Tutorial UAS

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

p(y1 , y2 ) = P (Y1 = y1 , Y2 = y2 ), −∞ < y1 < ∞, −∞ < y2 < ∞

Teorema 1.1. Jika Y1 dan Y2 merupakan variabel random diskrit dengan fungsi
probabilitas bersama p(y1 , y2 ), maka

1. p(y1 , y2 ) ≥ 0, untuk setiap y1 , y2 .

P P
2. y1 y2 p(y1 , y2 ) = 1.

Teorema 1.2. Untuk sebarang variabel random Y1 dan Y2 , fungsi probabilitas bersama
F (y1 , y2 ) didefinisikan sebagai

F (y1 , y2 ) = P (Y1 ≤ y1 , Y2 ≤ y2 ), −∞ < y1 < ∞, −∞ < y2 < ∞

Definisi 1.2. Diberikan Y1 dan Y2 merupakan variabel random kontinu dengan

fungsi probabilitas bersama F (y1 , y2 ). Jika terdapat fungsi non-negatif f (y1 , y2 ) se-
hingga Z y2
F (y1 , y2 ) = f (t1 , t2 )dt2 dt1
−∞

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

1. f (y1 , y2 ) ≥ 0, untuk setiap y1 dan y2 .

R∞R∞
2. ∞ ∞ f (y1 , y2 )dy1 dy2 = 1

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

Diberikan Y1 dan Y2 merupakan variabel random kontinu dengan fungsi densitas

bersama f (y1 , y2 ). Fungsi densitas marginal dari Y1 dan Y2 secara berurutan didefin-
isikan sebagai Z ∞
f1 (y1 ) = f (y1 , y2 )dy2
−∞

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 )

dimana p2 (y2 ) > 0.

Definisi 1.5. Diberikan Y1 dan Y2 merupakan variabel random kontinu dengan

fungsi densitas bersama f (y1 , y2 ). FUngsi distribusi bersyarat dari Y1 dengan syarat
Y2 = y2 didefinisikan sebagai

F (y1 | y2 ) = P (Y1 ≤ y1 | Y2 = y2 )

Definisi 1.6. Diberikan Y1 dan Y2 merupakan variabel random kontinu dengan

fungsi densitas bersama f (y1 , y2 ) dan fungsi densitas marginal f1 (y1 ) dan f2 (y2 ).
Untuk sebarang y2 sehingga f2 (y2 ) > 0, fungsi densitas bersyarat dari Y1 dengan
syarat Y2 = y = 2 didefinisikan sebagai
f (y1 , y2 )
f (y1 | y2 ) =
f2 (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

V ar(Y | X = x) = E(Y 2 | X = x) − [E(Y | X = x)]2

Teorema 1.6. Diberikan variabel random X dan Y dengan PDF bersama fX,Y ,
maka berlaku

V ar(Y ) = EX [V ar(Y | X = x)] + V arX [E(Y | X = x)]

1.3 Transformasi Variabel Random

Teorema 1.7. Diberikan X variabel random diskrit dengan P M F pX (x). Didefin-
isikan Y = u(X) merupakan transformasi satu-satu terhadap X. Dengan kata lain,
persamaan y = u(x) dapat diselesaikan secara tunggal, namakan x = w(y). PMF
dari Y didefinisikan dengan

pY (y) = pX (w(y)), y ∈ B

dengan B = {y | pY (y) > 0}.

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

dengan x1 = w1 (y1 , y2 ) dan x2 = w2 (y1 , y2 ) adalah invers tunggal dari y1 dan y2 ,

dan J merupakan matriks Jacobian yang didefinisikan dengan persamaan
" #
∂x1 ∂x1
∂y1 ∂y2
J= ∂x2 ∂x2
∂y1 ∂y2

Summary of The Transformation Method

Let U = h(Y ), where h(y) is either and increasing or decreasing function of y for all
y such that fY (y) > 0.
1. Find the inverse function, y = h−1 (u).
dh−1 d[h−1 (u)]
2. Evaluate du
= du

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 )

Momen ke-k yang berkorespondensi adalah rata-rata

n
1X k
m′k = Y
n i=1 i

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.

2. Metode Maximum Likelihood (MLE)

Dimisalkan bahwa fungsi likelihood bergantung pada k parameter θ1 , θ2 , . . . , θk .
Pilih sebagai estimasi yang nilai dari parameter memaksimalkan fungsi likeli-
hood L(y1 , y2 , . . . , yn | θ1 , θ2 , . . . , θn ).

5
2 Soal-Soal
t
1. If Y has moment-generating function m(t) = e6(e −1) , what is P (|Y −µ| ≤ 2σ)?

2. If Y has a geometric distribution with success probability p, consider Y ∗ =

p
Y − 1. Show that the moment-generating function of Y ∗ is m∗ (t) = 1−qe t

where q = 1 − p.

3. Let Y denote a random variable with probability density function given by

1
f (y) = e−|y| , −∞ < y < ∞
2
Find the moment-generating function of Y and use it to find E(Y ).

4. A density function sometmes used by engineers to model lengths of life of

electronic components is the Rayleigh density given by
(
y2
2y
θ
e− θ , y > 0
f (y) =
0, elsewhere

(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 )

5. If Y is a binomial random variable based on n trials and success probability

p, show that

1 − (1 − p)n − np(1 − p)n−1

P (Y > 1 | Y ≥ 1) =
1 − (1 − p)n

6. The measured radius of the circle, R, has pdf f (r) = 6r(1 − r), 0 < r < 1.

(a) Find the distribution of the circumference.

(b) Find the distribution of the area of the circle.

7. Let Y1 and Y2 have a joint density function given bu

(
2(1 − y1 ), 0 ≤ y1 ≤ 1, 0 ≤ y2 ≤ 1
f (y1 , y2 ) =
0, elsewhere

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

f (x, y) = k(x + y), 0 ≤ x ≤ y ≤ 1

and zero otherwise.

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).

9. Y1 , Y2 , . . . , Yn adalah sampel random dari suatu distribusi dengan fungsi kepa-

datan peluang (

2
θ2
(θ − y) , 0 ≤ y ≤ θ
f (y | θ) =
0, lainnya
Tentukan estimator untuk θ dengan metode momen.

10. Let Y1 , Y2 , . . . , Yn be a random sample from a normal distribution with mean

µ and variance σ 2 . Find the MLE’s of µ and σ 2 .

11. Suatu partikel dengan massa m mempunyai kecepatan V . Diketahui V meru-

pakan variabel random berdistribusi Normal dengan mean 0 dan standar de-
viasi σ. Tentukan fungsi densitas probabilitas E = 12 mV 2 .

12. Suppose that Y1 and Y2 are independent, standard normal random variables.
Find the density function of U = Y12 + Y22 .

13. Jika U ∼ U N IF (−1, 1), tentukan fungsi densitas peluang dari U 2 .

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

P (|Y − µ| ≤ 2σ) = P (−2σ ≤ Y − µ ≤ 2σ)

√ √
= P (−2 6 ≤ Y − 6 ≤ 2 6)
√ √
= P (6 − 2 6 ≤ Y ≤ 6 + 2 6)
= P (1, 1010 ≤ Y ≤ 10, 8989)
= P (Y ≤ 10) − P (Y ≤ 1)
= 0, 9799 − 0, 0025
= 0, 9774

Dengan demikian, diperoleh hasil dari P (|Y − µ| ≤ 2σ) adalah 0, 9774.

2. Diketahui Y memiliki distribusi geometrik dengan probabilitas kejadian sukses
p
p. Diberikan Y ∗ = Y −1, akan ditunjukkan MGF dari Y ∗ adalah m∗ (t) = 1−qe t

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

E(Y ) = MY′ (0) = 0

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.

4. Diketahui fungsi densitas Rayleigh adalah

(
y2
2y
θ
e− θ , y > 0
f (y) =
0, elsewhere

(a) Jka Y memiliki densitas Rayleigh, akan√dicari PDF dari U = Y 2 .

Diperhatikan bahwa U = Y 2 ⇒ Y = ± U . √
Oleh karena f (y) memenuhi untuk y > 0, maka dipilih untuk Y = U
sehingga akan diperoleh
√ d −1
fu (U ) = fy ( U ) f (u)
du
√  
2 U −U 1
= e θ √
θ 2 U
1 U
= e− θ , u > 0
θ
U
Dengan demikian, PDF dari U = Y 2 adalah fu (U ) = 1θ e− θ , u > 0.
(b) Akan dicari E(U ) dan V ar(U ) berdasarkan hasil poin (a). Diperhatikan
bahwa
1 U
fu (U ) = e− θ , u > 0
θ
berdistribusi Eksponensial dengan paramater θ. Diketahui pula bahwa
ekspektasi dari distribusi eksponensial adalah θ dan variansi dari dis-
tribusi eksponensial adalah θ2 . Dengan demikian, diperoleh

E(U ) = θ dan V ar(U ) = θ2 .

5. Diketahui Y merupakan variabel random binomial dengan n percobaan dan

probabilitas sukses p berarti
 
n k
PY (y = k) = p (1 − p)n−k
k

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

Dengan demikian, terbukti bahwa

1 − (1 − p)n − np(1 − p)n−1

P (Y > 1 | Y ≥ 1) =
1 − (1 − p)n

6. Diketahui jari-jari dari lingkaran adalah R dan memiliki pdf f (r) = 6r(1 −
r), 0 < r < 1.

(a) Akan dicari distribusi dari keliling lingkaran.

Diperhatikan bahwa
K
K = 2πR ⇒ R =
2π
maka diperoleh
 
K d −1
fk (K) = fr f (K)
2π dK
 
K K 1
=6· 1−
2π 2π 2π
 
K K
=6· 1− ,
(2π)2 2π

Dengan demikian, diperoleh distribusi dari keliling lingkaran adalah

 
K K
fk (K) = 6 · 1− , 0 < k < 2π
(2π)2 2π

(b) Akan dicari distribusi dari luas lingkaran.

Diperhatikan bahwa r
L
L = πR2 ⇒ R =
π

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

7. Diketahui U = Y1 Y2 dan diasumsikan bahwa Y1 memiliki nilai fix y1 , 0 ≤ y1 ≤

1. Selanjutnya, dapat ditentukan fungsi densitas bersama untuk Y1 dan U
dimana y2 = yu1 = h−1 (u) sebagai berikut
dh−1
g(y1 , u) = f [y1 , h−1 (u)]
du
(
2(1 − y1 ) y11 , 0 ≤ y1 ≤ 1, 0 ≤ u
y1
≤1
=
0, elsewhere
atau ekuivalen dengan
(
1
2(1 − y1 ) y1
, 0 ≤ u ≤ y1 ≤ 1
g(y1 , u) =
0, elsewhere
Lebih lanjut, dapat diperoleh fungsi probabilitas densitas adalah
Z ∞
fU (u) = g(y1 , u)dy1
−∞
(R 1  
1
u
2(1 − y 1 ) y1
dy1 , 0 ≤ u ≤ 1
=
0, elsewhere
Diperhatikan bahwa
Z 1   Z 1 
1 1
2(1 − y1 ) dy1 = 2 − 1 dy1
u y1 u y1
= 2 ln y1 − y1 ]1u

= 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

f (x, y) = k(x + y), 0 ≤ x ≤ y ≤ 1

dan nol untuk lainnya.

(a) Akan dicari nilai k. Diperhatikan bahwa

Z 1Z y
k(x + y)dxdy = 1
0 0
Z 1 2 y
kx
+ kxy dy = 1
0 2 0
Z 1
3 2
ky dy = 1
0 2
 1
1 3
ky =1
2 0
1
k−0=1
2
k=2

sehingga diperoleh nilai k = 2.

(b) Akan dicari marginal dari x. Diperhatikan bahwa
Z 1
fX (x) = 2(x + y)dy
x
1
= 2xy + y 2 x


= 2x + 12 − 2x2 − x2
= 2x + 1 − 3x2 , 0 ≤ x ≤ 1

sehingga diperoleh fX (x) = 2x + 1 − 3x2 untuk 0 ≤ x ≤ 1.

Akan dicari marginal dari y. Diperhatikan bahwa
Z y
fY (x) = 2(x + y)dx
0
y
= 2x2 + xy 0


= 2y 2 + y 2 − 0
= 3y 2 , 0 ≤ y ≤ 1

sehingga diperoleh fY (x) = 3y 2 untuk 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

sehingga diperoleh F (x, y) = x2 y + xy 2 dimana 0 ≤ x ≤ y ≤ 1.

(d) Akan dicari f (y | x). Diperhatikan bahwa

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.

9. Diketahui Y1 , Y2 , . . . , Yn adalah sampel random dari suatu distribusi dengan

fungsi kepadatan peluang
(

2
θ2
(θ − y) , 0 ≤ y ≤ θ
f (y | θ) =
0, lainnya

Akan dicari estimator untuk θ dengan metode momen.

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) .

12. Oleh karena diketahui V merupakan variabel random berdistribusi normal

dengan mean 0 dan standar deviasi σ, maka dapat dituliskan V ∼ N (0, σ)
sehingga diperoleh PDF nya yaitu
1 1 2
f (V ) = √ e− 2σ2 V , −∞ < V < ∞
2πσ 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

Lebih lanjut, dapat diperoleh

r ! r !
d 2e d 2e
FE (e) = FV − FV −
de m de m
r ! r ! r ! r !
2e d 2e 2e d 2e
= FV − FV − −
m de m m de m

13. Diketahui U ∼ U N IF (−1, 1), maka diperoleh fungsi densitasnya

(
1
, −1 ≤ u ≤ 1
f (u) = 2
0, lainnya

sehingga diperoleh fungsi kumulatifnya yaitu


0,
 u < −1
F (u) = u+12
, −1 ≤ u ≤ 1

1, u>1


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

atau dapat dituliskan menjadi


0,

√
x<0
F (x) = x, 0 ≤ x ≤ 1

1, x>1


Kemudian, akan dicari PDF dari CDf di atas sehingga diperoleh

d
f (x) = F (x)
dx
d√
= x
dx
1
= √ , untuk0 < 1 ≤ 1
2 x

atau dapat dituliskan

(
1
√
2 x
, 0<x≤1
f (x) =
0, x ≤ 0, x > 1

18