 1)
P (Y ≥ 2)
=
P (Y ≥ 1)
1 − PY (y = 0) − PY (y = 1)
=
1 − PY (y = 0)
1 − (1 − p)n − np(1 − p)n−1
=
1 − (1 − p)n
6. Diketahui jari-jari dari lingkaran adalah R dan memiliki pdf f (r) = 6r(1 −
r), 0 < r < 1.
11
maka diperoleh
r !
L d −1
fl (L) = fr f (L)
π dL
r r ! r
L L 1 π
=6· 1−
π π 2 L
r r ! r
L L 1 π
=6· 1− ,0 < L < π
π π 2 L
Dengan demikian, diperoleh distribusi dari luas lingkaran adalah
r r ! r
L L 1 π
fl (L) = 6 · 1− ,0 < L < π
π π 2 L
= 2(− ln u − 1 + u)
= 2(u − ln u − 1)
sehingga diperoleh
(
2(u − ln u − 1), 0 ≤ u ≤ 1
fU (u)
0, elsewhere
12
8. Diketahui X dan Y merupakan variabel random kontinu dengan PDF
= 2x + 12 − 2x2 − x2
= 2x + 1 − 3x2 , 0 ≤ x ≤ 1
= 2y 2 + y 2 − 0
= 3y 2 , 0 ≤ y ≤ 1
13
(c) Akan dicari F (x, y). Diperhatikan bahwa
Z yZ x
F (x, y) = 2(x + y)dxdy
0 0
Z y
2 x
= x + 2xy 0 dy
Z0 y
= x2 + 2xydy
02 y
= x y + xy 2 0
= x2 y + xy 2 ; 0 ≤ x ≤ y ≤ 1
fx,y (x, y)
fy|x (y | x) =
fX (x, y)
2(x + y)
= ,x ≤ y ≤ 1
2x + 1 − 3x2
2(x+y)
sehingga diperoleh fy|x (y | x) = 2x+1−3x2
dimana x ≤ y ≤ 1.
(e) Akan dicari f (x | y). Diperhatikan bahwa
fx,y (x, y)
fx|y (x | y) =
fY (x, y)
2(x + y)
= ,0 ≤ x ≤ y
3y 2
2(x+y)
sehingga diperoleh fx|y (x | y) = 3y 2
dimana 0 ≤ x ≤ y.
14
Diperhatikan bahwa
µ′1 = E(Yi )
Z θ
2
= yi (θ − yi ) dyi
0 θ2
2 θ
Z
= 2 θyi − yi2 dyi
θ 0
θ
2 θyi2 yi3
= 2 −
θ 2 3 0
3 3
2 θ θ
= 2 −
θ 2 3
3
2 θ
= 2·
θ 6
θ
=
3
dan n
1X
m′1 = Yi = Ȳ
n i
Selanjutnya, menyamakan momen populasi dan sampel yang sesuai sebagai
berikut
µ′1 = m′1
θ
= Ȳ
3
θ̂ = 3Ȳ
Dengan demikian, diperoleh estimator untuk θ adalah θ̂ = 3Ȳ .
10. Diketahui Y1 , Y2 , . . . , Yn variabel random dari distribusi normal dengan mean
µ dan variansi σ 2 .
Akan ditentukan MLE’S dari µ dan σ 2 .
Diingat bahwa variabel random Y dikatakan berdistribusi Normal memiliki
fungsi peluangnya berbentuk
1 −1
f (y) = √ exp (y − µ) ; −∞ < y < ∞, −∞ < µ < ∞, σ 2 > 0
2
σ 2π 2σ 2
Karena Y1 , Y2 , . . . , Yn variabel random kontinu, maka L(µ, σ 2 ) merupakan fungsi
densitas bersama dari sampel. Diperhatikan bahwa
L(µ, σ 2 ) = f (y1 , y2 , . . . , yn | µ, σ 2 )
= f (y1 | µ, σ 2 ) × f (y2 | µ, σ 2 ) × · · · × f (yn | µ, σ 2 )
1 −1 2 1 −1 2
= √ exp (y1 − µ) × · · · × √ exp (yn − µ)
σ 2π 2σ 2 σ 2π 2σ 2
n/2 " n
#
1 −1 X
= exp (yi − µ)2
2πσ 2 2σ 2 i=1
15
Selanjutnya, akan dicari fungsi loglikelihoodnya sebagai berikut
" n/2 " n
##
1 −1 X
ln [L(µ, σ 2 ] = ln exp (yi − µ)2
2πσ 2 2σ 2 i=1
n
n 2 n 1 X
= − ln σ − ln 2π − 2 (yi − µ)2
2 2 2σ i=1
MLE’s dari µ dan σ 2 adalah nilai yang membuat ln [L(µ, σ 2 ] maksimum. Ke-
mudian, ambil turunan terhadap µ dan σ 2 , maka diperoleh
n
∂[ln [L(µ, σ 2 ]] 1 X
= 2 (yi − µ)2 (1)
∂µ σ i=1
dan n
∂[ln [L(µ, σ 2 ]] n
1 1 X
= − + 4 (yi − µ)2 (2)
∂σ 2 2 σ2 2σ i=1
Lebih lanjut, derivatif di atas sama dengankan nol dan tentukan solusinya.
Berdasarkan Persamaan (1) didapat
n
1 X
(yi − µ̂)2 = 0
σ̂ 2 i=1
n
X
yi − nµ̂ = 0
i=1
n
1X
µ̂ = yi
n i=1
µ̂ = ȳ
Substitusikan hasil di atas pada Persamaan (2), maka diperoleh
n 1 n
1 X
− 2
+ 4 (yi − µ)2 = 0
2 σ 2σ i=1
n
n 1 X
− + 4 (yi − ȳ)2 = 0
σˆ2 σ̂ i=1
n
2 1X
σ̂ = (yi − ȳ)2
n i=1
Dengan demikian, diperoleh MLE’s dari µ dan σ 2 adalah ȳ dan n1 ni=1 (yi −ȳ)2 .
P
11. Diketahui Y1 dan Y2 independen dan merupakan variabel random normal stan-
dard.
Akan ditentukan PDF dari U = Y12 + Y22 .
Oleh karena Y1 dan Y2 merupakan variabel random dengan distribusi normal
standar dan independen, maka diperoleh
Yi ∼ N (0, 1); i = 1, 2
16
Y −µ 2
Berdasarkan Teorema, diketahui bahwa jika Y ∼ N (µ, σ 2 ), maka Z 2 = σ
∼
χ2(1) . Dengan demikian, untuk transformasi U = Y12 + Y22 ∼ χ2(2) .
1
Selanjutnya akan ditentukan fungsi densitas probabilitas dari E = 2
mV 2 .
Diperhatikan bahwa
FE (e) = P (E ≤ e)
1 2
=P mV ≤ e
2
r !
2e
=P V2 ≤
m
r r !
2e 2e
=P − ≤V ≤
m m
r ! r !
2e 2e
=P V ≤ −P V ≤−
m m
r ! r !
2e 2e
FE (e) = FV − FV −
m m
17
Selanjutnya, dilakukan transformasi X = U 2 sehingga diperoleh
F (x) = P (X ≤ x)
= P (U 2 ≤ x)
√ √
= P (− x ≤ U ≤ x)
√ √
= FU ( x) − FU (− x)
√ √
x+1 − x+1
= −
√ 2 2
= x
18