ebook statmat2
TRANSCRIPT
STATISTIKA MATEMATIS IIEdisi E-Book
Oleh
Dr.Phil. I Gusti Putu Sudiarta,M.Si
Jurusan Pendidikan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Pendidikan Ganesha
Februari, 2009
Kata Pengantar
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa
atas terbitnya buku ajar "Statistika Matematis II" ini. Buku ini merupakan
lanjutan dari buku "Statistika Matematis I" dan menyajikan pengetahuan
dasar yang dibutuhkan baik untuk mempelajari statistika secara matema-
tis dan penerapannya dalam pemecahan masalah sehari-hari. Buku ajar
ini ditujukan bagi mahasiswa jurusan (pendidikan) matematika khusus-
nya, tapi dapat juga dijadikan referensi bagi mahasiswa lainnya atau ma-
syarakat pada umumnya, terutama yang tertarik untuk mengetahui atau
mendalami ilmu statistika serta pembahasannya secara matematis.
Materi buku ajar ini bersumber dari beberapa buku terkenal se-
perti (1) Dudewicz E.J.; Mishra,S.N.(1988) Modern Mathematical Statisti-
cs,(2) Roussas G.G.(1973) A First Course in Mathematical Statistics, dan
(3) Walpole, Ronald.E.; Myers, Raymond H.; Myers, Sharon L.; Ye, Keying
(2002) Probability and Statistics for Engineers and Scientists, serta buku-
buku lainnya seperti yang tercantun dalam daftar pustaka.
Buku ini terdiri dari 5 Bab, yang secara garis besar menyajikan sta-
tistik induktif dengan pembahasan matematis, yang meliputi (1) distribu-
si pendekatan suatu distribusi variabel random, (2) konvergensi variabel
random, (3) estimasi titik, (4) estimasi interval, serta (5) hipotesis statistik.
Untuk membantu pemahaman yang lebih baik, ada beberapa hal
yang harus diperhatikan dalam menggunakan buku ajar ini sbb: (1) pada
setiap awal bab, diberikan standar kompetensi dan indikator hasil belajar,
yang diharapkan dapat membantu pembaca memusatkan perhatian atau
lebih berkonsentrasi pada hal-hal yang dianggap penting; (2) pada setiap
i
Statistika Matematis II/ Edisi E-book
akhir bab juga disajikan rangkuman, soal-soal dengan pembahasannya,
dan soal-soal latihan dalam jumlah yang memadai, sehingga pembaca me-
miliki kesempatan untuk melakukan latihan secara mandiri dan mengeva-
lusi sendiri hasil belajarnya.
Buku ajar ini disusun sejak tahun 2005, dan sejak saat itu pula
telah digunakan dalam perkuliahan di Universitas Pendidikan Ganesha.
Buku ini mengalami beberapa kali revisi baik berdasarkan saran-saran ma-
hasiswa peserta kuliah, maupun dosen sejawat yang telah dengan seksa-
ma menelaah buku ini, antara lain Prof. Dr. I Gusti Putu Suharta, M.Si
dan Drs. I Made Sugiarta,M.Si. Untuk semua dukungan tersebut penulis
sampaikan terimakasih yang setinggi-tingginya.
Namun demikian, penulis menyadari bahwa pada terbitan ini,
tentu masih ada hal-hal yang perlu untuk disempurnakan. Untuk itu pe-
nulis sangat terbuka terhadap saran, kritik dan koreksi, baik dari teman
sejawat, mahasiswa, pencinta matematika, maupun masyarakat pembaca
umumnya. Akhirnya penulis berharap, semoga buku ajar ini dapat mem-
berikan manfaat yang sebesar-besarnya.
Singaraja, Februari 2009
I Gusti Putu Sudiarta
ii ISBN 978-602-8310-02-4
Daftar Isi
Kata Pengantar i
1 Distribusi Pendekatan 1
1.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Konsep Dasar Distribusi Pendekatan . . . . . . . . . 2
1.3.2 Menentukan Distribusi Pendekatan . . . . . . . . . . 2
1.3.2.1 Melalui Fungsi Distribusi . . . . . . . . . . . 2
1.3.2.2 Melalui Fungsi Pembangkit Momen . . . . 8
1.3.2.3 Melalui Teorema Limit Pusat . . . . . . . . . 12
1.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . 19
1.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 Konvergensi Variabel Random 25
2.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Konsep Dasar Variabel Random . . . . . . . . . . . . 26
2.3.2 Barisan Variabel Random . . . . . . . . . . . . . . . . 27
iii
Statistika Matematis II/ Edisi E-book
2.3.3 Jenis-Jenis Konvergensi Variabel Random . . . . . . . 28
2.3.3.1 Konvergen dalam Distribusi . . . . . . . . . 28
2.3.3.2 Konvergen dalam Probabilitas . . . . . . . . 33
2.3.4 Sifat-Sifat Konvergensi Variabel Random . . . . . . . 36
2.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . 41
2.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Estimasi Titik 51
3.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 51
3.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.1 Prinsip Reduksi Data . . . . . . . . . . . . . . . . . . . 52
3.3.1.1 Azas Kecukupan . . . . . . . . . . . . . . . 52
3.3.1.2 Teorema Halmos & Savage . . . . . . . . . . 55
3.3.2 Estimasi Titik . . . . . . . . . . . . . . . . . . . . . . . 59
3.3.2.1 Estimator Tak Bias . . . . . . . . . . . . . . . 60
3.3.2.2 Estimator Konsisten . . . . . . . . . . . . . . 62
3.3.2.3 Estimator Efisien . . . . . . . . . . . . . . . . 63
3.3.2.4 Estimator Bayes . . . . . . . . . . . . . . . . 65
3.3.3 Metode Evaluasi Estimator Titik . . . . . . . . . . . . 67
3.3.3.1 Galat Kwadrat Rata-Rata . . . . . . . . . . . 67
3.3.3.2 Estimator Terbaik . . . . . . . . . . . . . . . 70
3.3.3.3 Teorema Batas Bawah Cramer-Rao . . . . . 71
3.3.4 Metode Estimasi Titik . . . . . . . . . . . . . . . . . . 79
3.3.4.1 Metode Momen . . . . . . . . . . . . . . . . 79
3.3.4.2 Metode Maksimum Likelihood . . . . . . . 82
3.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . . 87
3.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 108
iv ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
4 Estimasi Interval 113
4.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 113
4.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 113
4.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3.1 Konsep Dasar Estimasi Interval . . . . . . . . . . . . . 114
4.3.2 Metode Menentukan Estimasi Interval . . . . . . . . . 117
4.3.2.1 Inversi Uji Statistik . . . . . . . . . . . . . . 117
4.3.2.2 Besaran Pivot . . . . . . . . . . . . . . . . . 118
4.3.3 Metode Evaluasi Estimasi Interval . . . . . . . . . . . 121
4.3.4 Estimasi Interval Kepercayaan Khusus . . . . . . . . 124
4.3.4.1 Interval Kepercayaan untuk Mean . . . . . . 124
4.3.4.2 Interval Kepercayaan untuk Perbedaan Mean126
4.3.4.3 Interval Kepercayaan untuk Variansi . . . . 127
4.3.4.4 Interval Kepercayaan untuk Rasio Dua Va-
riansi . . . . . . . . . . . . . . . . . . . . . . 128
4.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . 129
4.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 131
5 Hipotesis Statistik 135
5.1 Standar Kompetensi . . . . . . . . . . . . . . . . . . . . . . . 135
5.2 Indikator Hasil Belajar . . . . . . . . . . . . . . . . . . . . . . 135
5.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.3.1 Konsep Dasar Uji Hipotesis . . . . . . . . . . . . . . . 136
5.3.2 Uji Rasio Likelihood . . . . . . . . . . . . . . . . . . . 137
5.3.3 Metode Uji Evaluasi Hipotesis . . . . . . . . . . . . . 140
5.3.3.1 Probabilitas Kesalahan dan Fungsi Keku-
atan Uji . . . . . . . . . . . . . . . . . . . . . 141
v ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
5.3.3.2 Uji Paling Kuat (Most Powerfull Test) . . . . . 144
5.3.3.3 Teorema Neyman-Pearson . . . . . . . . . . 147
5.3.3.4 Teorema Karlin-Rubin . . . . . . . . . . . . 149
5.3.3.5 Daerah Kritik Terbaik . . . . . . . . . . . . . 150
5.4 Soal-Soal dan Pembahasan . . . . . . . . . . . . . . . . . . . . 152
5.5 Soal-Soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . 188
Daftar Pustaka 195
vi ISBN 978-602-8310-02-4
Bab 1
Distribusi Pendekatan
1.1 Standar Kompetensi
Memahami konsep dasar distribusi pendekatatan suatu barisan variabel
random, dan mampu menerapkannya, baik dalam pemecaham masalah
matematika, ilmu lain maupun dalam kehidupan sehari-hari
1.2 Indikator Hasil Belajar
1. Menjelaskan konsep dasar distribusi pendekatatan suatu variabel
atau fungsi variabel random
2. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-
abel random dengan menggunakan fungsi distribusi.
3. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-
abel random dengan menggunakan fungsi pembangkit momen,
4. Menentukan distribusi pendekatan suatu barisan atau fungsi vari-
abel random dengan menggunakan dalil limit pusat,
5. Memecahkan masalah yang berkaitan dengan distribusi pendekatan
1
Statistika Matematis II/ Edisi E-book
1.3 Uraian Materi
1.3.1 Konsep Dasar Distribusi Pendekatan
Pada kuliah Statistika Matematis I, telah dibahas distribusi variabel ran-
dom maupun distribusi fungsi variabel random secara eksak. Sering di-
jumpai sebuah variabel random yang distribusinya bergantung pada bi-
langan nulat positif n atau mungkin juga sebuah statistik, yang meru-
pakan fungsi dari variabel random yang distribusinya juga bergantung
pada bilangan positif n. Kadang-kadang ada masalah dalam mengitung
distribusi peluang variabel random, karena sulit menentukan fungsi kepa-
datan peluangnya. Oleh karena itu dalam bab ini akan dibahas cara
menentukan distribusi variabel random melalui pendekatan, apabila n
cukup besar.
1.3.2 Menentukan Distribusi Pendekatan
Ada tiga cara dalam menentukan distribusi pendekatan tersebut yaitu
melalui fungsi distribusi, fungsi pembangkit momen, dan teorema limit
pusat. Ketiga cara tersebut akan dibahas secara satu persatu.
1.3.2.1 Melalui Fungsi Distribusi
Masalah :
Jika X adalah rerata dari sampel acak X1, X2, ..., Xn yang berasal dari dis-
tribusi dengan fungsi kepadatan peluang berbentuk:
f(x) =
1; 0 < x < 1
0; lainnya
Hitung P (X < 0, 5). Kita menghadapai masalah dalam menghitung nilai
ini, karena ternyata distribusi dari X , dan fungsi pembangkit momen dari
X bergantung pada n, sehingga nilai dari P (X < 0, 5) tidak dapat dihitung
dengan cara langsung.
Bab 1. Distribusi Pendekatan 2 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Pembahasan
Distribusi dari X harus kita selesaikan lebih dahulu. Karena variabel ran-
dom X berasal dari distribusi seragam pada (0, 1), untuk menentukan
distribusi dari X akan digunakan teknik fungsi pembangkit momen. Se-
belumnya kita akan menentukan dahulu fungsi pembangkit momen dari
X . Fungsi pembangkit momen dari X adalah:
Mx(t) = E(etx)
=∫ 1
0etx.1 dx
= 1tetx∣∣1x=0
= et−1t
; t 6= 0
Untuk t = 0 digunakan dalil L’Hospital
Limt→0Mx(t) = Limt→0(et−1)
t
= Limt→0et−1
t
Jadi Mx(t) =
et−1
t; t 6= 0
1; t = 0
Dari sini dapat dilihat bahwa fungsi pembangkit momen dari X bergan-
tung pada n, distribusi dari X juga bergantung pada n. Jadi kita tidak
dapat menentukan fungsi kepadatan peluang dari X , sehingga tidak da-
pat pula menghitung peluang untuk harga tertentu.
Oleh karena itu, berikut ini akan dijelaskan suatu cara pendekatan untuk
menentukan distribusi dari sebuah variabel random bergantung pada bi-
langan bulat positif n.
Sebagai kesepakatan dalam hal ini, fungsi distribusi akan dituis sebagai
Fndan fungsi kepadatan peluangnya ditulis sebagai fn. Apabila kita mem-
bahas barisan fungsi distribusi, maka kita harus menuliskan indeks n pada
variabel randomnya. Misalkan penulisan:
Fn
(X)
=
∫ x
−∞
1√1/n.
√2π
e−ny2/2
dy
Bab 1. Distribusi Pendekatan 3 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
merupakan fungsi distribusi dari rerata X yang dihitung dari sampel acak
berukuran n dan berasal dari distribusi N(0, 1).
Definisi
Misalkan Fn (y) adalah fungsi distribusi dari variabel random Yn yang
bergantung pada bilangan bulat positif n. Jika F (y)adalah fungsi dis-
tribusi dan Limt→0Fn (y) = F (y) untuk setiap nilai y yang mengakibatkan
F (y) kontinu, maka variabel random Yn dikatakan mempunyai distribusi
pendekatan dengan fungsi distribusi F (y).
Contoh :
Misalkan Yn menunjukkan statistik urutan ke-n dari sampel acak
X1, X2, ..., Xn yang berdistribusi dengan fungsi kepadatan peluang
berbentuk:
f(x) = 1θ
; 0 < x < θ ; 0 < θ < ∞= 0 ; lainnya
Apakah Yn mempunyai distribusi pendekatan ?
Jawab:
Fungsi kepadatan peluang dari Yn adalah:
gn (y) = n(F (y))n−1f(y) ; a < y < b
= 1 ; Lainnya
dengan :
F (y) =∫ y
0f(x) dx =
∫ y
01θdx = y
θ
F (y) = F ′(y) = 1θ
Jadi
gn (y) = n[
yθ
]n−1 1θ
gn (y) = nθn yn−1 ; 0 < y < θ
= 0 ; Lainnya
Fungsi distribusi dari Ynadalah:
1. Untuk y < 0
Fn (y) =∫ y
0gn (t) dt =
∫ <0
00 dt = 0
Bab 1. Distribusi Pendekatan 4 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
2. Untuk 0 ≤ y < θ
Fn (y) =∫ y
0ntn−1
θn dt = 1θn tn
∣∣y0
=[
yθ
]n
3. Untuk θ ≤ y < ∞Fn (y) =
∫ θ
0gn (t) dt +
∫ y
0gn (t) dt
=∫ θ
0ntn−1
θn dt +∫ <0
00 dt
= 1
Jadi :
Fn (y) = 0 ; y < 0
=[
yθ
]n; 0 ≤ y < θ
= 1 ; θ ≤ y < ∞
limn→∞Fn(y) =
0, −∞ < y < θ
1, θ ≤ y < ∞Sekarang ambil fungsi distribusi dari Y adalah:
F (y) =
0, −∞ < y < θ
1, θ ≤ y < ∞Karena Limn→0Fn (y) = F (y) pada masing-masing nilai y yang menye-
babkan F (y) kontinu, menurut definisi, variabel random Ynmempunyai
distribusi pendekatan dengan fungsi distribusi F (y).
Berikut ini akan diberikan sebuah contoh tenang sebuah variabel random
yang mempunyai distribusi pendekatan degenerate.
Contoh
Misalkan X mempunyai fungsi distribusi berbentuk:
Fn (x) =
∫ x
−∞
1√1/n.
√2π
e−ny2/2
dy
misalkan:
t =√
n y→dt =√
n dy
batas-batasnya:
Bab 1. Distribusi Pendekatan 5 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Untuk y = −∞ maka t = −∞
Untuk y = x , maka t =√
n x
Fn (x) =∫ √
n x
−∞1√
1/n.√
2πe−t2/2 dt√
n
=∫ √
n x
−∞1√2π
e−t2/2dt
Limn→∞Fn (x) = 0 ; x < 0
= 12
; x = 0
= 1 ; x > 0
Sekarang ambil fungsi distribusi dari X adalah :
F (x) = 0 ; x < 0
= 1 ; x ≥ 0
Ternyata Limn→∞Fn (x) = F (x) untuk setiap nilai kontinu dari F (x).
Dalam hal ini, Limn→∞Fn (0) 6= F (0), tetapi F (x)tidak kontinu di x =
0. Dengan demikian variabel random Xnmempunyai distribusi pen-
dekatan dengan fungsi distribusi F (x). Distribusi pendekatannya adalah
degenerate.
Contoh
Misalkan Yn menunjukkan statistik urutan ke-n dari sampel acak
X1, X2, ..., Xn yang berdistribusi seragam pada (0, θ), θ > 0. Jika Zn =
n(θ − Yn),maka apakah Znmempunyai distribusi pendekatan?
Jawab:
Fungsi kepadatan peluang dari X adalah:
f(x) = 1θ
; 0 < x < θ ; 0 < θ < ∞= 0 ; lainnya
Fungsi kepadatan peluang dari Yn adalah:
gn (y) = nyn−1
θn ; 0 < x < θ
= 0 ; Lainnya
Bab 1. Distribusi Pendekatan 6 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Kita akan menentukan fungsi kepadatan peluang dari Zn dengan meng-
gunakaan teknik transformasi variabel random. Hubungan antara nilai
yndengan nilai Yndengan nilai zndari Zn diberikan sbb:
Zn = n(θ − yn)
inversnya :
yn = θ − Zn
n
Jacobiannya :
J =dyn
dzn=
−1
n
|J | =
∣∣∣∣dyn
dzn
∣∣∣∣ =1
n
Fungsi kepadatan peluang dari Zn adalah:
hn(z) = 1θn ; 0 < z < nθ
= 0 ; lainnya
Fungsi distribusi dari Znadalah
1. Untuk z < 0, Kn(z) =∫ z
0hn(t) dt =
∫ <0
00 dt = 0
2. Untuk 0 ≤ z < nθ, Kn(z) =∫ z
01θn
[θ − t
n
]n−1dt
3. Misalkan : y = θ − tn
; dy = − 1n
dt
Batas-batasnya:
Untuk t = 0, maka y = θ
Untuk t = z, maka y = θ − zn
Kn(z) =∫ θ− z
n0
1θn yn−1(−n) dy
= 1θn yn
∣∣θθ− z
n
Kn(z) = 1 −[1 − z
nθ
]n
4. Untuk z ≥ nθ
Bab 1. Distribusi Pendekatan 7 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Kn(z) =∫ nθ
0hn(t) dt +
∫ z
nθhn(t) dt
=∫ nθ
01θn
[θ − t
n
]n−1dt +
∫ z
nθ0 dt = 1
Jadi :
Kn(z) = 0 ; z ≤ 0
= 1 −[1 − z
nθ
]; 0 ≤ z < nθ
Kn(z) = 1 ; z ≥ nθ
Limn→∞Kn(z) = 0 ; z ≤ 0
= 1 − e−z/θ ; 0 < z < ∞
Sekarang ambil fungsi distribusi dari Z:
K(z) = 0 ; z < 0
= 1 − e−z/θ ; z ≥ 0
merupakan fungsi ditribusi yang kontinu dimana-mana, serta
Limn→∞Kn(z) = K(z)untuk semua nilai. Jadi Zn mempunyai pendekatan
dengan fungsi distribusi K(z). Dalam hal ini, distribusi pendekatannya
tidak degenerate.
Penentuan distribusi pendekatan dengan menggunakan fungsi distribusi
bisa dinyatakan sebagai konvergen dalam distribusi yang akan dibahas
lebih lanjut pada Bab II.
1.3.2.2 Melalui Fungsi Pembangkit Momen
Selain menggunakan fungsi distribusi, penentuan disribusi pendekatan
dapat dilakukan melalui fungsi pembangkit momen.
Berikut ini diberikan sebuah teorema yang dikemukakan oleh Curtiss
sebagai modifikasi dari teorema Levy dan Cramer yang menjelaskan
bagaimana fungsi pembangkit momen dapat digunakan dalam menen-
tukan distribusi secara pendekatan.
Teorema
Bab 1. Distribusi Pendekatan 8 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Misalkan variabel random Yn mempunyai fungsi distribusi Fn(y) dan
fungsi pembangkit momennya M(t; n) ada untuk −h < t < h, h > 0 dan
setiap n.
Jika ada fungsi disribusi F (y) dengan funsgi pembangkit momennya M(t)
untuk |t| ≤ h1 < h sedemikian hingga Limn→∞M(t; n) = M(t), maka
Yndikatakan mempunyai distribusi pendekatan dengan fungsi distribusi
F (y).
Contoh
Misalkan Yn adalah variabel random berdistribusi binomial dengan pa-
rameter n dan p. Jika rerata dari Ynadalah sama untuk setiap n, yaitu
µ = np, sehingga p = µn
dengan µadalah konstanta, maka apakah ada
distribusi pendekatan dari Yn?
Jawab :
Fungsi kepadatan peluang dari Yn adalah
F (yn) =
(n
yn
)pyn (1 − p)n−yn ; yn = 0, 1, 2, ..., n
= 0 ; lainnya
Kemudiankita akan menentukan fungsi pembangkit momen dari Yn.
Fungsi pembangkit momen dari ynadalah:
M(t; n) = E(etyn)
=∑n
yn=0 etyn
(n
yn
)pyn (1 − p)n−yn
=∑n
yn=0
(n
yn
)(pet)
yn (1 − p)n−yn
= ((1 − p) + pet)n
=[1 − µ
n+ µ
net]n
=[1 + µ(et−1)
n
n]
Limn→∞M(t; n) = Limn→∞
[1 + µ(et−1)
n
n]
Limn→∞M(t; n) = eµ(et − 1); t ∈ ℜ
Bab 1. Distribusi Pendekatan 9 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari dis-
tribusi poison dengan rerata µdan M(t) = eµ(et−1). Dengan demikian
Yn dikatakan mempunyai distribusi pendekatan dengan distribusi
penekatannya adalah Poisson dengan rerata µ.
Contoh :
Misalkan variabel random Zn berdistribusi chi-kuadrat dengan derajat ke-
bebasan = n. Jika variabel random Yn = (Zn−n)√2n
, maka tentukan distribusi
pendekatan dari Yn dengan menggunakan fungsi pembangkit momen.
Jawab :
Fungsi kepadatan peluang dari Zn adalah
f(zn) = 1
2n/2.Γ(n2 )
z(n/2)−1n e−Zn/2 ; Zn > 0
= 0 ; lainnya
Fungsi pembangkit momen dari Zn adalah:
MZn(t) = E(etzn)
=∫∞0
etzn 1
2n/2.Γ(n2 )
z(n/2)−1n e−Zn/2dzn
=∫∞0
1
2n/2.Γ(n2 )
z(n/2)−1n e−Zn/2dzn
Misalkan: u = zn((1/2) − t) ; du = ((1/2) − t)dzn
MZn(t) = 1
2n/2.Γ(n2 )
∫∞0
[u
(1/2)−t
](n/2)−1
e−u du((1/2)−t)
= 1
2n/2.Γ(n2 )((1/2)−t)n/2
∫∞0
u(n/2)−1e−udu
= 1
2n/2.Γ(n2 )((1/2)−t)n/2 Γ
(n2
)
= (1 − 2t)−n/2; t < 1/2
Bab 1. Distribusi Pendekatan 10 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Fungsi pembangkit momen dari Yn adalah:
M(t; n) = MYn(t) = E(etYn)
= E
exp[t[
(Zn−n)√2n
]]
= e−tn/√
2.E[etZn/
√2]
= etZn/√
2.MZn( t√2n
)
= e−(t√
2n
)(n/2)[1 − 2 t√
2n
]−n/2
=[et√
2n − t
√2net√
2/n)−n/2]
Apabila et√
2/n)diuraikan dengan Deret Taylor, maka akan diperoleh:
et√
2/n) = 1 + t
√2
n+
1
2
[t
√2
n
]2
+1
6
[t
√2
n
]3
+ ...
Sehingga:
M(t; n) = 1 + t√
2n
+ 12
[t√
2n
]2+ 1
6
[t√
2n
]3+ ...−
t√
2n
[1 + t
√2n
+ 12
[t√
2n
]2+ 1
6
[t√
2n
]3+ ...
]−n/2
=[1 − t2( 2
n) + 1
2t2( 2
n) + 1
6t3( 2
n)√
2n− 1
2t3( 2
n)√
2n
+ ...]−n/2
=[1 − t2
n− 1
3t3( 2
n)√
2n
+ ...]−n/2
Limn→∞M(t; n) = Limn→∞
[1 − t2
n− 1
3t3( 2
n)√
2n
+ ...]−n/2
M(t; n) = Limn→∞
[1 − t2
n− 1
3t3( 2
n)√
2n
+ ...]−n/2
= Limn→∞
[1 − t2
n
]−n/2
Limn→∞M(t; n) = et2
2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari dis-
tribusi normal standar, yaitu M(t) = et2
2 . Jadi variabel random Yn = (Zn−n)√2n
mempunyai distribusi pendekatan berbentuk distribusi normal standar.
Bab 1. Distribusi Pendekatan 11 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Apabila sebuah variabel random mempunyai disribusi pendekatan maka
kita dapat menggunakan distribusi pendekatan itu sebagai distribusi yang
sebenarnya. Misalnya dari hasil contoh di atas, kita dapat menggunakan
distribusi Poisson sebagai pendekatan dari distribusi Binomial untuk n be-
sar dan p kecil. Kemudian kita bisa menghitung peluang dari variabel ran-
dom yang berdistribusi binomial dengan menggunakan distribusi pois-
son.
Contoh
Misalnya variabel random Y berdistribusi binomial dengan n = 50 dan
p = 0, 04. Hitung P (Y ≤ 1) dengan dua cara, yaitu cara eksak dan cara
pendekatan.
Jawab :
1. Cara eksak
Dalam hal ini, kita menyelesaikannya dengan menggunakan dis-
ribusi binomial.P (Y ≤ 1) = P (Y = 0) + P (Y = 1)
=
(50
0
)(0, 04)0(0, 96)50 +
(50
0
)(0, 04)1(0, 96)49
= 0, 1299 + 0, 2706
P (Y ≤ 1) = 0, 4005
2. Cara pendekatan
Dalam hal ini, kita menyelesaikannya dengan menggunakan distr-
busi poisson.
µ = np = 50.0, 04 = 2
P (Y ≤ 1) = P (Y = 0) + P (Y = 1)
= e−220
0!+ e−221
1!= 3.e−2 = 0, 4060
1.3.2.3 Melalui Teorema Limit Pusat
Berikut ini akan dijelaskan beberapa teorema limit pusat, sbb:
Bab 1. Distribusi Pendekatan 12 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
1. Teorema limit pusat yang pertama kali dikemukakan oleh Laplace
pada tahun 1812 dan pembuktiannya yang lebih teliti dijelakan oleh
Liapounoff pada tahun 1901.
Teorema
Jika Xi, I = 1, 2, 3, ..., n adalah n buah variabel random yang saling
bebas sedemikian hingga E(Xi) = µi dan Var (Xi) = σ2i maka vari-
abel random Sn = X1 +X2 + ...+Xn secara pendekatan berdistribusi
N(µ; σ2) dengan µ =∑n
i=1 µi dan Var (Xi) =∑n
i=1 σ2i
2. Teorema limit pusat berikut ini dikemukakan oleh De-Moiure’s dan
Laplace pada tahun 1833
Teorema
Jika Xi =
1 ; dengan peluang p
0 ; dengan peluang q = 1 − p
maka distribusi dari variabel random Sn = X1 +X2 + ...+Xndengan
Xi saling bebas dan berdistribusi identik, secara pendekatan akan
berdistribusi N(np; npq) untuk n → ∞.
Bukti :
Fungsi pembangkin momen dari Xi adalah:
Mxi(t) = E [etxi ]
=∑1
xi=0 etxif(xi
= et(1).p + et(0).q
= pet + q
)
Fungsi pembangkit momen dari Snadalah:
Msn(t) = E [etsn ]
= E[et(X1+X2+...+Xn)
]
= E[etX1+tX2+...+tXn
]
=[etX1
]+[etX2
]+ ... + E
[etXn
]
= Mx1(t) + Mx2(t) + ... + Mxn(t)
= (pet + q).(pet + q)...(pet + q)
Msn(t) = (pet + q)n
Bab 1. Distribusi Pendekatan 13 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
distribusi binomial dengan parameter n dan p.
Jadi E(Sn) = np dan Var (Sn) = npq, misalkan : Z = Sn−E(Sn)√Var (Sn)
=Sn−np√npq
Fungsi pembangkit momen dari Z adalah:
Mz(t) = E[etZ]
= Eexp
[t[
Sn−np√npq
]]
= e−tnp/√
npq.Msn
(t√npq
)
= e−tnp/√
npq[pet/
√npq + q
]n
=[e−tp/
√npq[pet/
√npq + q
]]n
=[e−tq/
√npq + q.e−tp/
√npq]n
=
p[1 + tq√
npq+ t2q2
2npq+ t3q3
6npq√
npq+ ...
]
+q[1 − tq√
npq+ t2q2
2npq+ t3q3
6npq√
npq+ ..]n
=[p + t
√pqn
+ t2q2n
+ t3q2
6np√
npq+ ... + q−
t√
pqn
+ t2q2n
+ t3q2
6np√
npq+ ...
]n
Mz(t) =[1 + t2
2n+ t3(q−p)
6√
npq+ ...
]n
Limn→∞Mz(t) = Limn→∞
[1 +
t2
2n+
t3(q − p)
6√
npq+ ...
]n
= Limn→∞
[1 +
t2
2n
]n
Limn→∞Mz(t) = et2/2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
distribusi normal standar. Jadi Z = Sn−np√npq
berdistribusi N(0; 1). Den-
gan menggunakan teknik fungsi pembangkit momen dapat ditun-
jukkan Sn berdistribusi N(np; npq)
3. Berikut ini akan dijelaskan dalil limit pusat untuk n buah variabel
random yang berdistribusi identik (pembuktiannya dilakukan oleh
Lindeberg dan Levy)
Teorema : Jika X1 + X2 + ... + Xn adalah n buah variabel random
Bab 1. Distribusi Pendekatan 14 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
yang bebas dan berdistribusi identik dengan:
E(Xi) = µ; V ar(Xi) = σ2; i = 1, 2, ..., n
maka variabel random Sn = X1 + X2 + ... + Xn secara pendekatan
berdistribusi normal dengan rerata µ = nµ dan variansi σ2 = nσ2
Bukti : Misalkan M1(t) menunjukkan fungsi pembangkit momen
dari (Xi − µ1) dan M(t) menunjukkan fungsi pembangkit momen
dari Z = Sn−µσ
.
Karena µ1 dan µ2 dari (Xi − µ1) diberikan dengan:
µ1 = E(Xi − µ1) = E(Xi) − µ1 = µ1 − µ1 = 0
µ2 = E(Xi − µ1)2 = σ2
i
maka fungsi pembangkit momen dari (Xi − µ1) adalah:
M1(t) = E[et(xi−µ1)
]
= E1 + t(xi − µ1) + 1
2t2(xi − µ1)
2 + 16t3(xi − µ1)
3 + ...
= 1 + tE(xi − µ1) + 12t2E(xi − µ1)
2 + 16t3E(xi − µ1)
3 + ...
M1(t) = 1 + tt
2σ2
i + 16t3E(xi − µ1)
3 + ...
Kita akan menguraikan dahulu Z,
Z =Sn − µ
σ=
(X1 + X2 + ... + Xn) − µ
σ
dengan :
Bab 1. Distribusi Pendekatan 15 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
(i) µ = E(Sn) = E(X1 + X2 + ... + Xn)
= E(X1) + E(X2) + ... + E(Xn)
= µ1 + µ1 + ... + µ1
µ = E(Sn) = nµ1
(ii) σ =√
Var (Sn)
=√
Var(X1 + X2 + ... + Xn)
=√
Var(X1) + Var(X2) + ... + Var(Xn)
=√
σ21 + σ2
1 + ... + σ21)
σ = σ1
√n
Jadi
Z =(X1 + X2 + ... + Xn) − nµ1
σ1
√n
=
∑nxi=0(Xi − µ1)
σ1
√n
Fungsi pembangkit momen dari Z adalah:
Mz(t) = E[etZ]
= E[e
tσ1
√n
Pnxi=0(Xi−µ1)
]
= E[e
tσ1
√n
[(x1−µ1)+t(x2−µ1)+...+t(xn−µ1)]]
= E[e
tσ1
√n
[(x1−µ1)+t(x2−µ1)+...+t(xn−µ1)]]
= E[e
tσ1
√n
(x1−µ1)e
tσ1
√n
(x2−µ1)....e
tσ1
√n
(xn−µ1)]
= Mx1 − µ1
[t
σ1
√n
].Mx2 − µ1
[t
σ1
√n
]....Mxn − µ1
[t
σ1
√n
]
Mz(t) =
[Mx1 − µ1
[t
σ1
√n
]]n
=
[1 +
1
2
[t
σ1
√n
]2
σ21 +
1
6
[t
σ1
√n
]3
σ21 + ...
]n
=
[1 +
t2
2n+
t3
6σ1n√
n+ ...
]n
Bab 1. Distribusi Pendekatan 16 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Limn→∞Mz(t) = Limn→∞
[1 + t2
2n+ t3
6σ1n√
n+ ...
]n
= Limn→∞
[1 + t2
2n
]n
Limn→∞Mz(t) = et2/2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
distribusi normal standar. Jadi Z = Sn−nµ1
σ1nberdistribusi N(0; 1).
4. Teorema: Jika X1 +X2 + ...+Xnmenunjukkan sampel acak distribusi
yang mempunyai rerata µdan varians σ2, maka variabel random:
Yn =
∑nxi=1(Xi − µ1)
σ1
√n
akan berdistribusi N(0; 1)
Bukti : Tentukan fungsi pembangkit momen dari Yn, kemudian kita
akan menguraikan eth
X1−µ
σ√
n
i
berdasarkan deret Taylor, sehingga diper-
oleh:
M(t; n) =
[1 + t
[X1−µσ√
n
]+ t2
2
[X1−µσ√
n
]2+ t3
6n
[X1−µσ√
n
]3+ ...
]n
=[1 + t
σ1√
nE(X1 − µ) + t2
2nσ2 E(X1 − µ)2 + ...]n
=[1 + t2
2n+ t3
6σ3n√
nE(X1 − µ)3 + ...
]n
Limn→∞M(t; n) = Limn→∞
[1 + t2
2n+ t3
6σ3n√
nE(X1 − µ)3 + ...
]n
= Limn→∞
[1 + t2
2n
]n
Limn→∞M(t; n) = et2/2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
distribusi normal standar, sehingga Yn =Pn
xi=1 Xi−nµ
σ√
nberdistribusi
N(0; 1).
5. Teorema: Jika X1, X2, ..., Xnmenunjukkan sampel acak dari dis-
tribusi yang mempunyai rerata µ dan varians σ2, maka variabel ran-
dom Yn = x−µσ/
√n
akan berdistribusi normal standar.
Bab 1. Distribusi Pendekatan 17 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bukti : Fungsi pembangkit momen dari Yn adalah:
MYn(t) = M(t; n) = E(etyn)
= E[e
t x−µσ/
√n
]
= E[e
−tµσ/
√n .e
txσ/
√n
]
= e−tµ
σ/√
n E[e
tσ√
n[X1+X2+...+Xn]
]
= e−tµ
σ/√
n E[e
tσ√
nX1 .e
tσ√
nX2 ...e
tσ√
nXn
]
= e−tµ
σ/√
n E[e
tσ√
nX1
].E[e
tσ√
nX2
]...E
[e
tσ√
nXn
]
= e−tµ
σ/√
n.Mx1
[t
σ1√
n
].Mx2
[t
σ1√
n
]....Mxn
[t
σ1√
n
]
M(t; n) = e−tµ
σ/√
n
[Mx1
[t
σ1√
n
]]n
ln M(t; n) = −tµσ/
√n
+ n.ln Mx1
[t
σ1√
n
]
Apabila kita menguraikan Mx1
[t
σ1√
n
]lebih lanjut, maka akan diper-
oleh hasil:
Mx1
[t
σ1√
n
]= 1 + µ′
1t
σ1√
n+ 1
2µ′
2
[t
σ1√
n
]2+ 1
6µ′
3
[t
σ1√
n
]3+ ...
Sehingga:
ln M(t; n) = −tµσ/
√n+n.ln Mx1
[1 + µ′
1t
σ1√
n+ 1
2µ′
2
[t
σ1√
n
]2+ 1
6µ′
3
[t
σ1√
n
]3+ ...
]
Kita akan menguraikan ln (1 + x) dengan perluasan deret Maclau-
rin, yaitu:
ln (1 + x) = x − 12x2 + 1
3x3 − ...; |x| < 1
Disini X = µ′1
tσ1
√n
+ 12µ′
2
[t
σ1√
n
]2+ 1
6µ′
3
[t
σ1√
n
]3+ ...
Sehingga:
ln M(t; n) = −tµσ√
n+ n
[µ′
1t
σ1√
n+ 1
2µ′
2
[t
σ1√
n
]2+ 1
6µ′
3
[t
σ1√
n
]3+ ...
−
12
µ′
1t
σ1√
n+ 1
2µ′
2
[t
σ1√
n
]2+ 1
6µ′
3
[t
σ1√
n
]3+ ...
2
+
13
µ′
1t
σ1√
n+ 1
2µ′
2
[t
σ1√
n
]2+ 1
6µ′
3
[t
σ1√
n
]3+ ...
3
− ...
]
=[−µ
√n
σ+
−µ′1
√n
σ
]t +[
µ′2
2σ2 +µ′2
1
2σ2
]t2 +
[µ′
3
6σ3√
n− +
µ′1µ′
2
2σ√
n
]t3 + ..
dengan:µ′
1 = µ
µ′2 − µ′
1 = µ2 = σ2
Bab 1. Distribusi Pendekatan 18 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
ln M(t; n) = 0 + 12t2 +
[µ′
3
6σ3√
n− µ′
1µ′3
2σ3√
n+
(µ′1)
3
23σ3√
n
]t3 + ...
Limn→∞ln M(t; n) = Limn→∞
[12t2 +
[µ′
3
6σ3√
n− µ′
1µ′3
2σ3√
n+
(µ′1)
3
23σ3√
n
]t3 + ...
]
Limn→∞ln M(t; n) = 12t2
Limn→∞M(t; n) = et2/2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
distribusi normal standar, sehingga : Yn = x−µσ/
√n
berdistribusi N(0; 1).
Untuk menerapkan teorma limit pusat dalam menyelesaikan soal,
seringkali diperlukan untuk mengubahnya lebih dulu dalam bentuk
lain, yaitu: Jika X1, X2, ..., Xn adalah n buah variabel random yang
saling bebas dan berdistribusi identik dengan rerata µ1dan variansi
σ2 yang besarnya berhingga dan S1 = X1 + X2 + ... + Xn; maka:
Limn→∞P[a ≤ Sn−nµ1
σ1n≤ b]
= φ(b) − φ(b) =∫ b
a1√2π
e−x2/ndx
Limn→∞P
[a ≤ Sn−E(Sn)√
V ar(Sn)≤ b
]= φ(b) − φ(b)
Limn→∞P
[a ≤ X−E(X)q
V ar(X)≤ b
]= φ(b) − φ(b)
atau Limn→∞P[a ≤ X−µ1
σ1√
n≤ b]
= φ(b) − φ(b)
Jika kita memperhatikan ketiga bentuk di atas, maka untuk menghi-
tung peluang dari variabel random yang mempunyai harga tertentu
dengan menggunakan teorema limit pusat, dapat diselesaikan den-
gan bantuan tabel distribusi normal standar.
1.4 Soal-Soal dan Pembahasan
1. Misalkan X adalah rerata dari sampel acak berukuran 75 dari dis-
tribusi dengan fungsi kepadatan peluang berbentuk:
f(x) = 1 ; 0 < x < 1
= 0; lainnya
Bab 1. Distribusi Pendekatan 19 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Hitung P (0, 45 < X < 0, 55)
Jawab :
Kita akan menghitung dahulu E(X) dan Var (X).
µ = E(X) =∫ 1
0xdx = 1
2
µ′2 = E(X2) =
∫ 1
0x2dx = 1
3
Jadi : σ2 =Var (X) =Var (X) = 13− 1
4= 1
12
Sehingga:
P (0, 45 < X < 0, 55) = P
[0,45−0,5q
1(75)(12)
< X−µ1
σ1√
n< 0,55−0,5q
1(75)(12)
]
= P (−1, 50 < Z < 1, 50)
P (0, 45 < X < 0, 55) = 0, 866
2. Misalkan X1, X2, ..., Xn menunjukkan sebuah sampel acak dari dis-
tribusi b(1, p). Jika n = 100, p = 1/2, dan Y = X1 + X2 + ... + Xn;
maka hitung P (Y = 48, 49, 50, 51, 52)
Jawab :
Karena X berdistribusi Bernouli, maka:
(i)E(X) = p
(ii)Var (X) = p(1 − p)
Dengan menggunakan teknik fungsi pembangkit momen, maka Y
dapat ditunjukkan berdistribusi b(n; p). Akibatnya:
(i) E(Y ) = n.p = 100.1/2 = 50
(ii)Var (Y ) = np(1 − p) = 100.1/2(1 − 1/2) = 25
Karena kita melakukan perubahan dari variabel random diskrit ke
kontinu, maka kita harus menggunakan faktor koreksi, yaitu dengan
menambah dan megurangi 0, 5. Sehingga:
P (Y = 48, 49, 50, 51, 52) = P
[47,5−50
5≤ Y −E(Y )√
V ar(Y )≤ 52,5−50
5
]
= P (−0, 50 < Z < 0, 50)
P (Y = 48, 49, 50, 51, 52) = 0, 381
Kemudian kita akan menghtiung hasi eksak dengan menggunakan
disribusi binomial.
Bab 1. Distribusi Pendekatan 20 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
P (Y = 48, 49, 50, 51, 52) = P (Y = 48) + P (Y = 49) + P (Y = 50)
+P (Y = 51) + P (Y = 52)
P (Y = 48) =
(100
48
)(
12
)100= 0, 0375
P (Y = 49) =
(100
49
)(
12
)100= 0, 0780
P (Y = 50) =
(100
50
)(
12
)100= 0, 0796
P (Y = 51) =
(100
51
)(
12
)100= 0, 0780
P (Y = 52) =
(100
52
)(
12
)100= 0, 0735
Sehingga:
P (Y = 48, 49, 50, 51, 52) = 0, 0375 + 0, 0780 + 0, 0796+
0, 0780 + 0, 0735
P (Y = 48, 49, 50, 51, 52) = 0, 3826
Apabila kita membandingkan hasil pendekatan dengan hasil eksak,
maka akan terdapat perbedaan sebesar 0, 0016.
3. Misalkan X1, X2, ..., Xnadalah n buah variabel random yang masing-
masing berdistribusi χ (1). Jika Sn = X1 + X2 + ... + Xn dan n = 100
, maka tentukan nilai a sedemikian hingga P (Sn < a) = 0, 95
Jawab :
Dengan menggunakan teknik fungsi pembangkit momen, maka
Snakan berdistribusi χ (n). Akibatnya
(a) E(Sn) = n = 100
(b) Var (Sn) = 2n = 200
Sehingga:
P (Sn < a) = 0, 95
Bab 1. Distribusi Pendekatan 21 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
P
[Sn − E (Sn)√
V ar (Sn)≤ a − 100√
200
]= 0, 95
P
[Z ≤ a − 100√
200
]= 0, 95
Dari tabel Distribusi Normal diperoleh:
a − 100√200
= 1, 645
a = 100 + 1, 645√
200 = 123, 264
Kemudian kita akan menghitung peluang di atas secara eksak den-
gan menggunakan tabel Distribusi Chi-Kuadrat. Karena P (Sn <
a) = 0, 95; dengan menggunakan tabel Distribusi Chi-Kuadrat den-
gan derajat kebebasan n = 100 diperoleh hasil: a = 124, 342. Apabila
kita membandingkan hasil pendekatan degan hasil eksak maka akan
terdapat perbedaan sebesar 1, 078.
1.5 Soal-Soal Latihan
1. Misalkan Xnmenunjukkan rerata dari sampel acak berukuran
N(µ; σ2). Tentukan distribusi pendekatan dari Xn
2. Misalkan Y1menunjukkan statistik urutan pertama dari sampel acak
berukuran n yang berasal dari distribusi dengan fungsi kepadatan
peluang berbentuk:
f(x) = e−(x−θ) ; θ < x < ∞= 0 ; lainnya
Bab 1. Distribusi Pendekatan 22 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jika Zn = n(Y1 − θ), maka tentukan distribusi pendekatan dari Zn
3. Misalkan X1, X2, ..., Xn merupakan sebuah sampel acak berukuran n
dari distribusi yang mempunyai fungsi kepadatan peluang berben-
tuk:
f(x) = e−xxµ−1
Γ(µ); x > 0, 0 < µ < ∞
= 0 ; lainnya
Jika Xn = 1n
∑ni=1 Xi, maka perlihatkan bahwa untuk n −→ ∞
berlaku:
√n(Xn − µ)
(Xn)1/27→ N(0, 1)
dalam distribusi.
4. Jika variabel random acak Zn berdistribusi Poisson dengan parame-
ter µ = n, maka perlihatkan bahwa distribusi pendekatan dari vari-
abel random acak Yn = (Zn−n)/√
n adalah distribuai normal dengan
rerata 0 dan variansi 1
5. Misalkan Xn menunjukkan rerata dari sampel acak berukuran n
dari distribusi Poisson dengan parameter µ = 1. Perlihatkan bahwa
fungsi pembangkit momen dari:
Yn =√
n(Xn − µ)/α =√
n(Xn − 1)
Jika diberikan dengan exp(−t√
n + n(et/√
n − 1))
6. Untuk soal nomer 5, selidiki distribusi pendekatan dari Yn untuk
n → ∞. Petunjuk: Uraikan et/√
n dengan menggunakan perluasan
deret maclaurin
7. Misalkan Xn menunjukkan rerata dari sampel acak berukuran n dari
distribusi dengan fungsi kepadatan peluang berbentuk
Bab 1. Distribusi Pendekatan 23 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f(x) = e−x ; x > 0
= 0 ; lainnya
(a) Perlihatkan bahwa fungsi pembangkit momen dari:
Yn =√
n(Xn − 1) sama dengan m(t,n) = [et/√
n(t√
n)et/√
n]n0 ; t <√
n
(b) Tentukan distribusi dari Ynuntuk n → ∞
8. Misalkan Xn menunjukkan rerata dari sampel acak berukuran 15
dari distribusi dengan fungsi kepadatan peluang berbentuk:
f(x) = 3x2 ; 0 < x < 1
= 0 ; lainnya
Hitung secara pendekatan P (35
< X < 45)
9. Misalkan S2n menunjukkan variansi dari sampel acak berukuran n
dari distribusi N(µ, δ2) Buktikan bahwa nS2n
n−1konvergen stokastik ke
- α2
10. Misalkan X1, X2, ..., X10adalah barisan peubah acak yang saling be-
bas dan berdistribusi identik dengan rerata µ dan variansi. Perli-
hatkan bahwa:
(a) 2n(n+1)
Σn
i=1i.Xi p−→µ
(b) 6n(n+1)(2n+1)
Σn
i=1i.Xi p−→µ
Bab 1. Distribusi Pendekatan 24 ISBN 978-602-8310-02-4
Bab 2
Konvergensi Variabel Random
2.1 Standar Kompetensi
Memahami konsep dasar konvergensi barisan variabel random dan mam-
pu menerapkan dalam penentuan distribusi pendekatan khususnya, dan
dalam pemecahan masalah matematika, ilmu lain dan dalam kehidupan
sehari-hari pada umumnya.
2.2 Indikator Hasil Belajar
1. Menjelaskan konsep dasar konvergensi stokasitik barisan variabel
random
2. Menganalisis jenis-jenis konvergensi stokastik barisan variabel ran-
dom
3. Menurunkan teorema-teorema dan sifat-sifat konvergensi barisan
variabel random, seperti konvergen dalam distribusi, konvergen da-
lam probabilitas, konvergen dalam kwadrat rataan,dan lain-lain.
4. Menggunakan teorema dan sifat-sifat konvergensi barisan variabel
random untuk menentukan distribusi pendekatan suatu variabel
random
25
Statistika Matematis II/ Edisi E-book
2.3 Uraian Materi
2.3.1 Konsep Dasar Variabel Random
Sebelum membahas tentang konvergensi barisan variabel random, kita
paparkan dulu konsep variabel random, konsep fungsi, kejadian-kejadian
yang dihasilkan dari variabel random, dan beberapa contoh-contoh konk-
ret tentang variabel random. Bagi pembaca yang cukup familiar dengan
konsep varibel random, dipersilakan untuk melewatinya, dan langsung
menuju, ke sub bab, tentang konsep konvergensi barisan variabel random.
Random Variable sering diterjemahkan menjadi variabel random atau peu-
bah acak. Untuk selanjunya demi alasan konsistensi akan digunakan is-
tilah variabel random. Secara intutif, variabel random dapat dipandang
sebagai bilangan x(ζ)yang dihubungkan dengan suatu kejadian ζ dari su-
atu percobaan random. Bilangan ini, misalnya dapat berupa angka keme-
nangan dalam permainan judi, angka voltage dari naik-turunnya tegangan
listrik, angka lama hidup suatu bola lampu, atau sembarang bilangan hasil
pengamatan pada percobaan random1.
Definisi
Diberikan ruang probabilitas (Ω,A, P ), dengan Ω,A, P masing-
masing menyatakan ruang sampel, ruang kejadian dan proba-
bilitas. Variabel random X didefinisikan sebagai fungsi dari
(domain) Ω ke bilangan real. Ditulis: X : Ω → R
Jadi variabel random merupakan fungsi dengan domain berupa ruang
sampel dan kodomain bilangan real.
1 Istilah percobaan random digunakan untuk menggambarkan proses atau proseduryang hasilnya tak dapat diprediksi secara pasti. Misalnya percobaan melantunkan sebu-ah mata uang. Hasilnya umumnya dinyatakan sebagai data, misalnya dinyatakan seba-gai Angka,Gambar atau mungkin sebagai 0,1. Jadi data tersebut dapat berupa datanumerik (bilangan) maupun katagorik.
Bab 2. Konvergensi Variabel Random 26 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
2.3.2 Barisan Variabel Random
Masalah fundamental dalam teori kemungkinan adalah bagaimana me-
nentukan konvergensi (sifat asimptotik) dari variabel random. Kita mulai
dengan mencermati masalah sederhana berikut. Misalkan akan diukur
panjang suatu benda, katakanlah panjangnya m(dalam hal ini dapat di-
pandang sebagai parameter yang tak diketahui). Mengingat pengukuran
bersifat tidak akurat, maka hasil pengukuran panjang benda tersebut da-
pat dinyatakan dengan variabel random berikut.
x = m + v
dengan v merupakan galat (kesalahan). Jika tak ada kesalahan sistematik
yang disengaja, maka v juga merupakan variabel random dengan rataan
0 atau E(v) = 0. Jika deviasi σ dari v relatif kecil dibandingkan m, maka
x(ζ) dari pengukuran tersebut cukup baik untuk m. Dalam konteks ini,
dapat dikatakan bahwa rataan dari random variabel x adalah m dan va-
riannya σ2. Hal ini dapat dinyatakan dalam bentuk pertidaksamaan Tche-
bycheff sbb:
P (|x − m| < ε) > 1 − σ2
ε2(2.1)
Jika varian x relatif kecil dibanding ε atau σ ≪ εmaka probabilitas |x −m| < ε akan menuju 1,atau P (|x − m| < ε) 7→ 1. Hal ini berarti bahwa
suatu hasil pengamatan terhadap panjang benda m tersebut hampir pasti
(almost certainly) terletak antara m − εdan m + ε. Akibatnya parameter m
terletak antara x(ζ) − ε dan x(ζ) + ε.
Untuk meningkatkan keakuratan hasil pengukuran terhadap m tersebut
dapat dilakukan dengan mengulang pengukuran tersebut, misalnya n ka-
li. Hasil-hasil pengukuran tersebut dapat dinyatakan dalam bentuk ba-
risan variabel random Xn = (x1,x2, ...,xn), dengan rata-rata sampel x =∑n
i=1(x1 + x2 + ... + xn), juga merupakan variabel random dengan rata-
rata m dan varian σ2
n. Jika n cukup besar sehingga σ2 ≪ n.m2maka nilai
x(ζ) merupakan estimasi yang baik untuk parameter (yang tak diketahui)
Bab 2. Konvergensi Variabel Random 27 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
m.
Contoh:
Masih berkaitan dengan masalah di atas, tentukanlah probabilitas bahwa
x terletak antara 0, 9.m dan 1, 1.m, jika diestimasi dengan variabel random
x dan dengan mengasumsikan n cukup besar sedemikian sehingga σ2.nm2 =
10−4.
Jawab: Dengan menggunakan ketidaksamaan Tchebycheff didapat:
P (0, 9.m < x < 1.1.m) = P (−0, 1.m < x − m < 0, 1.m)
P (|x − m| < 0, 1.m > 1 − σ2
ε2, dengan ε = 0, 1.m
P (|x − m| < ε = 1 − 10−4.m2
10−2n.m2
= 1 − 1
100n
Dari hasil ini didapat, misalnya untuk n = 10,maka probabilitas x terletak
antara 0, 9.m dan 1, 1.m adalah 0,999
Untuk selanjutnya masalah konvergensi variabel random dapat diru-
muskan sebagai berikut. Misalkan X1, X2, ... Xn barisan variabel random
dengan distribusi bersama yang terletak pada ruang sampel yang sama
Ω dan X variabel random yang lain yang juga terletak pada ruang sampel
Ω. Selanjutnya masalah dapat dirumuskan menjadi: “Bagaimana jenis dan
sifat konvergensi dari barisan variabel random Xn tersebut?”.
2.3.3 Jenis-Jenis Konvergensi Variabel Random
2.3.3.1 Konvergen dalam Distribusi
Definisi
Misalnya X1, X2, ..., Xn adalah barisan variabel random yang didefinisikan
atas ruang sampel yang sama S. Jika Fn(x) fungsi distribusi dari variabel
Bab 2. Konvergensi Variabel Random 28 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
random Xn, kita katakan Xn konvergen ke X dalam distribusi dan ditulis
Xnd→ X jika ada fungsi distribusi dari X sehingga
limn→∞
Fn(x) = F (x) (2.2)
untuk setiap titik x dimana F(x) kontinu. Xn konvergen ke X dalam dis-
tribusi juga dikatakan Xn mempunyai limit distribusi dengan fungsi dis-
tribusi F (x).
Teorema Kekontinuan Levy :
Misal Yn variabel random dengan fungsi distribusi Fn(y) dan Mn(y) ada
untuk ∀t ∈ ℜ. Jika F (y) fungsi distribusi yang bersesuaian dengan M(t)
sehingga Mn(t) → M(t) maka Ynd→ Y .
Catatan :
Limn→∞ 1 + b/n + Ψ(n)/ncn = ebc, jika Ψ(n) = 0 (2.3)
Teorema Limit Pusat
Jika X1, X2, ..., Xn ∼ (µ, σ2), σ > 0 maka Yn =√
n(Xn − µ)/σd→ Y, dimana
Y ∼ N(0, 1)
Bukti
Dalam pembuktian berikut, diasumsikan fpm dari x ada. Misal fpm dari
X dan X − µ adalah M(t) dan m(t) maka m(t) = E(et(X−µ)) = e−µtM(t)
juga ada. Karena m(t) merupakan fpm dari X−µ maka m(0) = 1, m′(0) =
E(X − µ) = 0, m′′(0) = E(X − µ)2 = σ2. Menurut teorema Taylor, ada
bilangan ε antara 0 dan t sehingga m(t) = m(0)+ m′(0)t+ m′′(ε)t2/2 =
1 + m′′(ε)t2/2. Di ruas kanan ditambah dan dikurangkan dengan σ2t2/2
maka
m(t) = 1 + σ2t2/2 +[m′′(ε) − σ2] t2
2.
Bab 2. Konvergensi Variabel Random 29 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Pandang
Mn(t) = E
[exp
(t
(n∑
i=1
Xi − nµ
)/σ
√n
)](2.4)
=
E
[exp
(tX − µ
σ√
n
)]n
(2.5)
=
m
(t
σ√
n
)n
;−h < t < h (2.6)
Menurut di atas diperoleh:
m
(t
σ√
n
)= 1 +
t2
2n+
[m′′(ε) − σ2] t2
2nσ2(2.7)
dengan 0 < ε < tσ√
ndan −hσ
√n < t < hσ
√n sehingga
Mn(t) =
1 +
t2
2n+
[m′′(ε) − σ2] t2
2nσ2
n
(2.8)
Karena m′′(t) kontinu di t = 0 dan jika n → ∞ maka ε → 0 maka diperoleh
(m′′(ε)−σ2) → 0 akibatnya Mn(t) → ett/2. Jadi Ynd→ Y dimana Y ∼ N(0, 1)
Contoh
Misalkan X1, X2, ..., Xn adalah n buah variabel random yang saling bebas
berdistribusi seragam pada (0, θ), θ > 0. Jika Yn = max (X1, X2, ..., Xn)dan
variabel random Z didefinisikan sebagai P (Z = θ) = 1, maka buktikan
Yn d−→ Z
Jawab :
Fungsi kepadatan peluang dari X adalah:
f(x) = 1θ
; 0 < x < θ
= 0 ; lainnya
Fungsi distribusi dari Yn adalah:
Bab 2. Konvergensi Variabel Random 30 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
FYn(yn) = P (Yn ≤ yn = P (max (X1, X2, ..., Xn) ≤ yn
= P (X1 ≤ yn, X2 ≤ yn, ..., Xn ≤ yn)
= P (X1 ≤ yn).P (X2 ≤ yn)....P (Xn ≤ yn)
= [P (X1 ≤ yn)]n
[∫ yn
−∞ f(x)dx]
Untuk yn < 0 maka FYn(yn) = 0
Untuk 0 ≤ yn < θ,
FYn(yn) =[∫ 0
−∞ f(x)dx +∫ yn
0f(x)dx
]n
=[∫ 0
−∞ 0dx +∫ yn
01θdx]n
=[
yn
θ
]n
Untuk yn ≥ θ,
FYn(yn) =[∫ 0
−∞ f(x)dx +∫ θ
0f(x)dx +
∫ yn
0f(x)dx
]n
=[∫ 0
−∞ dx +∫ yn
01θdx +
∫ yn
00dx]n
= 1
Jadi
FYn(yn) = 0 ; yn < 0
=[
yn
θ
]n; 0 ≤ yn < θ
= 1 ;[
yn
θ
]n
Limn→∞FYn(yn) = 0 ; yn < 0
= 1 ; yn ≥ θ
Karena didapat Limn→∞FYn(yn) = F (z), dengan F (z) adalah fungsi dis-
tribusi dari Z.
Jadi Yn d−→ Z
Contoh Diketahui barisan fungsi distribusi
Fn(x) =
0, x < n
1, x ≥ n(2.9)
Bab 2. Konvergensi Variabel Random 31 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jelaslah bahwa limn→∞
Fn(x) = 0 = F (x) , karena F (x) = 0, ∀X bukan
fungsi distribungsi maka Xn tidak konvergen dalam distribusi.
Contoh Diketahui fungsi distribusi dari variabel random xn sbb:
Fn(x) =
x∫
−∞
1
(2π)1/2(1/n)1/2e−nw2/2
dw (2.10)
Apakah variabel random xn mempunyai limit distribusi?
Jawab Misal v =√
nw, sehingga
Fn(x) =
√nx∫
−∞
1√2π
e−v2/2dv (2.11)
dan
Limn→∞ Fn(x) =
0, x < 012, x = 0
1, x > 0
Pandang fungsi distribusi
F (x) =
0, x < 0
1, x < 0(2.12)
tidak kontinu di x = 0. Akan tetapi, untuk x 6= 0
limn→∞
Fn(x) = F (x) (2.13)
Jadi variabel random xn mempunyai limit distribusi dengan fungsi distri-
busi F (x) atau xnd→ x.
Contoh Diketahui Xn barisan variabel random dengan
fn(x) =
1; x = 2 + 1
n
0; x yang lain
Bab 2. Konvergensi Variabel Random 32 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
diperoleh limn→∞
fn(x) = 0, untuk setiap x. Karena f(x) = 0 bukan
merupakan fkp, maka fn(x) tidak konvergen ke suatu fkp. Tetapi
Fn(x) =
0; x < 2 + 1
n
1; x ≥ 2 + 1n
(2.14)
dan
limn→∞
Fn(x) = F (x) =
0; x < 2
1; x ≥ 2(2.15)
Karena limn→∞
Fn(x) = F (x) di setiap titik kontinu dari F (x) maka xnd→
x. Ini berarti limit distribusi tidak dapat ditentukan oleh fkp.
2.3.3.2 Konvergen dalam Probabilitas
Misalkan Fn(y) menunjukkan fungsi distribusi dari variabel random Yn
yang distribusinya bergantung pada n bilangan bulat positif. Jika c sebuah
konstanta yang tidak bergantung pasa n, maka Yndikatakan konvergen
stokastik ke-c jika dan hanya jika untuk setiap ε > 0 berlaku:
Limn→∞P [|Yn − c| < ε] = 1
Konvergen stokastik ke parameternya atau ke suatu konstanta, sering
dinyatakan sebagai konvergen dalam peluang.
Definisi
Misalkan Z1, Z2, ..., Zn adalah barisan variabel random yang didefinisikan
atas ruang sampel S. Misalkan pula Z adalah variabel random lain yang
didefinisikan atas ruang sampel S. Kita katakan Znkonvergen ke-Z dalam
peluang (ditulis Znp→ Z), jika untuk setiap ε > 0 berlaku:
Limn→∞P [|Zn − Z| ≥ ε] = 0 (2.16)
Karena
P |Zn − Z| ≥ ε + P |Zn − Z| < ε = 1
Bab 2. Konvergensi Variabel Random 33 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
maka
P |Zn − Z| ≥ ε → 0 ⇔ P |Zn − Z| < ε → 1 (2.17)
Penyelesaian masalah konvergen dalam peluang digunakan ketidak-
samaan Chebysev, yaitu:
P [|X − µx| ≥ kσx] ≤ 1
k2
atau
P [|X − µx| < kσx] ≥ 1 − 1
k2
Berikut ini adalah langkah-langkah untuk penentuan konvergen stokastik,
sbb:
1. Gunakan ketidaksamaan Chebyshev seperti yang dirumuskan di atas
2. Tentukan rerata dan variansi dari statistiknya.
3. Substitusikan nilai rerata dan variansi tersebut ke dalam ketidak-
samaan Chebyshev
4. Lakukan modifikasi terhadap nilai di dalam harga mutlaknya,
sedemikian hingga nilai tersebut sesuai dengan yang diharapkan.
5. Misalkan kσx = εdengan σx sudah disubstitusikan dan diperoleh ni-
lai k. Kemudian tentukan nilai k2.
6. Beri limit untuk n → ∞ pada kedua ruasnya.
Contoh Misalkan X1, X2, ..., Xnadalah sebuah sampel acak dari distribusi
eksponensial dengan fungsi kepadatan peluang berbentuk:
f(x) = 1λe−x/λ ; x > 0
= 0 ; lainnyaPerlihatkan bahwa x konvergen stokastik
ke-λ.
Bab 2. Konvergensi Variabel Random 34 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jawab :
Dari ketidaksamaan Chebysev: P [|X − µx| ≥ kσx] ≤ 1k2
Kita mengetahui bahwa E(Xi) = λ dan Var(Xi) = λ2.
Karena x = 1n
∑ni=1 Xi = 1
n[X1 + X2 + ... + Xn] , maka
(i) E (x) = E[
1n
[X1 + X2 + ... + Xn]]
= 1n
[E (X1) + E (X2) + ... + E (Xn)]
E (x) = 1n
(λ + λ... + λ) = λ
(ii) V ar (x) = V ar[
1n
[X1 + X2 + ... + Xn]]
= n−2 [V ar (X1) + V ar (X2) + ... + V ar (Xn)]
= n−2 (λ2 + λ2... + λ2) = λ2
n
Jadi:
P
[∣∣X − λ∣∣ ≥ k
λ√n
]≤ 1
k2
Misalkanε = k. λ√
n
k = ε√
nλ
k2 = ε2nλ2
Sehingga:
P[∣∣X − λ
∣∣ ≥ ε]≤ λ2
ε2n
Limn−→∞P[∣∣X − λ
∣∣ ≥ ε]≤ Limn→∞
λ2
ε2n= 0
Dengan demikian X konvergen stokastik ke-λ.
Contoh Misalkan barisan variabel random (X1, X2, ..., Xn )∼ (µ, σ2). Tun-
jukkan apakah Xnp→ µ?
Jawab
Diberikan ε > 0
P |Xn − µ| ≥ ε = P|Xn − µ| ≥ kσ/
√n
(2.18)
Bab 2. Konvergensi Variabel Random 35 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
dengan k = ε√
n/σ. Dengan menggunakan ketaksamaan Chebyshev dipe-
roleh
P|Xn − µ| ≥ kσ/
√n≤ 1/k2 = σ2/(nε2) (2.19)
P |Xn − µ| ≥ ε → 0; jika σ2 finit dan n → ∞ (2.20)
Karena ∀ε > 0; P |Xn − µ| ≥ ε → 0 maka Xnp→ µ
Catatan Syarat limn→∞
P (|Yn − c| < ε) = 1 sering digunakan sebagai defi-
nisi konvergen dalam probabilitas dan orang mengatakan bahwa Yn
konvergen ke c dalam probabilitas. Tipe konvergen yang terkuat di-
berikan oleh P ( limn→∞
Yn = c) = 1. Dalam kasus ini kita katakan Yn
konvergen ke c dengan probabilitas 1. Sehubungan dengan ini, me-
an sampel Xn konvergen dengan probabilitas 1 ke mean µ dari suatu
distribusi. Hal ini disebut hukum kuat dari bilangan besar
2.3.4 Sifat-Sifat Konvergensi Variabel Random
Berikut ini adalah beberapa sifat-sifat penting konvergensi variabel ran-
dom, yang sering digunakan dalam menentukan distribusi pendekatan.
1. Misalkan Fn(u) menunjukkan fungsi distribusi dari variabel random
Unyang distribusinya bergantung pada bilangan bulat positif n. Jika
Unkonvergen stokastik ke-c (c 6= 0), maka Un
ckonvergen stokastik
ke-1.
2. Misalkan Fn(u) menunjukkan fungsi distribusi dari variabel random
Un yang distribusinya bergantung pada bilangan bulat positif n. Ke-
mudian Unkonvergen stokastik ke-c, c > 0) dan P (Un < 0) = 0untuk
setiap n. Dalam hal ini,√
Un konvergen stokastik ke-√
c.
3. Jika variabel random Un dan Vnkonvergen stokastik masing-masing
ke konstanta c dan d, maka:
(a) variabel random UnVnkonvergen stokastik ke konstanta cd
Bab 2. Konvergensi Variabel Random 36 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
(b) variabel random Un
Vnkonvergen stokastik ke konstanta c/d, den-
gan d 6= 0
Contoh Misalkan variabel random Ynberdistribusi b(n, p), dengan 0 < p <
1. Jika Un = Yn−np√np(1−p)
,maka:
1. Tentukan disribusi penndekatan dari Un.
2. Perlihatkan bahwa Yn
nkonvergen stokastik ke-p
3. Perlihatkan bahwa Yn
npkonvergen stokastik ke-1
4. Perlihatkan bahwa[1 − Yn
n
]konvergen stokastik ke-(1 − p)
Penyelesaian : Fungsi pembangkit momen dari Yn adalah: MYn(t) = ((1 −p) + pet)n
1. Fungsi pembangkit momen dari Un adalah:
M(t; n) = MUn(t) = E[etUn
]
= E
e
t
»Yn−np√np(1−p)
–
= e−t√
np1−p E
[e
tYn√np(1−p)
]
= e−t√
np1−p MYn
[t√
np(1−p)
]
= e−t√
np1−p
[(1 − p) + pe
t√np(1−p)
]n
=
[(1 − p)e
−tn
√np1−p + pe
t√np(1−p)
− tn
√np1−p
]n
=
[(1 − p)e
t√
pn(1−p) + pe
t−tp√np(1−p)
]
=
[(1 − p)e
−t√
pn(1−p) + pe
tq
1−pnp
]n
Kemudian kita akan menguraikan e−t√
pn(1−p) dan pe
tq
1−pnp menggunakan
perluasan deret MacLaurin, yaitu:
Bab 2. Konvergensi Variabel Random 37 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
(i) e−x = 1 − x + x2
2− x3
6+ ...dengan x = t
√p
n(1−p)
(ii) ex = 1 − x + x2
2− x3
6+ ...dengan x = t
√1−pnp
Jadi:
M(t; n) =[(1 − p)
1 − t
√p
n(1−p)+ t2
2n(1−p)− t3p
6n(1−p)
√p
n(1−p)+ ...
+
p
1 + t√
1−pnp
+ t2(1−p)2np
+ t3(1−p)6np
√1−pnp
+ ...]n
=[1 − t
√p
n(1−p)+ t2p
2n(1−p)− t3p
6n(1−p)
√p
n(1−p)+ ... − p+
pt√
pn(1−p)
+ t2p2
2n(1−p)− t3p2
6n(1−p)
√p
n(1−p)− ... + p+
pt√
1−pnp
+ t2(1−p)2n
+ t3(1−p)6n
√1−pnp
+ ...]n
Kita akan menguraikan suku-suku yang mengandung
t, t2, dan t3 satu persatu .
(i) pt√
pn(1−p)
− t√
pn(1−p)
+ pt√
1−pnp
= −t√
pn(1−p)
+2pt√
pn(1−p)
= −t(1 − 2p)√
pn(1−p)
(ii) t2p2n(1−p)
− t2p2
2n(1−p)+ t2(1−p)
2n= t2
2n
(iii) − t3p6n(1−p)
√p
n(1−p)+ t3p2
6n(1−p)
√p
n(1−p)+ t3(1−p)
6n
√1−pnp
= −t3(2p−1)
6n√
np(1−p)
Sehingga:
M(t; n) =
[1 − t(1 − 2p)
√p
n(1−p)+ t2
2n− t3(2p−1)
6n√
np(1−p)+ ...
]n
=
[1 + t2
2n− t(1 − 2p)
√p
n(1−p)− t3(2p−1)
6n√
np(1−p)+ ...
]n
Limn−→∞M(t; n) =
= Limn−→∞
[1 + t2
2n− t(1 − 2p)
√p
n(1−p)− t3(2p−1)
6n√
np(1−p)+ ...
]n
= Limn−→∞
[1 + t2
2n
]n
Limn−→∞M(t; n) = et2
2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
Bab 2. Konvergensi Variabel Random 38 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
disribusi normal standar. Jadi distribusi pendekatan dari Unadalah
N(0; 1)
2. Yn
nkonvergen stokastik ke-p
Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby-
shev, yaitu:
P [|Yn − µYn| < kσYn ] ≥ 1 − 1
k2
Karena Ynberdistribusi b(n; p), maka:
µYn = np
σ2Yn
= np(1 − p)
atau σYn =√
np(1 − p)
Jadi:
P[|Yn − np| < k
√np(1 − p)
]≥ 1 − 1
k2
P
[∣∣∣∣n[Yn
n− p
]∣∣∣∣ < k√
np(1 − p)
]≥ 1 − 1
k2
P
[∣∣∣∣Yn
n− p
∣∣∣∣ < k√
np(1 − p)
]≥ 1 − 1
k2
Misalkan: ε = k√
p(1−p)n
dan k2 = nε2
1−p
Sehingga:
P
[∣∣∣∣Yn
n− p
∣∣∣∣ < ε
]≥ 1 − p(1 − p)
nε2
Limn−→∞P
[∣∣∣∣Yn
n− p
∣∣∣∣ < ε
]≥ Limn−→∞
[1 − p(1 − p)
nε2
]= 1
Jadi Yn
nkonvergen stokastik ke-p
3. Variabel random Yn
npkonvergen stokastik ke-1
Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby-
shev, yaitu:
P [|Yn − µYn | < kσYn ] ≥ 1 − 1
k2
Bab 2. Konvergensi Variabel Random 39 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
P[|Yn − np| < k
√np(1 − p)
]≥ 1 − 1
k2
P
[∣∣∣∣np
[Yn
np− 1
]∣∣∣∣ < k√
np(1 − p)
]≥ 1 − 1
k2
P
[∣∣∣∣
[Yn
np− 1
]∣∣∣∣ < k
√1 − p
np
]≥ 1 − 1
k2
Misalkan : ε = k√
1−pnp
dan k2 = npε2
1−p
Sehingga :
P
[∣∣∣∣
[Yn
np− 1
]∣∣∣∣ < ε
]≥ 1 − 1 − p
npε2
Limn−→∞P
[∣∣∣∣
[Yn
np− 1
]∣∣∣∣ < ε
]≥ Limn−→∞
[1 − 1 − p
npε2
]= 1
Jadi Yn
nkonvergen stokastik ke-1
4. Variabel random[1 − Yn
n
]konvergen stokastik ke-(1 − p)
Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby-
shev, yaitu
P [|Yn − µYn| < kσYn ] ≥ 1 − 1
k2
P[|Yn − np| < k
√np(1 − p)
]≥ 1 − 1
k2
P
[∣∣∣∣n[Yn
np− p
]∣∣∣∣ < k√
np(1 − p)
]≥ 1 − 1
k2
P
[∣∣∣∣
[Yn
np− p
]∣∣∣∣ < k
√p(1 − p)
n
]≥ 1 − 1
k2
P
[∣∣∣∣
[Yn
np+ 1 − 1 − p
]∣∣∣∣ < k
√p(1 − p)
n
]≥ 1 − 1
k2
P
[∣∣∣∣
[1 − Yn
np
]− (1 − p)
∣∣∣∣ < k
√p(1 − p)
n
]
≥ 1 − 1
k2
Misalkan: ε = k√
p(1−p)n
dan k2 = nε2
p(1−p)
Bab 2. Konvergensi Variabel Random 40 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Sehingga:
P
[∣∣∣∣
[1 − Yn
np
]− (1 − p)
∣∣∣∣ < ε
]≥ 1 − p(1 − p)
nε2
Limn−→∞P
[∣∣∣∣
[1 − Yn
np
]− (1 − p)
∣∣∣∣ < ε
]≥ Limn−→∞
[1 − p(1 − p)
nε2
]
Limn−→∞P
[∣∣∣∣
[1 − Yn
np
]− (1 − p)
∣∣∣∣ < ε
]≥ 1
Jadi[1 − Yn
np
]konvergen stokastik ke-(1 − p)
2.4 Soal-Soal dan Pembahasan
1. Diketahui variabel random X1, X2, ... Xn i.i.d dengan fungsi kepa-
datan peluang:
f(x) =
1θ; 0 < x < θ, 0 < θ < ∞0; untuk x yang lain
(2.21)
Misalkan dibentuk variabel random Yn = max(X1, X2, ...,Xn), Tun-
jukkan apakah Fnw→ F, dan Yn
d→ Y untuk suatu variabel random
Y !
Jawab:
Karena f(x) = 1θuntuk 0 < x < θ maka per definisi fungsi distribusi
variabel random X didapat sbb:
FX(x) = P (X ≤ x)
=
x∫
0
1
θdt =
x
θ, 0 < x < θ (2.22)
Mengingat Yn adalah maksimum dari barisan variabel random
X1, X2, ... Xn yang i.i.d, maka fungsi distribusi variabel random
Yndidapat dengan sbb:
Bab 2. Konvergensi Variabel Random 41 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
FYn(y) = P (Yn ≤ y)
= P (X1 ≤ y, ...Xn ≤ y)
= P (X1 ≤ y)...(Xn ≤ y)
= [F (y)]n
mengingat 2.22 maka didapat
FYn(y) =
[yθ]n, 0 < y < θ
1, y ≥ θ(2.23)
Untuk 0 < y < θ dan jika n → ∞ maka [yθ]n → 0, sehingga didapat:
limn→∞
FYn(y) =
0, 0 < y < θ
1, y ≥ θ
= FY (y)
dengan FY (y) merupakan suatu fungsi distribusi. Jadi dapat disim-
pulkan bahwa:
FYn w−→ FY (y) dan Yn d−→Y , dimana Y adalah variabel random dengan
distribusi FY (y).
2. Diketahui Yn barisan variabel random dengan fungsi massa pelu-
ang (fmp). P Yn = −n = 1; n = 1, 2, ... Selidiki apakah Yn konver-
gen dalam distribusi ke suatu variabel random?
Jawab :
Perhatikan bahwa, Mn(t) = E(etYn) = e−tnP (Yn = −n) = e−tn. Se-
hingga jika n → ∞ diperoleh
Mn(t) −−−−→n → ∞ M(t) =
0; t > 0
1; t = 0
∞; t < 0
Bab 2. Konvergensi Variabel Random 42 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Karena ada t sehingga M(t) = ∞, maka M(t) bukan fpm. Misal
Fn(y) fungsi distribusi yang berkaitan dengan Yn, maka
Fn(y) =
0; y < −n
1; y ≥ −n
Jadi Fn(y) → F (y) = 1, ∀y dengan F (y) bukan fungsi distribusi se-
hingga Yn tidak konvergen ke suatu fungsi distribusi.
3. Diketahui Xn dengan fmp P Xn = 1 = 1/n, P Xn = 0 = 1 − 1/n.
Tunjukkan bahwa Xnd→ X
Jawab :
Perhatikan bahwa, Mn(t) = 1/net + (1− 1/n) ada ∀t ∈ ℜ. Mn(t) → 1.
Jadi M(t) = 1 adalah fpm dari variabel random x yang degenerate di
x = 0. Menurut teorema di atas maka Xnd→ X
4. Diketahui Yn ∼ B(n, p) maka µ = np dan p = µ/n. Apakah Ynd→ Y ?
Jawab
Mn(t) = E(etYn) (2.24)
=∑
Yn=0
etYn
(n
Yn
)P Yn(1 − p)n−Yn (2.25)
=
n∑
Yn=0
(n
Yn
)(Pet)Yn
(1 − p)n−Yn (2.26)
=[pet + (1 − p)
]n(2.27)
=
[1 +
µ(et − 1)
n
]n
(2.28)
Jadi Mn(t) → µ(et − 1) ; ∀t. Karena ada distribusi poisson dengan
mean µ mempunyai fpm µ(et − 1) maka menurut teorema di atas
Ynd→ Y.
5. Diketahui Zn ∼ χ2(n). maka fpm dari Zn adalah(1− 2t)−n/2 ; t < 1/2.
Mean dan variansi dari Zn adalah n dan 2n. Tentukan limit distribusi
dari Yn = (Zn − n)/√
2n
Bab 2. Konvergensi Variabel Random 43 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jawab :
fpm dari
Yn = E(etyn) = e[t((Zn−n)/√
2n)] (2.29)
= e−tn/√
2nE(etzn/√
2n) (2.30)
= e
h−(t
√2/n)n
2
ih1−2 t√
2n
i−n/2
; t < (√
2n)/2 (2.31)
=
(
et√
2n − t
√2
net√
2n
)−n/2
; t <
√n
2(2.32)
Menurut teorema Taylor ada bilangan ε(n) antara 0 dan t√
2/n se-
hingga
et√
2n = 1 + t
√2
n+ 1/2(t
√2
n)2 + 1/6eε(n)(t
√2
n)3 (2.33)
dan diperoleh
et√
2n = (1 − t2
n+
Ψ(n)
n)−n/2 (2.34)
dengan
Ψ(n) =
√2t3eε(n)
3√
n−
√2t3√n
− 2t4eε(n)
3n; n → ∞ ⇒ Ψ(n) → 0 (2.35)
akibatnya
Mn(t) → et2/2 ; ∀t (2.36)
Jadi Ynd→ Y dengan Y ∼ N(0, 1)
6. Diketahui X = mean sampel random berukuran 75 dari distribusi
dengan fkp
f(x) =
1; 0 < x < 1
0; yang lain(2.37)
Hitung P0, 45 < X < 0, 55
Jawab
Bab 2. Konvergensi Variabel Random 44 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
E(X) = 1/2 dan E(X2) = 1/3 maka µ = 1/2 dan σ2 = 1/12.
P0, 45 < X < 0, 55
= P (
√n(0, 45 − µ)/σ <
√n(X − µ)/σ <
√n(0, 55 − µ)/σ = 0, 866.
7. Jika
Xnp→ a dan Yn
p→ b ⇒ Xn + Yn → (a + b)
Bukti
Diberikan ε > 0, P |Xn + Yn − (a + b)| ≥ ε ≤ P |Xn − a| ≥ ε/2 +
P |Yn − b| ≥ ε/2 .2
Karena kedua suku diruas kanan mendekati 0 untuk n → ∞, maka
diperoleh ∀ε > 0 P |Xn + Yn − (a + b)| ≥ ε → 0. Jadi Xn + Yn →(a + b)|
8. Diketahui Yn ∼ B(n, p), 0 < p < 1. Tentukan limit distribusi dari
Yn − np√n(Yn/n)(1 − Yn/n)
Jawab :
Perhatikan bahwa, menurut TLP
Un =Yn − np√np(1 − p)
d→ N(0, 1) (2.38)
Yn/np→ p dan 1 − Yn/n
p→ 1 − p ⇒ (Yn/n)(1 − Yn/n)p→ p(1 − p) ⇒
(Yn/n)(1−Yn/n)p(1−p)
→ 1
dan
Vn =
[(Yn/n)(1 − Yn/n)
p(1 − p)
]1/2p→ 1 (2.39)
Menurut teorema
Wn = Un/Vn =Yn − np√
n(Yn/n)(1 − Yn/n)
d→ N(0, 1) (2.40)
2gunakan ketaksamaan segitiga
Bab 2. Konvergensi Variabel Random 45 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
9. Diketahui Xn dan S2n mean dan variabel sampel random yang ber-
ukuran n dari distribusi N(µ, σ2), σ2 > 0. Tentukan limit distribusi
dari Wn = σXn/Sn.
Jawab :
Telah dibuktikan bahwa Xn dan S2n berturut-turut konvergen dalam
probabilitas ke µ dan σ2. Menurut teorema, Sn konvergen dalam pro-
babilitas ke σ dan menurut teorema 1, Sn/σ konvergen ke 1. Menurut
teorema variabel random Wn = σXn/Sn mempunyai limit distribusi
yang sama dengan Xn. Jadi Wnp→ µ.
2.5 Soal-Soal Latihan
1. Tuliskan definisi dari:
(a) Xn konvergen ke X dalam distribusi (ditulis Xnd→ X
(b) Xn konvergen ke X dalam probabilitas (ditulis Xnp→ X)
2. Misalkan xn mean sampel random yang berukuran n dari distribusi
N(µ, σ2). Tentukan limit distribusi dari xn
3. Misalkan Y1 statistik terurut pertama dari sampel random yang ber-
ukuran n dari distribusi yang mempunyai f.k.p f(x) = e−(x−θ), θ <
x < ∞ dan bernilai 0 untuk x yang lain. Jika Zn = n(Y1−θ), tentukan
limit distribusi dari Zn.
4. Diketahui f.k.p dari Yn adalah
fn(y) =
1; y = n
0; y 6= n(2.41)
Perlihatkan bahwa Yn tidak mempunyai limit distribusi.
5. Diketahui X1, X2, ..., Xn sampel random yang berukuran n dari dis-
tribusi N(µ, σ2) dengan µ > 0. Perlihatkan bahwa Zn =n∑
i=1
Xi tidak
mempunyai limit distribusi.
Bab 2. Konvergensi Variabel Random 46 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
6. Diketahui Xn ∼ G(n, β), dengan β bukan fungsi dari n. Tentukan
limit distribusi dari Yn = Xn/n
7. Diketahui Zn ∼ χ2(n) dan Wn = Zn/n2. Tentukan limit distribusi
dari Wn.
8. Buktikan teorema kekontinuan Levy; Misal Yn variabel random de-
ngan fungsi distribusi Fn(y) dan Mn(t) ada untuk ∀t ∈ ℜ. JikaF (y)
fungsi distribusi ysng bersesuaian dengan M(t) sedemikian sehing-
ga Mn(t) → M(t) maka Ynd→ Y
9. Buktikan teorema limit pusat berikut: Jika X1, ..., Xn ∼ (µ, σ2), σ > 0
maka Yn =√
n(Xn − µ)/σd→ Y dimana Y ∼ N(0, 1).
10. Diketahui variabel random Yn mempunyai distribusi B(n, p).
(a) Buktikan bahwa Yn/n konvergen dalam probabilitas ke p. (Hal
ini merupakan suatu bentuk hukum lemah dari bilangan besar).
(b) Buktikan bahwa1−Yn/n konvergen dalam probabilitas ke 1− p
11. Misalkan S2n variansi sampel yang berukuran n dari distribusi
N(µ, σ2). Buktikan bahwa nS2n/(n − 1) konvergen dalam probabili-
tas ke σ2.
12. Diketahui Wn variabel random dengan mean µ dan varians bnp de-
ngan p > 0, µ dan b konstanta (bukan fungsi dari n). Buktikan bahwa
Wn konvergen dalam probabilitas ke µ. (petunjuk gunakan ketaksa-
maan Chebyshev).
13. Misalkan Yn menyatakan statistik terurut ke-n dari sampel random
berukuran n dari distribusi uniform pada interval (0, θ). Buktikan
bahwa Zn =√
Yn konvergen dalam probabilitas ke√
θ.
14. Diketahui Xn ∼ G(µ, 1). Buktikan bahwa limit distribusi√
n(Xn −µ)/√
Xn adalah N(0, 1)
Bab 2. Konvergensi Variabel Random 47 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
15. Misal Y1, ..., Yn dan X1, ..., Xn dua sampel random yang independen
dengan mean µ1 dan µ2 dan variansi bersama σ2. Tentukan limit dis-
tribusi dari(Y n − Xn) − (µ1 − µ2)
σ√
2n
(2.42)
(Petunjuk : misalkan Zn =
n∑
i=1
Zi/n dengan Zi = Yi - Xi
16. Diketahui Xn berdistribusi gamma dengan parameter α = n dan β,
dengan β bukan fungsi dari n. Jika Yn = Xn/n, tentukan limit distri-
busi dari Yn.
17. Diketahui Zn berdistribusi χ2(n) dan Wn = Zn/n2. Tentukan limit
distribusi dari Wn.
18. Misalkan Z berdistribusi χ2(50). Tentukan P (40 < x < 60)
19. Misalkan P = 0, 95 probabilitas bahwa seorang laki-laki dalam suatu
grup hidup paling sedikit 5 tahun. Jika kita observasi 60 orang laki-
laki dan jika diasumsikan independen, tentukan probabilitas bahwa
paling sedikit 56 dari mereka hidup 5 tahun atau lebih.
20. Diketahui variabel random Zn mempunyai distribusi poisson de-
ngan parameter µ = n. Perlihatkan bahwa limit distribusi dari vari-
abel random Yn = (Zn − n)/√
n ∼ N(0, 1)
21. Diketahui Xn mean dari sampel random berukuran n dari distribusi
poisson dengan parameter µ = 1.
(a) Buktikan bahwa fungsi pembangit moment dari Yn =√
n(Xn −µ)/σ =
√n(Xn − 1) adalah exp
[−t
√n + n(et/
√n − 1)
]
(b) Ekspansikan et/√
n kedalam deret Maclaurin, kemudian tentuk-
an limit distribusi dari Yn
22. Diketahui X mean sampel random berukuran 100 dari distribusi
χ2(50). Hitunglah P (49 < X < 51)
Bab 2. Konvergensi Variabel Random 48 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
23. Diketahui Y ∼ B(72, 1/3). Hitung P (22 ≤ Y ≤ 28)
24. Diketahui X adalah mean sampel random berukuran 15 dari dis-
tribusi yang mempunyai fkp f(x) =
3x2; 0 < x < 1
0, yang lainTentukan
P (3/5 < X < 4/5)
25. Diketahui Y ∼ B(n; 0, 55). Tentukan nilai n terkecil sehingga
P (Y/n > 1/2) ≥ 0, 95.
Bab 2. Konvergensi Variabel Random 49 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bab 2. Konvergensi Variabel Random 50 ISBN 978-602-8310-02-4
Bab 3
Estimasi Titik
3.1 Standar Kompetensi
Memahami konsep dasar estimasi titik dan mampu menerapkannya, baik
dalam pemecahan masalah matematika, ilmu lain maupun dalam kehi-
dupan sehari-hari
3.2 Indikator Hasil Belajar
Setelah mengerjakan bab ini mahasiswa diharapkan dapat:
1. Menjelaskan azas reduksi data dalam distribusi sampling
2. Menganalisis apakah suatu statistik merupakan statistik cukup
3. Menjelaskan prinsip dasar estimasi titik
4. Menentukan sifat-sifat estimator titik
5. Menggunakan ketaksamaan Cramer-Rao untuk menentukan estima-
tor dengan varian minimum uniform (UMVUE)
6. Menentukan estimator suatu parameter dengan metode momen
51
Statistika Matematis II/ Edisi E-book
7. Menentukan estimator suatu parameter dengan metode likelihood
maksimum
3.3 Uraian Materi
3.3.1 Prinsip Reduksi Data
Seperti dijelaskan pada bab sebelumnya, informasi dalam sampel x1, ..., xn
akan digunakan untuk melakukan inferensi tentang parameter θ. Namun
pada umumnya data-data yang terobservasi dari sampel x1,x2, ..., xn ada-
lah daftar bilangan yang sulit untuk diinterpretasikan secara lengkap. De-
ngan kata lain, interpretasi data secara realistik biasanya dilakukan de-
ngan prinsip reduksi. Masalahnya adalah seberapa jauh reduksi itu va-
lid, sehingga tetap menghasilkan inferensi yang akurat terhadap nilai
parameter-parameter populasi.
Misalnya fungsi terukur T (x) adalah statistik yang mendefinisikan bentuk
reduksi data, artinya dalam melakukan inferensi yang digunakan hanya
T (x), bukan keseluruhan sampel terobservasi x. Dua data sampel x dan y
akan diperlakukan sama asalkan T (x) = T (y).
3.3.1.1 Azas Kecukupan
Azas kecukupan (the sufficiency principle) menyatakan bahwa statistik cu-
kup (A suffcient statistic) untuk parameter θ adalah statistik yang bisa me-
nyerap sejumlah informasi tentang θ yang termuat dalam sampel. Setiap
informasi tambahan dalam sampel, di samping harga statistik cukup, ti-
dak memuat informasi tambahan tentang θ. Pertimbangan-pertimbangan
di atas akan membawa pada teknik reduksi data yang dikenal sebagai azas
kecukupan.
Definisi
Bab 3. Estimasi Titik 52 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
T (x) adalah statistik cukup untuk θ, jika setiap inferensi tentang θ hanya
tergantung pada sampel x, yaitu hanya melalui harga T (x). Artinya
jika x dan y adalah dua titik sampel sedemikian hingga T (x) = T (y),
maka inferensi tentang θ harus sama, tidak tergantung apakah X = x
atau Y = y yang terobservasi.
Teorema
Bila f(x | θ) adalah densitas dari x dan q(t | θ) adalah densitas dari T (x),
maka T (x) adalah statistik cukup untuk θ jhj untuk setiap x dalam ruang
sampel, rasio f(x | θ)/q(T (x) | θ) tidak tergantung pada θ.
Catatan :
Pθ(X = x|T (X) = t(x)) =Pθ(X = x dan T (x) = t(x))
Pθ(T (x) = t(x))(3.1)
=Pθ(X = x dan T (x) = t(x))
Pθ(T (x) = t(x))
=Pθ (X = x)
Pθ (T (X) = t(x)
=f (x | θ)
q(T (x))
Contoh
Misalkan Xi, ..., Xn adalah variabel random i.i.d berdistribusi Bernoulli
dengan parameter θ, 0 < θ < 1. Akan ditunjukkan bahwa T (X) =
Xi + ... + Xn adalah statistik cukup untuk θ. Perhatikan bahwa T (X)
merupakan jumlah harga-harga Xi sedemikian sehingga T (X) mem-
punyai ditribusi Binomial (n, θ), sehingga:
Bab 3. Estimasi Titik 53 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f (x(θ))
q(T (x)(θ)0=
∏ni θxi(1 − θ)1−xi
(nt)
θ t (1-θ) n−t, (t =
∑xi) (3.2)
=θ
Pxi (1 − θ)
P(1−xi)
(nt)
θ t(1 − θ) n−t, (
n∏
i
θxi = θP
xi)
=θ t(1 − θ)n−t
(nt)
θ t(1-θ) n−t
=1(nt)
=1(n∑xi
)
Karena rasio di atas tidak tergantung pada θ, maka T (x)adalah statistik
cukup untuk θ.
Contoh
Misalkan Xi, ..., Xn adalah i.i.d. ∽ N(µ, τ 2) dengan τ 2 diketahui adalah
statistik cukup untuk µ. Tunjukkan bahwa mean sampel, T (x)=−X
= x1+...+xn
nadalah statistik cukup untuk µ.
f(x | µ) =n
πi=1 (2πτ 2)−1/2 exp(−(xi − µ)2/2τ 2) (3.3)
= (2πτ 2)−n/2 exp(−n∑
i=1
(xi − µ)2/2τ 2)
= (2πτ 2)−n/2 exp(−n∑
i=1
(xi − x + x − µ)2/2τ 2)
= (2πτ 2)−n/2 exp(−n∑
i=1
(xi − x)2 + n(x − µ)2/2τ 2)
Karena X ∼ N(µ, τ 2/n), maka:
Bab 3. Estimasi Titik 54 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f (x | θ)
q(T (x) | θ)=
( 2πτ 2)n/2
exp
(−(
n∑(xi −x)2 + n(x − µ)2 ) / 2τ 2
)
(2πτ 2/ n )− 1/2 exp(− n (x − µ)2/(2τ 2))(3.4)
= n−1/2(2πτ 2)−(n−1) / 2 exp(−n∑
i=1
(xi − x)2/2τ 2)
yang tidak tergantung pada µ. Dengan menggunakan teorema sebelum-
nya, maka mean sampel adalah statistik cukup untuk µ.
Dengan menggunakan definisi, pertama-tama kita harus menduga ma-
na statistik T (x) yang merupakan statistik cukup, kemudian menentukan
densitas dari T (x) dan menyelidiki apakah rasio densitas x dan densitas
T (x) tidak memuat θ. Cara tersebut memang kurang praktis.
3.3.1.2 Teorema Halmos & Savage
Misalkan f(x|θ) adalah densitas bersama dari sampel X. T (X)adalah sta-
tistik cukup untuk θ jhj terdapat fungsi g(t|θ) dan h(x) sedemikian hingga
untuk semua titik sampel x dan semua parameter θ berlaku;
f(x|θ) = g (T (x)|θ) h(x)) (3.5)
Bukti :
Misalkan T (X) adalah statistik cukup. Pilih g (t(θ)) = P0 (T (x) = t) dan
h(x) = P (X = x|T (X) = T (x)) . Karena T (X) statistik cukup, maka dis-
tribusi probabilitas yang mendefinisikan h(x) tidak tergantung pada θ. Ja-
di, pemilihan h(x)dan g((t(x)) dapat dibenarkan dan untuk pemilihan ini
di dapat
Bab 3. Estimasi Titik 55 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f(x|θ) = Pθ(X − x) (3.6)
= P0 (X = x dan T (X) = T (x))
= P0 (T (X) = T (x)) P (X = x|T (X) = T (x))
= g (T (x)|θ) h(x)
Sekarang andaikan faktorisasi di atas berlaku. Misalkan q(t|θ) adalah den-
sitas dari T (x). Untuk menunjukkan bahwa T (X) merupakan statistik cu-
kup, kita selidiki rasio f(x|θ) /q (T (x)|θ)
Definisikan
AT (x) = Y : T (Y ) = T (x) (3.7)
maka
f(x|θ)q (T (x)|θ) =
g (T (x)|θ) h(x)
q (T (x)|θ) (3.8)
=g (T (x)|θ) h(x)∑
AT (x)g (T (Y )|θ)h(y)
(definisi densitas dari T )
=g (T (x)|θ) h(x)
g (T (x)|θ)∑
AT (x)h(y)
(karena T konstan padaAT (x))
=h(x)∑
AT (x)h(y)
Karena rasio ini tidak tergantung pada θ, maka T (X) adalah statistik cu-
kup untuk θ.
Contoh
Untuk distribusi normal dalam contoh di atas, dapat dilihat bahwa densi-
tas dapat difaktorkan sebagai:
Bab 3. Estimasi Titik 56 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f(x | µ) = (2πτ 2)−n/2 exp
(
−n∑
i=1
(xi − x)2/2τ 2
)
exp(−n(x − µ)2/2τ 2
)
(3.9)
Kita dapat mendefinisikan:
h(x) = (2πτ 2)−n/2 exp
(
−n∑
i=1
(xi − x)2/2τ 2
)
(3.10)
dan bentuk ini tidak tergantung pada parameter µ.
Faktorisasi di atas yang memuat µ tergantung pada sampel x hanya mela-
lui T (X) = X. Sehingga didapat
g(t | µ) = exp(−n(t − µ)2/2τ 2
)(3.11)
dan perhatikan bahwa
f(x | µ) = h(x)g (T (x) | µ) (3.12)
Jadi, dengan menggunakan teorema Faktorisasi; T (X) = x adalah statistik
cukup untuk µ.
Dalam contoh-contoh di atas, statistik cukup adalah suatu fungsi berhar-
ga real dari sampel. Semua informasi tentang θ dalam sampel disarikan
dalm satu bilangan T (X). Kadang-kadang informasi tidak dapat disarik-
an dalam satu bilangan dan sebagai penggantinya diperlukan beberapa
bilangan. Untuk keadaan ini, statistik cukup berupa vektor, katakanlah
T (−X) =
(T1(
−x), ..., Tn(
−x))
. Keadaan ini sering terjadi bila parameter juga
merupakan vektor, katakanlah−θ = (θ1, ..., θs); biasanya r = s, walaupun
tidak selalu teorema faktorisasi juga dapat digunakan untuk menentukan
statistik cukup bernilai vektor.
Contoh
Bab 3. Estimasi Titik 57 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Andaikan kembali bahwa x1, x2, ..., xn. adalah i.i.d ∽ N(µ, τ) tetapi
tidak seperti contoh di muka. Misalkan µ dan τ 2 kedua-duanya tidak
diketahui, sehingga vektor parameter adalah−θ = (µ, τ 2). Sekarang,
bila menggunakan Teorema Faktorisasi, setiap bagian densitas yang
tergantung pada µ dan τ 2 harus dimasukkan dalam fungsi g. Terlihat
bahwa densitas tergantung pada sampel−x hanya melalui
T1(−x) =
_
X (3.13)
dan
T2(−x) = s2 (3.14)
=n∑
(xi−−X)2/(n − 1)
Jadi, kemudian dapat mendefinisikan h(−x) = 1 dan
g(t|θ) = g(t1, t2|µ, τ 2) (3.15)
= (2πτ 2)−n/2 exp(−(n(t1 − µ)2 + (n − 1)t2
)/ 2t2
)
maka, dapat dilihat bahwa
f(−x| µ, τ 2) = g
(T 1(
−X), T 2(
−X)|µ, τ 2
)h(
−X) (3.16)
Jadi, dengan menggunakan Teorema Faktorisasi,
T (−X) =
(T 1(
−X), T 2(
−X)
)= (
−X, S2) (3.17)
adalah statistik cukup untuk (µ, τ 2) dalam distribusi normal.
Untuk keluarga eksponensial, dengan menggunakan Teorema Fak-
torisasi, penentuan statistik cukup sangat mudah untuk dilakukan.
Bab 3. Estimasi Titik 58 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Contoh
Misalkan x1, x2, ..., xn. adalah i.i.d dengan densitas f(x|θ). Andaikan
f(x|θ) adalah keluarga eksponensial dengan densitas
f(x|θ) = h(x)c(θ) exp
(k∑
i=1
Wi(θ) ti (x)
)
(3.18)
Maka
T (−X) =
(n∑
i=1
t
1
(Xj)...n∑
i=1
t
k
(Xj)
)(3.19)
adalah statistik cukup untuk θ.
3.3.2 Estimasi Titik
Kuantitas-kuantitas pada populasi, seperti mean (µ) atau varian (σ2) yang
umumnya tak diketahui. Kuantitas tersebut disebut dengan parame-
ter populasi. Karakteristik (distribusi) suatu populasi tergantung pada
parameter-parameter ini. Misalnya, distribusi Exponensial P (λ) tergatung
pada parameter λ, distribusi Normal N(µ, σ2) tergantung pada 2 parame-
ter mean µ dan variansi σ2 dan distribusi Binomial B(n, p) tergantung pa-
da 2 parameter banyak percobaan n dan peluang sukses dala tiap perco-
baan p. Secara umum lambang θ digunakan sebagai lambang parameter
populasi, sehingga distribusinya dapat tulis f(x; θ); θ ∈ Ω. Dalam hal ini
himpunan Ω disebut ruang parameter dan f(x; θ); θ ∈ Ω disebut keluar-
ga parametrik.
Jika pada populasi digunakan istilah parameter, maka pada sampel digu-
nakan istilah statistik. Statistik didefinisikan sebagai kuantitas-kuantitas
pada sampel. Contohnya; Xn dan S2n masing-masing merupakan statis-
tik atau kuantitas (mean dan varian) dari sampel yang berukuran n yang
mungkin diambil dari populasi berdistribusi f(x; θ) dengan θ tidak dike-
tahui.
Bab 3. Estimasi Titik 59 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Dalam contoh ini, untuk mengestimasi parameter θ, diambil sampel ran-
dom X1, ..., Xn. Fungsi T = T (X1, ..., Xn) disebut statistik. Statistik T yang
digunakan untuk mengestimasi θ disebut estimator dari θ dan ditulis θ.
Estimator θ adalah suatu variabel random yang mempunyai fungsi proba-
bilitas tertentu yang disebut distribusi sampling.
Contoh
Misal X1, ..., Xn sampel random yang diambil dari populasi b(1, p) dengan
p tidak diketahui. Maka X = 1n
∑ni=1 Xi adalah estimator untup p. Estima-
tor yang lain misalnya T = 1/3, T = X1, dan T = (X1 + X2)/2.
Perlu diperhatikan bahwa beberapa statistik dapat digunakan sebagai esti-
mator terhadap suatu parameter. Dari sini mucul masalah: Statistik mana
yang paling baik, atau misalnya statistik mana yang tak bias, efisien, dan
konsisten?
Ada beberapa jenis estimator penting berdasarkan sifat-sifatnya yang ak-
an dibahas pada bagian ini, yaitu estimator tak bias, estimator konsisten,
estimator esfisien, dan estimator minimum
3.3.2.1 Estimator Tak Bias
Definisi
Suatu statistik θ disebut estimator tak bias untuk θ, jika E(θ) = θ, untuk
setiap θ ∈ Ω. Jika E(θ) 6= θ, maka θ disebut estimator bias.
Contoh
Jika X berdistribusi B(n, θ), tunjukkan bahwa X/n adalah estimator tak
bias untuk θ!
Jawab
Bab 3. Estimasi Titik 60 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Karena E(X) = nθ, maka E(X/n) = 1/nE(X) = 1/n.nθ = θ. Jadi θ = X/n
adalah estimator tak bias untukθ
Contoh
Jika S2 = 1n−1
n∑
i=1
(Xi − X)2 adalah varian sampel random dari populasi
N(µ, σ2), tunjukkan bahwa E(S2) = σ2
Bukti
E(S2) = E
[1
n − 1
n∑
i=1
(Xi − X)2
](3.20)
=1
n − 1E
[n∑
i=1
(Xi − µ) − (X − µ)
2
]
=1
n − 1
[n∑
i=1
E(Xi − µ)2
− nE(X − µ)2
]
=1
n − 1
[n∑
i=1
σ2 − n.σ2/n
]
= σ2
Jadi θ2 = S2 adalah estimator tak bias untuk σ2
Contoh
Misal X1, ..., Xn berdistribusi i.i.d uniform U(0, θ). Kita ingin menentuk-
an estimator untuk θ dengan statistik maksimum. Jadi T = maks(
X1, ..., Xn) = Xmax = θ. Terlebih dahulu kita tentukan distribusi dari T.
U(0, θ) ⇒ f(x, θ) =1
θ; 0 < x < θ (3.21)
P (T ≤ t) = P (Xmax ≤ t) = P (X1 ≤ t, X2 ≤ t, ..., Xn ≤ t) (3.22)
Karena X1, ..., Xn independen maka
P (T ≤ t) = P (X1 ≤ t) P (X2 ≤ t) ...P (Xn ≤ t) (3.23)
Bab 3. Estimasi Titik 61 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Karena identik maka G(t) = [F (t)]n dengan G(.) dan F (.) berturut-turut
fungsi distribusi dari T dan X . Jadi
g(t) =dG(t)
dt= n [F (t)]n−1 .f(t) (3.24)
Dari f(x, θ) = 1θ; 0 < x < θ diperoleh F (x) = x
θ, 0 < x < θ sehingga
g(t) = n [t/θ]n−1 .1/θ =ntn−1
θn; 0 < t < θ (3.25)
Sekarang kita tentukan
E(T ) =
θ∫
0
tg(t)dt (3.26)
=
θ∫
0
tntn−1
θn=
n
n + 1θ
Karena E(T ) 6= θ maka T adalah estimator bias. Tetapi jika dipilih
T1 = n+1n
Xmax maka T1 adalah estimator tak bias untuk θ, sebab E(T1) =n+1
nn
n+1θ = θ
3.3.2.2 Estimator Konsisten
Sejauh ini estimator yang dibicarakan hanya untuk sampel berhingga. Se-
baliknya konsistensi adalah sifat asimptotis, yaitu menggambarkan sifat
estimator bila ukuran sampel menjadi tak hingga. Konsistensi adalah sifat
dari barisan estimator bukan dari estimator tunggal.
Barisan estimator Tn = Tn(X1, ..., Xn) disebut estimator konsisten dari θ
jika untuk setiap ε > 0
P |Tn − θ| ≥ ε → 0 (3.27)
Definisi di atas menyatakan bahwa estimator konsisten pasti juga konver-
Bab 3. Estimasi Titik 62 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
gen dalam probabilitas. Karena menurut ketaksamaan Chebyshev
P |Tn − θ| ≥ ε ≤ E(Tn − θ)2
ε2(3.28)
maka E(Tn − θ)2 → 0 adalah syarat cukup suatu estimator konsisten.
Akibat definisi tadi, bila estimator dari θ yang memenuhi
1. Tn estimator tak bias
2. V ar(Tn) → 0
maka Tn adalah estimator konsisten
Contoh
Diketahui X1, ..., Xn berdistribusi i.i.d N(θ, 1). Perlihatkan bahwa Xn ada-
lah barisan estimator konsisten.
Bukti
1. E(Xn) = 1/n.nθ = θ. Jadi Xn estimator tak bias untuk θ
2. V ar(Xn) = 1/n → 0. Menurut akibat definisi di depan, maka
Xn estimator konsisten.
3.3.2.3 Estimator Efisien
Berikut ini kita akan membandingkan dua estimator berdasarkan variansi
dari estimator tersebut.
Definisi
Misalkan θ1 dan θ2 dua estimator tak bias untuk parameter θ. Estimator θ1
dikatakan lebih efisien daripada θ2 jika
V ar(θ1) < V ar(θ2) (3.29)
Bab 3. Estimasi Titik 63 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Contoh
Perhatikan kembali contoh T1 = n+1n
Xmax maka T1 adalah estimator tak
bias untuk θ. Dengan transformasi variabel diperoleh distribusi T1
g(t1) =nn+1
(n + 1)nθntn−11 ; 0 < t1 <
n + 1
nθ (3.30)
Selanjutnya akan dicari V ar(T1)
E(T 21 ) =
b∫
0
t21nn+1
(n + 1)nθntn−11 dt1, dengan b =
n + 1
nθ (3.31)
=(n + 1)2θ2
n(n + 2)
V ar(T1) = E(T 21 ) − E(T1)2 (3.32)
=(n + 1)2θ2
n(n + 2)− θ2
=θ2
n(n + 2)
Kita dapat mencari estimator tak bias yang lain dengan menggunakan sta-
tistik minimum, namakan W = Xmin. Distribusi W sbb:
g(w) =n
θ(1 − w
θ)n−1; 0 < w < θ (3.33)
dan
E(w) =
θ∫
0
wn
θ(1 − w
θ)n−1dw =
θ
n + 1(3.34)
Jika dipilih T2 = (n + 1)Xmin sebagai estimator untuk θ maka T2 adalah
estimator tak bias untuk θ. Sehingga diperoleh distribusi T2
g(t2) =n
(n + 1)θ(1 − t2
(n + 1)θ)n−1; 0 < t2 < (n + 1)θ (3.35)
Bab 3. Estimasi Titik 64 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
dan
E(T 22 ) =
2(n + 1)θ2
n + 2(3.36)
V ar(T2) =2(n + 1)θ2
n + 2− θ2 =
nθ2
n + 2(3.37)
nampaklah bahwa V ar(T1)=θ2
n(n+2)< nθ2
n+2= V ar(T2), untuk n > 1. Jadi T1
lebih efisien daripada T2.
3.3.2.4 Estimator Bayes
Pendekatan Bayesian dalam statistik secara fundamental berbeda dengan
pendekatan klasik seperti yang telah kita bicarakan di muka. Meskipun
demikian, beberapa aspek dari pendekatan Bayesian dapat berguna pa-
da beberapa pendekatan statistik yang lain. Sebelum masuk pada meto-
de pencarian estimator Bayes, kita bicarakan dahulu pendekatan Bayesian
pada statistika.
Dalam pendekatan klasik, parameter θ adalah kuantitas atau besaran te-
tap yang tidak diketahui. Sampel random x1, ..., xn diambil dari populasi
berindeks θ dan berdasarkan harga-harga terobservasi dalam sampel, di-
dapat pengetahuan tentang θ.
Dalam pendekatan Bayesian, θ dipandang sebagai besaran yang variasin-
ya digambarkan dengan distribusi probabilitas (disebut distribusi prior).
Ini adalah distribusi subyektif berdasarkan pada keyakinan seseorang dan
dirumuskan sebelum data diambil. Kemudian sampel diambil dari popu-
lasi berindeks θ dan distribusi prior disesuaikan dengan informasi sampel
ini. Prior yang telah disesuaikan disebut distribusi posterior. Penyesuaian
ini dilakukan dengan menggunakan aturan Bayes, karena itu dinamakan
statistik Bayesian.
Bila distribusi prior dinyatakan dengan π(θ) dan distribusi sampling den-
gan f(x | θ), maka distribusi posterior, yaitu distribusi bersyarat θ diberi-
kan x adalah
π(θ | x) =f (x | θ) π(θ)
m(x)(3.38)
Bab 3. Estimasi Titik 65 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Perhatikan bahwa f(x,θ) = f(x | θ) π(θ) dimana m(x) adalah distribusi
marginal dari x yaitu m(x) =∫
f(x | θ)π(θ)dθ
Jadi distribusi posterior adalah distribusi bersyarat, yaitu bersyarat ter-
hadap observasi sampel. Sekarang distribusi posterior digunakan untuk
memberi pernyataan tentang θ, yang dipandang sebagai besaran random.
Sebagai contoh, mean distribusi posterior dapat digunakan sebagai titik
estimator dari θ.
Contoh
Misalkan X1, ..., Xn adalah distribusi Bernoulli (1, p), maka Y =∑
Xi
adalah Binomial (n, p). Kita andaikan bahwa distribusi prior dari p adalah
Beta (α, β). Distribusi bersama dari Y dan p adalah
f(Y, p) = [
(n
y
)pY (1 − p)n−Y ][
P (α + β)
P (α)P (β)pα−1(1 − p)β−1] (3.39)
=
(n
y
)P (α + β)
P (α)P (β)pY +α−1(1 − p)n−Y +β−1
Densitas marginal dari Y adalah
f(Y ) =
∫ 1
0
f(Y, p)dp =
(n
y
)P (α + β)
P (α)P (β)
P (Y + α) P (n − Y + β)
P (n + α + β)(3.40)
Sehingga π(p | Y ) = f(Y,p)f(Y )
= P (α+β)P (α+α)
P (n+α+β)P (n−α+β)
pY +α−1(1 − p)n−Y +β−1
Yang merupakan distribusi Beta (Y +α, n−y+β). Estimator alami untuk p
adalah mean dari distribusi posterior, dan ini memberikan estimator Bayes
untuk p adalaha
p= β = Y +αα+β+n
Bila kita mengestimasi parameter Binomial, kita tidak perlu memiliki dis-
tribusi prior dari keluarga beta. Tetapi, terdapat keuntungan dalam me-
milih keluarga beta, paling tidak kita mempunyai closed-form dari estima-
tor. Secara umum, untuk sembarang distribusi sampling terdapat keluarga
distribusi prior alami yang disebut keluarga konjugat.
Bab 3. Estimasi Titik 66 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Definisi
Misalkan F adalah kelas densitas f(x | θ). Kelas π dari distribusi prior
disebut keluarga konjugat untuk F , bila distribusi posterior berada dalam
kelas π untuk semua f ∈ F,semua prior dalam π, dan semua x ∈ χ.
Contoh
Jika X ∽ N(θ, τ 2) dan misalkan distribusi prior dari X adalah N(µ, τ 2).
Distribusi posterior dari θ juga normal dengan mean dan variansi
µ = E(θ | x) =τ 2
τ 2 + σ2x +
σ2
σ2 + τ 2(3.41)
V ar(x | θ) =σ2τ 2
σ2 + τ 2(3.42)
3.3.3 Metode Evaluasi Estimator Titik
Metode-metode yang dibicarakan dalam bab sebelumnya telah memberi-
kan gambaran teknik yang masuk akal dalam menentukan estimator ti-
tik untuk suatu parameter. Karena kita biasanya dapat menerapkan lebih
dari satu metode dalam suatu persoalan tertentu, maka kita dihadapkan
pada persoalan memilih diantaranya. Memang metode yang berbeda bisa
menghasilkan estimator yang sama (jika demikian, maka tugas kita sangat
mudah), tetapi pada umumnya metode yang berbeda juga akan mengha-
silkan estimator yang berbeda.
Dalam bab ini akan diperkenalkan konsep dasar untuk mengevaluasi esti-
mator dan menyelidiki kelakuan beberapa estimator terhadap kriteria ini.
3.3.3.1 Galat Kwadrat Rata-Rata
Ukuran kualitas estimator yang paling umum adalah galat kuadrat rata-
rata atau Mean Square Error (MSE). MSE merupakan jumlah Variansi dan
Biasnya
Definisi
Bab 3. Estimasi Titik 67 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Galat kuadrat rata-rata (MSE) dari estimator T (_x) terhadap parameter θ
adalah fungsi θ yang didefinisikan dengan Eθ (T (_x) − θ)
2. Dengan mudah
dapat kita lihat bahwa:
Eθ (T (_x) − θ)
2= V arT (x) + (Bias(T (x))2 (3.43)
dengan Bias T (_x) = EθT (
_x) − θ.
Jadi MSE mempunyai dua komponen, variansi yang menguji variabeli-
tas (precision) estimator dan bias mengukur (accuracy) dari estimator. Ja-
di untuk estimator tak bias kita mempunyai MSE = Eθ (T (x) − θ)2 =
V ar(T (
_
x))
.
Contoh
Misalkan X1, ..., Xn adalah i, i, d N(µ, σ2)._
X dan S2 kedua-duanya adalah
estimator tak bias untuk µ dan σ2, karena E(_
X) = µ dan E(S2) = σ2.
MSE dari kedua estimator adalah
E(_
X −µ)2 = V ar(_
X) =σ2
n(3.44)
E(s2 − σ2)2 = V arS2 =2σ4
n − 1
Banyak estimator tak bias yang masuk akal jika dilihat dari MSE-nya. Na-
mun perlu ditekankan bahwa pengontrolan bias tidak otomatis pengon-
trolan MSE. Pada khususnya sering terjadi timbal balik antara varansi dan
bias, sedemikian hingga sedikit kenaikan bias dapat ditukarkan dengan
penurunan yang lebih besar pada variansi, yang hasilnya adalah perbai-
kan pada MSE.
Contoh
Estimator alternatif untuk σ2 adalah estimator maksimum likelihood
a
σ2
=1
n
n∑(xi−
_x)2 =
n − 1
ns2
Bab 3. Estimasi Titik 68 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Dengan mudah dapat dilihat bahwa E(a
σ2
) = E(n−1n
s2) = n−1n
s2
sehinggaa
σ2
adalah estimator yang bias untuk σ2. Variansia
σ2
dapat dihi-
tung sebagai
V ara
σ2
= V ar(n − 1
ns2) = (
n − 1
n)2V ar(s2) =
2(n − 1)
n2σ4
Karena itu, MSEa
(σ2) adalah
E(a
σ2
−σ2) =2(n − 1)σ4
n2+ (
n − 1
nσ2 − σ2)2 = (
2n − 1
n2)σ4
Jadi kita mempunyai
E(a
σ2
−σ2) = (2n − 1
n2)σ4 < (
2
n − 1)σ4 = E(s2 − σ2)2.
Yang menunjukkan bahwaa
σ2
mempunyai MSE yang lebih kecil dari S2.
Jadi dengan mengadakan timbal balik antara variansi dan bias, MSE dapat
diperbaiki.
Catatan
Hasil di atas tidak berarti bahwa S2 tidak dapat dijadikan sebagai estima-
tor dari σ2. Hal di atas hanya mengatakan bahwa secara rata-rataa
σ2
lebih
dekat ke σ2 dibandingkan dengan σ bila MSE digunakan sebagai uku-
ran kebaikan. Pada umumnya, karena MSE adalah fungsi dari parameter,
maka tidak ada estimator ”terbaik” untuk θ. Yang sering kita lihat adalah
MSE dari dua estimator saling berpotongan, yang berarti kebaikan dari
estimator hanya bersifat lokal. Salah satu cara untuk mengatasi tidak ada-
nya estimator ”terbaik” adalah melalui pembatasan kelas estimator. Salah
satu pembatasan yang kita bicarakan adalah melalui kelas tak bias.
Misalkan kita ingin mengestimasi g(θ). Dalam hal ini kita hanya memba-
tasi kelas estimator.
CT = T : ET = g(θ)
Bab 3. Estimasi Titik 69 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Untuk setiap T1, T2 ∈ CT , Bias T1 =Bias T2 sehingga
MSE(T1) − MSE(T2) = V arT1 − V arT2.
Ini berarti bahwa, dalam kelas CT , perbandingan MSE sama dengan per-
bandingan Variansi.
3.3.3.2 Estimator Terbaik
Tujuan dari bagian ini adalah menyelidiki metode penentuan estimator tak
bias ”terbaik” yang akan definisikan kemudian. Estimator terbaik menu-
rut pandangan klasik adalah estimator dengan variansi minimum dalam
kelas (himpunan) estimator tak bias untuk parameter tersebut. Sifat efi-
siensi estimator hanya membandingkan dua estimator tak bias, akibatnya
estimator yang lebih efisien belum tentu merupakan estimator terbaik.
Definisi
Misalkan T∗ merupakan estimator tak bias untuk g(θ) atau E(T∗) = g(θ).
Jika untuk setiap estimator T yang memenuhi E(T ) = g(θ) berlaku
V ar(T∗) ≤ V ar(T ) untuk setiap θ maka T∗disebut estimator tak bias ter-
baik (memiliki variansi minimum). Karena itu estimator terbaik ini disebut
dengan dengan estimator tak bias yang memiliki variansi minimum sera-
gam atau uniformly minimum variance unbiased estimator disingkat UMVUE.
Menentukan estimator tak bias terbaik (bila ada) bukan pekerjaan yang
mudah karena berbagai alasan dan salah satunya adalah sebagai berikut.
Contoh
Misalkan X1, X2..., Xn adalah iid Poisson(λ). Jika_x dan s2 masing-masing
adalah mean dan variansinya maka dengan mudah dapat dicari:_
E(X) = λ
dan E(S2) = λ yang kedua-duanya merupakan estimator tak bias untuk
λ. Di sini kita tak cukup membandingkan_
V ar(X) dan V ar(S2) saja. Ka-
rena untuk setiap konstanta a berlaku T (_
X,S2) =_
aX +(1 − a)S2 adalah
estimator tak bias untuk λ. Jadi dalam hal ini ada tak terhingga estimator
tak bias.
Bab 3. Estimasi Titik 70 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Contoh ini menunjukkan bahwa untuk menentukan UMVUE diperlukan
penanganan yang menyeluruh. Salah satunya adalah dengan menentu-
kan batas-bawah variansi estimator yang mungkin. Batas bawah variansi
ini dikenal dengan nama batas bawah Cramer-Rao atau Cramer-Rao lower
bound disingkat CRLB sbb:
Misalkan dalam melakukan estimasi g(θ) dari densitas f(x| θ) kita dapat
menentukan batas bawah, variansi dari setiap estimator tak bias, katak-
anlah B(θ). Bila kemudian kita dapat menemukan estimator tak bias T∗sedemikian hinggaV ar(T∗) = B(θ) maka berarti kita mendapatkan UM-
VUE estimator.
3.3.3.3 Teorema Batas Bawah Cramer-Rao
Misalkan X1Xn, ..., Xn adalah sampel dengan densitas f(x| θ) dan misal-
kan T (_
X) = T (X1, ..., Xn) adalah sebarang estimator dengan E(T (_
X)) ter-
deferensialkan dalam θ. Andaikan densitas bersama f(x| θ) = f(x1, ..., xn |θ) menentukan:
d
dθ
∫...
∫h(
_x)f(
_x| θ)d
_x=
∫...
∫h(
_x)
∂
∂θf(
_x| θ)d
_x (3.45)
untuk setiap fungsi h(_x) dengan E | h(
_x) | < θ. Maka
V ar (T (_x)) ≥
ddθ
EθT (_x)
Eθ
((∂ log f (
_x | θ )
∂θ
)2) (3.46)
Bukti
Bukti teorema ini sederhana tetapi cantik, dan merupakan pemakaian
yang cerdik dari ketaksamaan Cauchy-Schwarz. Untuk sebarang dua va-
riabel random X dan Y berlaku
[Covar(X, Y )]2 ≤ (Var X) (Var Y ) (3.47)
Bab 3. Estimasi Titik 71 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bila kita menyusun kembali 3.47, kita akan mendapatkan batas bawah dari
variansi X ,
V arX ≥ [Covar(X, Y )]
Var Y
Kelebihan teorema ini terletak pada pemilihan X dengan estimator T (_
X)
dan Y sama dengan besaran: ∂ log f(_x|θ)
∂θ
Pertama-tama kita harga harap: ∂ log f(_x|θ)
∂θ.
Eθ
(∂ log f(
_x| θ)
∂θ
)= Eθ
(∂ f(
_x|θ)
∂θ
f(_x| θ)
)(sifat log)
=
∫...
∫ ∂ f(_x|θ)
∂θ
f(_x| θ)
f(_x| θ)d
_x (definisi)
=
∫...
∫∂ f(
_x| θ)
∂θd
_x (coretf(
_x| θ))
=d
dθ
∫...
∫f(
_x| θ)d
_x (sifat3.1)
=d
dθ1
= 0
Karena itu
Cov
(T (
_
X).∂ log f(
_x| θ)
∂θ
)= E
(T (
_
X).∂ log f(
_x| θ)
∂θ
)
(3.48)
= E
[T (
_
X)∂ f(
_x|θ)
∂θ
f(_x| θ)
]
Bab 3. Estimasi Titik 72 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
=
∫...
∫∂ f(
_x| θ)
∂θd
_x
=d
dθ
∫...
∫T (
_
X)f(_x| θ)d
_x
=d
dθE(T (X)
Juga, karena E(
∂ log f(_x|θ)
∂θ
)= 0 didapat
V ar
(∂ log f(
_x| θ)
∂θ
)= E
((∂ log f(
_x| θ)
∂θ
)2)
(3.49)
karena itu
V ar(T (
_
X))≥
(ddθ
ET (_
X))2
E
((∂ log f(
_x|θ)
∂θ
)2)
qed1.
Untuk kasus sampel independen perhitungan batas bawah menjadi le-
bih sederhana. Perhitungan dalam penyebut menjadi perhitungan varia-
bel random univariat, seperti yang ditunjukkan dalam corollary berikut
ini.
Akibat Cramer - Rao
Misalkan X1, ..., Xn adalah iid dengan densitas f(_x| θ), misalkan
_
T (X) =
T (x1, ..., xn) sembarang estimator dari g(θ) dengan E(T (_
X)) fungsi θ yang
terdeferensialkan. Bila densitas bersama f(_x| θ) = πf(xi | θ) memenuhi
(3.1), maka
V ar(T (
_
X))≥
(ddθ
ET (_
X))2
nE
((∂ log f(
_x|θ)
∂θ
)2) (3.50)
1 terbukti (qed = Qound Eart Demonstrandum)
Bab 3. Estimasi Titik 73 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bukti
Kita hanya perlu menunjukkan bahwa
E
((∂ log f(
_x| θ)
∂θ
)2)
= nEθ
((∂ log f(
_x| θ)
∂θ
)2)
Karena X1, ..., Xn independen
Eθ
(∂ log f(
_x| θ)
∂θ
)2
= E
((∂ logπ f(xi | θ)
∂θ
)2)
= E
(n∑(
∂ log f(xi | θ)
∂θ
)2)
= E
(n∑(
∂ log f(xi | θ)
∂θ
)2)
+∑
E
(∂ log f(xi | θ)
∂θ
∂ log f(xi | θ)
∂θ
)
untuk i 6= j kita mempunyai
E
(∂ log f(xi | θ)
∂θ
∂ log f(xi | θ)
∂θ
)= E
(∂ log f(xi | θ)
∂θ
)E
(∂ log f(xj | θ)
∂θ
)= 0
Karena itu
n∑E
((∂ log f(xi | θ)
∂θ
)2)
= nE
((∂ log f(xi | θ)
∂θ
)2)
dan corollary terbukti.
Besaran E
((∂∂θ
lognπ f(xi | θ)
)2)
disebut informasi Fisher dari sampel.
Terminologi ini mencerminkan kenyataan bahwa informasi Fisher adalah
balikan dari variansi estimator tak bias terbaik dari θ. Dengan informasi
Fisher menjadi makin besar, variansi estimator tak bias terbaik menjadi
makin kecil. Ini berarti makin banyaknya informasi tentang θ.
Bab 3. Estimasi Titik 74 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Untuk sembarang fungsi terdeferensialkan g(θ) sekarang kita mempunyai
batas bawah pada variansi sebaran estimator T (_
X) yang memenuhi ET (_
X
) = g(θ). Batas bawah tergantung pada g(θ) dan f(_x| θ) dan independen
dari estimator yang sedang diselidiki. Karena itu T (X) adalah batas bawah
seragam dari variansi, dan setiap estimator yang memenuhi ET (_
X)= g(θ)
dan mencapai batas bawah ini adalah estimator tak bias terbaik dari g(θ).
Lemma
Bila f(_x| θ) memenuhi
∂
∂θEθ
(∂
∂θlog f(x | θ)
)=
∫∂
∂θ
[(∂
∂θlog f(x | θ)
)f(x | θ)
]dx (3.51)
(benar untuk kasus eksponensial), maka
E
((∂ log f(xi | θ)
∂θ
))= nE
((∂2 log f(xi | θ)
∂θ2
))(3.52)
Contoh
Misalnya diberikan variabel random Poisson. Dalam hal ini g(λ) = λ.
Sehingga g1(λ) = 1. Karena Poisson adalah keluarga eksponensial, maka
lemma berlaku. Karena itu
E
((∂
∂λlog
nπ f(xi | λ)
)2)
= −nE
(∂2 log
nπ f(x | λ)
∂λ2
)(3.53)
= −nE
(∂
∂λlog
e−λ λx
x !
)
= −nE
(∂2
∂λ2(−λ + x logλ − log x!)
)
= −nE(− x
λ2)
Bab 3. Estimasi Titik 75 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
= −n. − 1
λ2E(x) =
n
λ2.λ =
n
λ
Karena itu untuk sebarang estimator tak bias T (_
X) harus berlaku V arT (_
X
) ≥ λn
batas bawah C-R
Karena V ar_
X ≥ λn
, maka_
X adalah UMVUE dari λ.
Sangat penting untuk diingat bahwa kunci dalam Teorema Cramer-Rao
adalah kemampuan untuk mendiferensialkan di bawah tanda integral
yang dengan sendirinya agak terbatas penerapannya. Seperti telah kita ke-
tahui densitas dalam kelas eksponensial akanmemenuhi persyaratan ini,
tetapi secara umum andaian tersebut harus dilihat kebenaraannya.
Contoh
Misalkan X1, ..., Xn adalah iid dengan densitas f(x|θ) = 1/θ dan 0 < x < θ
.
Karena ∂ log f(x|θ)∂θ
= −1/θ, maka E
((∂ log f(
_x|θ)
∂θ
)2)
= 1/θ2
Teorema Cramer-Rao mengindikasikan bahwa bila T adalah sebarang esti-
mator tak bias dari θ, maka V ar(T ) ≥ θ2
n
Akan dicari estimator yang tak bias dan variansinya lebih kecil. Sebagai
dugaan pertama pandang statistik cukup Y = Maks(X1, ..., Xn). Densitas
dari Y adalah
f(Y |θ) = nY n−1/θn, 0 < Y < θ, maka E[Y ] =∫ θ
0n Y n−1
θn dy = nn+1
θ
Ini menunjukkan bahwa nn+1
Y adalah estimator tak bias untuk θ. Sekarang
kita hitung
V ar( nn+1
Y ) =(( n
n+1)2V ar Y
)= ( n
n+1)2[EY 2 − ( n
n+1θ )2]
= ( nn+1
)2[
nn+1
θ2 − ( nn+1
θ )2]
= θ2
n ( n+2)
Yang secara seragam lebih kecil dari θ2
n.
Ini menunjukkan bahwa Teorema Cramer-Rao tidak dapat diterapkan pa-
da densitas ini. Untuk menunjukkan ini, gunakan aturan Leibnitz.
Bab 3. Estimasi Titik 76 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
ddθ
∫ θ
0h(x) f (x|θ)dx = d
dθ
∫ θ
0h(x)1
θdx = d
dθ(1θ
∫ θ
0h(x))dx
= h(θ)θ
+∫ θ
0h(x) ∂
∂θ(1
θ) dx
6=∫ θ
0h(x)∂ f ( x | θ )
∂θdx.
Kecuali h ( θ )θ
= 0 untuk semua θ. Karena itu, Teorema Cramer-Rao tidak
berlaku.
Kelemahan metode pencarian UMVUE ini, walaupun Teorema Cramer-
Rao dapat diterapkan adalah tidak ada jaminannya bahwa batas bawahn-
ya cukup tajam, atau dengan perkataan lain harga batas bawah Cramer-
Rao lebih kecil dari variansi sebaran estimator tak bias. Bila f(x|θ) adalah
keluarga eksponensial parameter satu regular maka hal ini akan tidak ter-
jadi yaitu bila estimator tak bias dari g(θ) ada, maka pasti akan ada estima-
tor tak bias yang mencapai batas bawah Cramer-Rao. Tetapi, dalam kasus-
kasus lain, batas ini bisa tidak tercapai.
Contoh
Misalkan X1, ..., Xn adalah iidN(µ, σ2), dan pandang estimator σ2 dalam
hal µ tidak diketahui. densitas normal memenuhi andaian Teorema
Cramer-Rao, sehingga
∂2
∂(σ2)2log
(1
(2πσ2)1/2e−
12(x− µ
σ)2)
=1
2σ4− ( x − µ )2
σ6
dan
−E
(∂2
∂(σ2)2log f(x|µ, σ2)
)= −E
(1
2σ4− ( x − µ )2
σ6
)=
1
2σ4
Jadi, setiap estimator tak bias T dari σ2 harus memenuhi V ar(T ) ≥ 2σ4
n
Kita telah mengetahui bahwa V ar(S2) = 2σ4
n−1. Jadi S2 tidak mencapai
CRLB
Dalam contoh di atas sebenarnya kita mempunyai pertanyaan yang belum
terjawab, yaitu apakah ada estimator dari σ2 yang lebih baik dari S2 atau
CRLB tak bisa dicapai?
Bab 3. Estimasi Titik 77 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Syarat pencapaian CRLB sebenarnya cukup sederhana. Hal ini mengin-
gat bahwa terjadi dari pemakaian ketaksamaan Cauchy-Schwarz, sehingga
syarat pencapaian batas bawah tersebut adalah syarat kesamaan dalam
ketaksamaan Cauchy − Schwarz. Perhatikan juga bahwa corollary di ba-
wah merupakan alat berguna karena secara implisit memberikan cara pa-
da kita untuk mendapatkan estimator tak bias terbaik.
Akibat
Misalkan X1, ..., Xn adalah iid f(x|θ ) memenuhi syarat-syarat Teorema
Cramer-Rao. Misalkan L(θ| _x)=
n∏i=1f(xi|θ) menyatakan fungsi likelihood.
Bila T (_
X) = T (X1, ..., Xn). adalah sembarang estimator tak bias dari g(θ),
maka T (_
X) mencapai Cramer-Rao Lower Bound jhj
a(θ)[T (_
X) − g(θ)] =∂ log L( θ | _
x )
∂θ
untuk suatu fungsi a(θ).
Bukti
Ketaksamaan Cramer-Rao dapat ditulis sebagai
[Cov
(T (
_
X),∂
∂θlog
n∏
i=1
f(xi|θ)))]2
≤ V arT (_
X)V ar
(∂
∂θlog
n∏
i=1
f(xi|θ)))
Dengan mengingat E(T ) = g(θ) dan E
(∂∂θ
logn∏i=1 f(xi|θ)
)= 0 dan
menggunakan hasil teorema yang mengatakan bahwa korelasi T dan
∂∂θ
logn∏i=1 f(xi|θ) harus ±1
maka T (_
X) − g(θ) harus sebanding dengan ∂∂θ
logn∏i=1 f(xi|θ).
Contoh
Bab 3. Estimasi Titik 78 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Di sini kita mempunyai
L(µ, σ2| _
x)
=1
(2πσ2)n/2e−
12
P (Xi − µ)2
σ2
Karena itu
∂ log L ( µ , σ2| _x )
∂ σ2=
n
2 σ4
(n∑ (Xi − µ)2
n− σ2
)
Jadi dengan mengambil (σ2) = n2σ4 menunjukkan bahwa estimator tak bisa
terbaik dari σ2 adalah∑
(Xi − µ)2 /n, yang dapat dihitung bila µ diketa-
hui. Bila µ tak diketahui, CRLB tidak dapat dicapai
Akibat
Jika θ adalah estimator tak bias untuk θ dan
V ar(θ) =1
n.E [(∂ ln f(x)/∂θ)2](3.54)
maka θ adalah UMVUE
3.3.4 Metode Estimasi Titik
Pada prinsipnya ada 2 metode estimasi titik yang paling sering dugunak-
an yaitu metode momen atau Moment Method of Estimation (MME) dan Ma-
ximum Likelihood Method of Estimation (MLE) yang akan diuraikan pada ba-
gian berikut ini.
3.3.4.1 Metode Momen
Metode momen yang diciptakan oleh Karl Pearson pada tahun 1800
adalah metode tertua dalam menentukan estimator titik. Misalkan
x1, x2, ..., xn adalah sampel dari populasi dengan densitas f(x | θ1, ..., θk).
Bab 3. Estimasi Titik 79 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Estimator metode momen didapat dengan menyamakan k momen sam-
pel pertama pada k momen sampel populasi, dan menyelesaikan sistem
persamaan simultan yang dihasilkan.
Definisi
Misalkan X1, ..., Xn adalah sampel random populasi yang i.i.d dengan dis-
tribusi f(x/θ1, ..., θk). Estimator metode momen adalah solusi dari persa-
maan µ′r = m′
r (r = 1, 2, ..., k). Dalam hal ini µ′r = E(Xr) adalah momen
populasi ke-r dan m′r = 1/n
n∑
i=1
Xri adalah momen sampel ke-r,
Lebih tepatnya untuk j = 1, 2...., k definisikan:
m1 =1
n
n∑
i=1
X1i , µ1 = EX1 (3.55)
m2 =1
n
n∑
i=1
X2i , µ2 = EX2
.
.
.
mr =1
n
n∑
i=1
Xki , µk = EXr
Momen populasi µj biasanya merupakan fungsi dari θ1, ..., θr,katakanlah
µj(θ1, ...θr). Estimator metode momen−
(θ1, ...,−θk) dari (θ1, ..., θr) dalam ben-
tuk (m1,..., mr), di mana:
Bab 3. Estimasi Titik 80 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
m1 = µ1(θ1, ..., θk) (3.56)
m2 = µ2(θ1, ..., θk)
.
.
.
mr = µk(θ1, ..., θr)
Contoh
Misalkan X1, ..., Xn adalah i.i.d ∽ N(θ, τ 2). Dalam hal ini θ1 = θ dan θ2 =
τ 2. Kita mempunyai m1 =−X, m2 = 1
n
∑X2
i , µ1 = θ, µ2 = θ2 + τ 2. Di sini
kita harus menyelesaikan−X = θ dan 1
n
∑X2
i = θ2 + τ 2
Contoh
Misalkan X1, ..., Xn adalah i.i.d Binomial (k, p), yaitu,
P (Xi = x | p) =
(k
x
)
px(1 − p)k−x, x = 0, 1, ...k. (3.57)
Di sini diandaikan bahwa k dan p kedua-duanya tidak diketahui.
Dengan menyamakan dua momen sampel pertama dan momen populasi
didapat sistem persamaan
−X = kp (3.58)
1
n
∑X2
i = kp(1 − p) + k2p2 (3.59)
Hasilnya adalah:
∼k=
−X
2
−X − 1
n
∑(Xi−
−X)2
dan∼p=
−X∼k
(3.60)
Bab 3. Estimasi Titik 81 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
3.3.4.2 Metode Maksimum Likelihood
Metode maksimum likelihood adalah metode yang paling populer dalam
menghasilkan estimator yang ditemukan oleh R.A Fisher.
Definisi
Misalkan X1, ... Xn adalah i.i.d sampel dari populasi dengan densitas f(x |θ1, ..., θk). Fungsi likelihood didefinisikan sebagai:
L(∼θ|
−X) = L(θ1, ..., θk | X1, ...Xn) =
nπ f(xi | θ1, ..., θk) (3.61)
Untuk setiap titik sampel_x, misalkan
_
θ (_x) adalah harga parameter di
mana L(∼θ|
_
X) sebagai fungsi_
θ dengan menganggap_x konstan mencapai
maksimumnya. Estimasi maksimum likelihood (MLE) dari_
θ berdasarkan
sampel_x adalah
_
θ(_x).
Perhatikan bahwa dari konstruksinya, jelajah dari MLE berimpit dengan
jelajah dari parameter. Secara intuitif, MLE adalah estimator yang masuk
akal, karena MLE adalah titik parameter dengan sampel terobservasi pa-
ling mungkin terjadi. Meskipun demikian perhatikan juga sensitivitas pe-
rubahan data.
Bila fungsi likelihood terdeferensialkan (dalam Estimator) maka calon
MLE yang mungkin adalah harga-harga (θ1, ..., θk) sedemikian hingga
dL (θ | _x)
dθi
= 0, i = 1, 2, ..., k (3.62)
Perhatikan bahwa 3.62 hanyalah syarat perlu untuk terjadinya maksi-
mum.
Contoh
Misalkan X1, ..., Xn adalah i.i.d ∽ N(θ, 1), dan misalkan:
L(∼θ|
_
X) =n
πi=11
(2π)1/2e−
12(xi−θ)2 =
1
(2π)n/2e−
12
P(xi−θ)2 (3.63)
Bab 3. Estimasi Titik 82 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Persamaan dL (θ | _x)
dθi= 0 menghasilkan
n∑i=1 (xi − θ) = 0 hasilnya adalah
_
θ
=_x .
Karena itu_x adalah calon MLE untuk membuktikan bahwa
_x benar-benar
maksimum global, harus ditunjukkan bahwa
d2L(θ | _x)
dθ2|θ=
_x< 0 (3.64)
Catatan
Untuk setiap bilangan a berlaku
n∑
i=1
(xi − a)2 ≥n∑
i=1
(xi−_x)2 (3.65)
kesamaan berlaku bhb a =_x . Ini berati bahwa untuk setiap θ berlaku
e−12
P(xi−θ)2 ≤ e−
12
P(xi−
_x)2 dengan kesamaan bhb
_
θ =_x. Karena itu
_x adalah
MLE.
Dalam banyak kasus, di mana deferensiasi digunakan. Kita akan lebih mu-
dah bekerja pada logaritma alam dari L(θ | _x) yaitu logL(θ | _
x). Dikenal se-
bagai log likelihood dari pada L(θ | _x) nya sendiri. Hal ini dimungkinkan
karena fungsi log naik tegas pada (0,∞), yang berarti bahwa L(θ | _x) dan
log L(θ | _x) mempunyai ekstrem yang sama.
Contoh
Misalkan x1, ..., xn adalah i.i.d Bernoulli (p).
Maka fungsi likelihood adalah
L(p | _x) =
nπi=1 pxi(1 − p)1−xi = py(1 − p)n−y (3.66)
di mana y =∑
xi. Walaupun fungsi ini untuk diambil derivatifnya, na-
mun akan lebih mudah mengambil derivatif likelihoodnya.
LogL(p | _x) = y log p + (n − y) log(1 − p). (3.67)
Bab 3. Estimasi Titik 83 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bila 0 < y < n, mendeferensialkan Log L(p | _x) dan menyamakannya den-
gan nol memberikan hasila
p = y/n. selanjutnya dengan mudah dapat di-
buktikan bahwa y/n adalah maksimum global. Untuk y = 0 atau y = n,
maka
LogL(p | _x) = n log(1−p), bila y=0
n log p, bila y=n (3.68)
Dalam keadaan bagaimanapun Log L(p | _x) fungsi monoton dari p, dan
mudah dilihat bahwaa
p = y/n.
Hal penting yang perlu diperhatikan dalam mendapatkan MLE, adalah
jelajah ruang parameter.
Contoh:
1. Misalkan x1, ..., xn adalah i.i.d ∽ N(θ, 1), tetapi diketahui bahwa θ ≥0.
(a) Bila tidak ada batasan pada θ, kita telah mengetahui bahwa_x
adalah MLE dari θ. Tetapi bila_x< 0, maka harga tersebut berada
di luar ruang parameter.
(b) Bila_x< 0, maka L(θ | _
x) fungsi turun dari θ untuk θ ≥ 0 dan
mencapai maksimum untuka
θ= 0. Karena itu,a
θ=_x bila
_x≥ 0
dana
θ= 0 bila_x< 0.
2. Misalkan x1, ..., xn adalah iid dengan distribusi seragam pada (0, θ).
L(θ | _x) = 0 untuk θ<maks xi
θ−n untuk θ≥maks xi(3.69)
Makaa
θ= maks xi.
3. MLE belum tentu tunggal.
Misalkan x1, ..., xn adalah i, i, d dengan distribusi seragam pada (θ −12, θ + 1
2).
Bab 3. Estimasi Titik 84 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f(x | θ) = 1 (θ− 12≤ x ≤ θ+ 1
2).
0 yang lain (3.70)
L(θ | _x) = 1 bila maks xi − 1
2≤ θ ≤ min xi + 1
2
0 yang lain. (3.71)
Jadi setiap θ diantara maks xi − 12
dan min xi + 12
adalah MLE.
Barangkali salah satu sifat yang paling berguna dari MLE adalah si-
fat invariannya. Misalkan dalam hal ini kita tertarik pada estimasi
g(θ) dengan θ → g(θ) fungsi satu-satu. Sifat invarian mengatakan
bahwa kalaua
θ adalah MLE dari θ maka g(a
θ) juga MLE dari g(θ).
Misalkan η = g(θ). Maka g−1(η) = θ. Selanjutnya
L∗(η| _x) =
nπi=1 f
((xi | g−1(η)
)(3.72)
= L(g−1(η) | _
x)
(3.73)
dan
SupηL∗(η | _
x) = SupηL(g−1(η) | _
x)
= SupθL(θ | _x) (3.74)
Jadi, maksimum dari L∗(η | _x) dicapai pada η = g(θ) = g(
a
θ), yang
menunjukkan bahwa MLE dari g(θ) adalah g(a
θ).
Bila_
θ = (θ1, ..., θk) multidimensi, maka persoalan menentukan MLE
adalah persoalan memaksimumkan fungsi beberapa variabel. Bi-
la fungsi likelihood terdiferensialkan, maka menyamakan turunan-
turunan parsial pertama sama dengan nol memberikan syarat perlu
terjadinya ekstrim. Tetapi, dalam kasus multidimensi, penggunaan
turunan kedua untuk menguji maksimum adalah pekerjaan yang
membosankan, dan untuk menghindarinya metode lain bisa dicoba.
4. Misalkan X1, ..., Xn adalah i.i.d ∽ N(θ, τ)2 dengan θ dan τ 2 kedua-
duanya tak diketahui, maka
Bab 3. Estimasi Titik 85 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
L(θ, τ 2 | _x) =
1
(2πτ 2)n2
e−12
nP(xi−θ)2 / θ2
(3.75)
dan
log L(θ, τ 2 | _x) = −n
2log 2n − n
2log τ 2 − 1
2
n∑
i=1
(xi − θ)2/τ 2 (3.76)
Turunan-turunan parsial terhadap θ dan τ 2 adalah:
∂
∂θlog L(θ, τ 2 | _
x) =1
τ 2
n∑
i=1
(xi − θ)
dan
∂
∂τ 2log L(θ, τ 2 | _
x) = − n
2τ 2+
1
2τ 4
n∑
i=1
(xi − θ)
Dengan menyamakan kedua turunan parsial tersebut dengan nol di-
dapat penyelesaian:
a
θ=_x dan τ 2 = n−1
∑ni=1(xi − θ)2 untuk membuktikan bahwa penye-
lesaian ini adalah maksimum global, pertama-tama perhatikanlah:
bila θ 6= _x, maka
∑(xi − θ)2 ≥ ∑
(xi−_x)2. Karena itu untuk setiap
harga τ 2.
1
(2πτ 2)n2
e−12
P(xi−
_x)2 / τ2 ≥ 1
(2πτ 2)n2
e−12
P(xi−θ)2 / τ2
Sekarang persoalannya menjadi persoalan satu dimensi dan
(τ 2)−12 exp
(−1
2
∑(xi−
_x)2/τ 2
)
mencapai global maksimum pada τ 2 = n−1∑
(xi−_x)2.
Jadi kesimpulannya (_x, n−1
∑(xi−
_x)) adalah MLE.
Bab 3. Estimasi Titik 86 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
3.4 Soal-Soal dan Pembahasan
1. Jika x1,x2, ...xrvariabel random independen berdistribusi Poisson
P (λi); dengan λi = aiλ, diketahui (ai > adiketahui), tunjukkan
T (x) = Σxi adalah statistik cukup untuk λ
Penyelesaian:
Xi ∼ P (aiλ), berarti fungsi pembangkit momen dari Xiadalah:
Mxi(t) = eaiλ(et−1)
dan fungsi padat peluangnya adalah:
f(xi | λ) =(aiλ)xie−aiλ
xi
; xi = 0, 1, 2, ..
Selanjutnya fungsi pembangkit momen dari distribusi Poisson
λΣaiadalah:
MT (x)(t) = MΣxi(t) = πr
i=1Mxi(t) : karena xiindependen.
= πri=1e
aiλ(et−1) = eλ(et−1)Σai
Jadi: T (x) = Σxiberdistribusi P (λΣai)dengan fungsi padat peluang:
f(Σxi = t | λ) =(λΣai)
te−λΣai
t; t = 0, 1, 2, ..
Sekarang perbandingan dari:f(x|
V)
f(Σxi=t|V)=
πri=1[e−aiλ(aiλ)xixi!]
(λΣai)te−λΣait!
; dengan t = Σxi
=e−λΣaiλΣxiπr
i=1axii
πri=1
xi!
e−λΣaiλt(Σai)t
t!
= e−λΣaiλΣxiπri=1a
xii
πri=1xi!
. t!e−λΣaiλt(Σai)
t
= t!(Σai)
t .πr
i=1axi
πri=1xi!
= t!(Σai)
t .πri=1
axii
xi!bebas dari parameterλ
Terlihat bahwa hasil terakhir ini tidak bergantung pada parameter λ.
Bab 3. Estimasi Titik 87 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Dengan demikian disimpulkan T (x) = Σri=1xi adalah statistik cukup
untuk λ
2. Misalkan f fungsi integrabel yang positif terdefinisi pada (0,∼), dan
misalkan Pθ(x) adalah fungsi kepadatan peluang pada (0, θ)dengan
definisi:
Pθ(x) =
C(θ)f(x) ; 0<x<0
0 ; otherwise
Jika x1, x2, ...xnvariabel random iid dengan densitas Pθ, tunjukkan
x(n)adalah statistik cukup untuk θ
Penyelesaian
Misalkan: Z = x(n)= maximum xi;1≤ i ≤ n, maka: P (Z ≤ z) =
P (x1 ≤ z, x2 ≤ z, ..., xn ≤ z)
F (z) =P (x ≤ z)n, sebab xi idd
f(z) =∫ z
0Pθ(x)dx
n
=∫ z
0c(θ)f(x)dx
n= [c(θ)]n
∫ z
0f(x)dx
n
Pθ(z) = F ′(z) = [c(θ)]nd
dz
∫ z
0
f(x)dx
n
(3.77)
Karena Xiiid maka:
Pθ(x) = πni=1Pθ(xi) = πn
i=1c(θ)f(x) = [c(θ)]n f(x)n (3.78)
Sekarang diambil rasionya diperoleh:
Pθ(x)Pθ(Z=x(n))
= [C(θ)]nf(x)n
[C(θ)]n ddz
R z0
f(x)dxn
= f(x)nddz
R z0 f(x)dxn
Ternyata rasio ini independen dari θ, berarti dapat disimpulkan Z=
X(n)adalah statistik. cukup untuk parameter θ.
3. Misalkan x1, x2, ...xn variabel random iid dengan N(σ, σ2) ; σ > 0,
Tentukan himpunan dari statistik cukup minimal
Penyelesaian:
Bab 3. Estimasi Titik 88 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Fungsi padat peluang bersama dari xiadalah:
f (x | θ) = (2πσ2)−n2
e−12σ
Σ(x−r)2dengan θ = σσ2dan yiadalah :
f(y | θ
)= (2πσ2)
−n2e−
12σ
Σ(y−σ)2
• Rasio dari kedua persamaan ini adalah:
f(x,v|θ)f(u,v|θ) =
(2πσ2)−n2
e−12σ Σ(x−r)2
(2πσ2)−n2e−12σ Σ(y−σ)2
= e−12σ
Σ(x−σ)2+ 12σ
Σ(y−r)2
= e−12σ
Σ(x2−2σx+σ2)2+ 1
2σΣ(y2−2σy+σ2)
2
= e−12σ (Σx2−Σy2)+ 2σ
2σ2eΣx− σ2
2σ2 − 2σ2σ2 Σy+ σ2
2σ2
2
= e−12σ (Σx2−Σy2)+ 1
σΣx− 1
σΣy
= e−12σ (Σx2−Σy2)+ 1
σ(Σx−Σy)
• Jelas rasio ini independen dari θ = σσ2⇐⇒ Σx = Σydan
Σx2, Σy2. Dengan demikian T (x) = (Σx, Σx2)adalah himpun-
an statistik cukup minimal untuk θ = σσ2
4. Misalkan x1, x2, ...xnvariabel random independen berdistribusi
U (θ − a, θ + b), dengan a,b>o diketahui dan θǫΩ = IR.
(a) Tentukan momen estimator untuk θ
(b) Hitung variansinya
Penyelesaian:
(a) x ∼ U (θ − a, θ + b) , berarti f (x | θ) = 1b+a
dengan
(θ − a ≤ x ≤ θ + b). Dihitung ekpektasi dari x, yaitu
f (x) =∫ θ+b
θ−ax. 1
b+a
= 1b+a
∫ θ+b
θ−axdx
= 1b+a
[12x2]θ+b
θ−a
= 12(b+a)
(θ + b)2 − (θ − a)2
= 12(b+a)
θ2 + 2θb + b2 − θ2 + 2θa − a2= 1
2(b+a)2θb + 2θa + b2 + −a
= 12(b+a)
2θ (b + a) + (b2 − a2)= 1
2(b+a)2θ (b + a) + (b + a) (b − a)
= θ + b−a2
Bab 3. Estimasi Titik 89 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Persamaan metode memennya adalah: 1n
∑ni=1 xi = x = θΛ+ b−a
2,
sehingga, momen estimator untuk parameter θ adalah θΛ = x−+ b−a
2
(b) Untuk menghitung variansinya, terlebih dahulu dihitung
E (x2)sebagai berikut:
E (x2) =∫ θ+b
θ−ax. 1
b+adx
= 1b+a
[13x3]θ+b
θ−a
= 13(b+a)
(θ + b)3 − (θ − a)3
= 13(b+a)
(θ3 + 3θ2b + 3θb2 + b3) − (θ3 − 3θ2a + 3θa3 + a2)= 1
3(b+a)(3θ2b + 3θ2a + 3θb2 − 3θa2 + b3 + a3)
= 13(b+a)
3θ (θb + θa + b2 − 3θa2) + (b3 + a3)= θ2(b+a)
(b+a)+
θ2(b2−a2)(b+a)
+(b3+a3)3(b+a)
= θ2 + θ(b−a)(b+a)(b+a)
+(b+a)(b2−ab+a2)
3(b+a)
= θ2 + θ (b − a) +(b2−ab+a2)
3
Selanjutnya, dihitung variansi estimator θ, yaitu(θΛ)
V(θΛ)
= V
(x − b − a
2
)= E
(x − b − a
2
)− E
(x − b − a
2
)2
= E
(x − b − a
2
)− E (x) +
b − a
2
2
= E x − E (x)2
= V (x) = V
(1
nΣn
i=1xi
)=
1
n2.V (Σn
i=1xi)
=1
n2.nV (x) =
1
nV (x) =
1
n
E(x2)−(E(x2))
=1
n
(θ2 + θ (b − a) +
b2 − ab + a2
3
)−(
θ +b − a
2
)2
=1
n
(θ2 + θ (b − a) +
b2 − ab + a2
3
)−(
θ + θ (b − a) +(b − a)2
4
)
=1
n
b2 − ab + a2
3− (b − a)2
4
=
1
n
4b2 − 4ab − 4a2 − 3 (b − a)2
12
Bab 3. Estimasi Titik 90 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
=1
n
4b2 − 4ab − 4a2 − 3b2 − 6ab − 43a
12
=
1
n
4b + 2ab + a2
12
=
1
12n(a + b)2 =
(a + b)2
12n
5. Jika x1, x2, ...xnvariabel independen berdistribusi U (−θ, θ)dengan
θǫΩ=(0,∝)
apakah metode momen memberikan suatu estimator untuk θ?
Penyelesaian:
X ∼ U (−θ, θ), berarti f (x | θ) = 12θ
;−θ ≤ x ≤ θ
Jadi:E (x) =
∫ θ
−θf (x | θ) dx =
∫ θ
−θ12θ
xdx
= 12θ
[12x2]θ−θ
= 14θ
(θ2 − (−θ)2) = 0
Sehingga diperoleh persamaan metode momennya yaitu:
E (x) = 1nΣni
i=1Xi = X = 0, karena E (x) = 14θ
.0 = 0
maka θ = 0atau θΛ = 0, dengan demiian metode momen tidak mem-
berikan suatu estimator untuk θ.
6. Jika x1, x2, ...xnvariabel random iid berdistribusi binomial negatif de-
ngan parameter θǫΩ (0, 1)
Tunjukkan bahwa : rr+x
adalah MLE untuk θ
Penyelesaian:
• Xi =∼ binomial negatif, berarti :
f (x | θ) =
r + x − 1
x
Θθr (1 − θ)x dengan 0 < θ ≤ 1; x = 0, 1,
Fungsi likehoodnya adalah:
Bab 3. Estimasi Titik 91 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
•
L (x | θ) = πni=1
r + x − 1
x
θnr (1 − θ)Σni=1xi
=
πni=1
r + x − 1
x
θnr (1 − θ)Σni=1xi
• Logaritma fungsi likehood adalah:
logL (x | θ) = log
πni=1
r + x − 1
x
θnr (1 − θ)Σn
i=1xi
= Σni=1log
r + x − 1
x
+ nr log θ + Σni=1xilog (1 − θ)
• ddθ
[logL (x | θ)] = nrθ− Σn
i=1xi
1−θ
• persamaan likehoodnya adalah: nrθΛ − Σn
i=1xi
(1−θΛ)= 0atau
nr(1 − θΛ
)− θΛΣn
i=1xi
θΛ (1 − θΛ)= 0 ⇔ nr
(1 − θΛ
)− θΛΣn
i=1xi = 0
⇒ nr − nrθΛ − θΛΣni=1xi = 0 ⇒ nr = θΛ (nr+) Σn
i=1xi
θΛ =nr
nr + Σni=1xi
=nr
nr +Σn
i=1xi
n
=r
r + x; dengan
Σni=1xi
n= x
Jadi calon MLE untuk parameter θadalah: θ = rr+x
7. Jika x1, x2, ...xnvariabel random iid berdistribusi exponensial negatif
dengan parameter θǫΩ (0,∝), Tunjukkan bahwa 1x
adalah MLE bagi
parameter θ.
Penyelesaian:
• Xi∼exponensial negatif, berarti fungsi kepadatan peluangnya
adalah:
f (x | θ) = θe−θx ; θ > 0; x > 0
0 ; x ≤ 0; θ > 0
Bab 3. Estimasi Titik 92 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Logaritma fungsi likehood adalah: L (x | θ) = πni=1θe
−θx =
θnθe−θx
• ddθ
[logL (x | θ)] = nθ− Σn
i=1xi;ddθ
[logL (x | θ)] = − nθ2 < 0
• Persamaan likehoodnya adalah : − nθΛ − Σn
i=1xi = 0 atau
n − θΛΣni=1xi
θΛ= 0 ⇔ n − θΛΣn
i=1xi = 0
⇒ θΛ =n
Σni=1xi
=nnΣn
i=1xi
n
=1
x: dengan
Σni=1xi
n= x
• Jadi MLe untuk parameter θadalah θΛ = 1x
8. Misalkan x1, x2, ...xnvariabel random iid dengan p.d.f f (.; θ1, θ2)
yang diberikan oleh: f (x; θ1, θ2) = 1θ2
exp[
(x−θ1)θ2
]; x > θ1 dimana
θ = (θ1, θ2) εΩ = Rx (0,∝). Tentukan MLE dari θ1danθ2.
Penyelesaian:
• Fungsi padat peluang x1adalah:
f (x | θ1, θ2) =1
θ2exp
[(x − θ1)
θ2
]; x > θ1
• Fungsi likehoodnya adalah:
L (θ | x) = πni=1
1θ2
exp[
(x−θ1)θ2
]= 1
θn2exp
[− 1
θ2Σn
i=1 (x − θ1)]
= θn2 exp
[− 1
θ2Σn
i=1 (x − θ1)]
• Logaritma fungsi likehoodnya adalah:
logL (θ | x) = −nlogθ2−1
θ2Σn
i=1 (x1 − θ1) ; dand
dθ1[logl] (θ | x) =
n
θ2
Karena ddθ1
[logl (θ | x)] = nθ2
,maka metode pendiferensialan ti-
dak dapt digunakan untuk memperoleh MLE dari θ1, oleh se-
bab itu digunakan cara berikut.
Telah diketahui bahwa xi > θ1; ∀i, jadi L (θ | x) =
θ−n2 exp
[− 1
θ2Σn
i=1 (x − θ1)]akan mencapai maksimum apabila
1θ2
Σni=1 (x1 − θ1)minimum, ini hanya dicapai apabila θ1 = x(i).
Bab 3. Estimasi Titik 93 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jadi parameter θ1adalah θ1 = x(i).
Selanjutnya, ddθ1
[logl (θ | x)] = − nθ2
+Σn
i=1(x−θ1)
θ22
• Persamaan likehoodnya adalah:
−nθΛ22 + θΛ
2 Σni=1 (x − θ1)
θΛ3=⇔ −nθΛ2
2 + θΛ2 Σn
i=1 (x − θ1) = 0
atau
−nθΛ2 + Σn
i=1 (x − θ1) = 0 ⇒ θΛ2 =
Σni=1 (x − θ1)
n
atauθΛ2 =
Σni=1xi−nθ1
n=
Σni=1xi−nx(1)
n=
nΣni=1xin−nx(1)
n
=nx−nx(1)
n= x − x(1)
Untuk membuktikan bahwa θΛ2 = x − x(1)benar-benar maksi-
mum global, harus ditunjukkan:
d
dθ1
[logL (θ | x)]θ2=θΛ2
< 0; sebagai berikut
ddθ1
[logL (θ | x)]θ2=θΛ2
= n
nθ22− 2Σn
i=1(x−θ1)
n
= 1θ22
[nθ2 − 2Σni=1 (x − θ1)]
= 1
(x−x(1))3
[n(x − x(1)
)− 2Σxi + 2nx(1)
]
= 1
(x−x(1))3
[nx − nx(1) − 2Σxi + 2nx(1)
]
= 1
(x−x(1))3
[nx − 2nx + nx(1)
]
= 1
(x−x(1))3
[−nx + nx(1)
]
= −n
(x−x(1))3
Karena n > 0dan(x − x(1)
)> 0, maka d
dθ1[logL (θ | x)]θ2=θΛ
2=
−n
(x−x(1))3 < 0.
Dengan demikian disimpulkan bahwa MLE untuk parameter
θ2adalah: θΛ2 = x − x(1)
9. Jika y1, y2, ...y variabel random iid berdidstribusi Poisson dengan
mean θdan distribusi Prior adalah gamma dengan parameter α, β
Bab 3. Estimasi Titik 94 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
π (θ | α, β) =βαθα−1
r (α)e−βθ; θ > 0
Pertanyaan:
(a) tentukan distribusi posterior dari θ; posterior mean dan varian-
sinya.
(b) Myatakan posterior mean, sebagai rata-rata tertimbang dari
MLE θdan prior mean
(c) Tentukan behaviour dari posterior mean dengan membuat va-
riasi αdan n, serta MLE dan prior mean tetap.
Penyelesaian:
• yi ∼ P (θ) , berarti densitas dari y adalah f (y | θ) = θye−θ
y!; y =
0, 1, 2...
• Distribusi bersama dari y adalah: f (y | θ) = θΣyie−nθ
πyi!jadi distri-
busi posterior dari θadalah:
π (y | θ) =f(y | θ
).π (y | α, β)
∫ ∝0
f(y | θ
)π (y | α, β) dθ
(3.79)
Dihitung dulu:
∫ ∝0
f(y | θ
)π (y | α, β) dθ =
∫ ∝0
θΣyie−nθ
πyi!.βαθα−1
r(α)e−βθ
=∫ ∝0
θΣyie−nθ
πyi!.βαθα−1
r(α)e−βθ
=∫ ∝0
θΣyie−nθ
πyi!.βαθα−1
r(α)e−βθ
=∫ ∝0
θΣyie−nθ
πyi!.βαθα−1
r(α)e−βθ
=∫ ∝0
θΣyie−nθ
πyi!.βαθα−1
r(α)e−βθ
(3.80)
Substitusi 2 ke 1 diperoleh:
a
π(θ | y
)=
θΣyi e−nθ
πyi. βαθα−1
r(α).e−βθ
βαr(Σyi+α)πyi!r(α)(α+β)Σyi+α
= (n+β)Σyi+α
r(Σyi+α).θΣyi+α−1e−(n+β)θ
Bab 3. Estimasi Titik 95 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Atau distribusi Posterior diatas dapat juga dihitung dengan
cara sebagai berikut:
π(θ | y
)α f
(y | θ
)π (θ)
α k.βαθα−1e−βθ
r(α). θΣyi
πy!
α k1θΣyi+α−1e−n(n+β)θ
e−nθ (3.81)
Karena:
k1
∫ ∝
0
θΣyi+α−1eudθ, maka :
ki
(n + β)Σyi+α
∫ ∝
0
θΣyi+α−1eudu = 1
ki
(n + β)Σyi+αr (Σyi + α) = 1 ⇒ k1 =
(n + β)Σyi+α
r (Σyi + α)(3.82)
4 ke 3 diperoleh:
π(θ | y
)=
(n + β)Σyi+α
r (Σyi + α)θΣyi+α−1e−(n+β)θ
• Sekarang dihitung “posterior mean” dari θ
E (θ | y) =∫ ∝0
θπ (θ | y) dθ
=∫ ∝0
(n+β)Σyi+α
r(Σyi+α).θΣyi+α−.e−(n+β)θdθ
= (n+β)Σyi+α
r(Σyi+α).∫ ∝0
(u
n+β
)Σy+α
.e−u. du(n+β)
= 1r(Σyi+α)(n+β)
∫ ∝0
uΣy+αe−udu
= r(Σyi+α+1)(n+β)r(Σyi+α)
= (Σyi+α)(Σyi+α−1)(n+β)(Σyi+α−1)
E (θ | y) = (Σyi+α)(n+β)
• Selanjutnya dihitung “Variansi Posterior” dari θ
E (θ2 | y) = (n+β)Σyi+α
r(Σyi+α)
∫ ∝0
θΣyi+α+1e−(n+β)θdθ
= (n+β)Σyi+α
r(Σyi+α)
∫ ∝0
(u
n+β
)Σyi+α+1
.e−u. dn+β
= 1(n+β)2r(Σyi+α)
∫ ∝0
uΣyi+α+1e−udu
= r(Σyi+α+2)
(n+β)2r(Σyi+α)
= (Σyi+α+1)(Σyi+α)
(n+β)2
Bab 3. Estimasi Titik 96 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jadi variansi posterior dari θadalah:
V (θ | y) = E (θ2 | y) −E (θ | y)2
= (Σyi+α+1)(Σyi+α)
(n+β)2−
Σyi+αn+β
2
= (Σyi+α+1)(Σyi+α)−(Σyi+α)2
(n+β)2
= Σyi+α
(n+β)2
b. Dinyatakan Posterior mean, sebagai rata-rata tertimbang dari
MLE dan prior mean.
• Estimator maksimum likehood dari θadalah:
Fungsi likehood dari y: L (θ | y) = πni=1f (yi | θ) = θΣyie−nθ
πni=1yi!
Logaritma dari fungsi likehood y adalah: logL (θ | y) = Σyiogθ−nθ − logπyi,dan
ddθlogL (θ | y) = Σyi
θ− n, syarat perlu adanya maksimum
ddθlogL (θ | y) = 0, sehingga persamaan likehoodnya adalah:
Σyi
θΛ − n = 0 ⇔ Σyi = nθΛ = 0. Jadi calon MLE dari θadalah:
θΛ = Σyi
n= y karena d2
dθ2 logL (θ | y)]θ=θΛ = −Σyi
θΛ < 0, maka
MLE dari parameter θadalah θΛ = Σyi
n= y.
• Prior Mean dari θadalah:
E (θ) =∫ ∝0
θ βαθα−1
r(α)e−βθdθ
=∫ ∝0
βαθα
r(α)e−βθdθ
= βα
r(α)
∫ ∝0
(uβ
)α
e−u duβ
= 1r(α)β
∫ ∝0
uαe−udu
= 1r(α)β
r (α + 1)
= αr(α)βr(α)
.
= αβ
Telah diperoleh: Posterior mean dari θ : E (θ | y) = Σyi+α(n+β)
, MLE
dari θ : θ = Σyi
n= y Prior mean dari θ : E (θ) = αβ. Jadi
Posterior dapat dinyatakan seabgai rata-rta tertimbang dari
MLE dan Prior mean, sebagai berikut:Σyi+α(n+β)
= aΣyi
n+ bαβ ⇒
Σyi+αn+β
= aβΣyi+nbαnβ
⇒nβΣyi + nbα = (n + β) aβΣyi +
Bab 3. Estimasi Titik 97 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
(n + β) nb
atau ini dapat disajikan sebagai:
nβ = (n + β) aβdan nβα = (n + β)nβα
atau
a =n
(n + β)dan b =
β
(n + β)
Sehingga diperoleh:
Σyi + α
(n + β)=
n
(n + β)
(Σyi
n
)+
β
(n + β)(αβ) (3.83)
Dari persamaan * dapat diamati bahwa.
(i) Jika n besar dengan β tetap, maka Posteriormean sama
dengan MLE dari θ, yaitu
E (θ | y) = limn→∝
n
n+β
(Σyi
n
)+ β
n+β(αβ)
= (1) Σyi
n+ (0) (αβ)
= Σyi
n
= y
(ii). Jika β besar dengan n tetap, maka posterior mean sama
dengan mean prior dari θ, yaitu
E (θ | y) = limn→∝
n
n+β
(Σyi
n
)+ β
n+β(αβ)
= (0) Σyi
n+ (1) (αβ)
= αβ
= E (θ)
Atau Posterior mean E (θ | y) diatas dapat dinyatakan sebagai
berikut:
Bab 3. Estimasi Titik 98 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Σyi+1n+β
=n.
Σyin
+α
n+β
=n.
Σyin
+α
n+βα.α
= n.y+α
n+ 1E(θ)
.α
= nn+ α
E(θ)(y) + αβα
n+ αE(θ)
(αβ)
Dari persamaan terakhir ini dapat dilihat bahwa
(i). Jika n besar dan αtetap, maka Posterior mean sama dengan
MLE dari θ, yaitu:
E (θ | y) = limn→∝
n
n + αE (θ)(y) +
αβα
n + αE (θ)(αβ)
= y
(ii). Jika α besar dan n tetap, maka posterior mean sama dengan
mean prior, yaitu
E (θ | y) = limn→∝
n
n+αE(θ)(y) + αβα
n+αE(θ)(αβ)
= αβ
= E (θ)
10. Misalkan y1, y2, ...yn variabel random iid berdistribusi Poisson de-
ngan mean θ, dan distribusi prior adalah Gamma dengan parameter
α, β
π (θ | α, β) =βαθα−1
r (α)e−βθ
Pertanyaan: tentukan estimator Bayes dari θuntuk fungsi-fungsi ke-
rugian berikut,
(i). L (a, θ) = (a, θ)2
(ii). L (a, θ) = θ (a, θ)−12
(iii). L (a, θ) = (a − θ)4
(iv). L (a, θ) =| a − θ |
11. Diketahui:x1, x2, ...xnvariabel random iid berdistribusi B (l, θ) , θǫΩ =
(0, 1). Tunjukkan x adalah UMVU estimator untuk θ.
Penyelesaian:
Bab 3. Estimasi Titik 99 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Xi ∼ B (l, θ)maka densitas dari Xiadalah:
f (xi | θ) = θxi (1 − θ)1−xi ; xi = 0, 1; i = 1, 2, ..., n
• Densitas bersama dari xi adalah:
f (x | B) = πni=1f (xi | θ)
= θΣxi (1 − θ)n−Σxi
= θΣxi (1 − θ)n (1 − θ)−Σxi
= (1 − θ)n ( θ1−θ
)Σxi
=
Berdasarkan teorema faktorisasi, T (x) = Σxiadalah statistik cu-
kup untuk parameter θ
• Sekarang ditunjukkan T (x) = Σxiadalah statistik cukup dan
lengkap
xi ∼ B (1, θ),Mgfnya adalah Mx(t) = (1 − θ) + θet
Mgf dari T (x) = Σxiadalah:
MT (x)(t) = MΣxi(t) = Mx(t)n, karena xiiid
= (1 − θ) + θet ini adalah Mgf dari distribusi Binomial (n, θ).
Jadi diperoleh: xi ∼ B (1, θ) ⇒ T (x) = Σxi ∼ B (n, θ)
Sehingga: densitas dari T (x) = Σxiadalah
f (Σxi | θ) =
(n
t
)θt (1 − θ)n−t ; dengan t = Σxi, dan t = 0, 1, 2, ..., n
Keluarga distribusi f (Σxi = t | θ) =
(n
t
)θt (1 − θ)n−tadalah
lengkap sebab:
Eθ [g (t)] = Σnt=0g (t)
(n
t
)θt (1 − θ)n−t
= (1 − θ)n Σnt=0g (t)
(n
t
)θt (1 − θ)−t
= (1 − θ)n Σnt=0g (t)
(n
t
)(
θ1−θ
)−t
∀θ : 0 < θ < 1.
Bab 3. Estimasi Titik 100 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Karena (1 − θ)n 6= 0 maka Σnt=0g (t)
(n
t
)(
θ1−θ
)−t=
Σnt=0g (t)
(n
t
)yt = 0; dengan y = θ
1−θ, dan ini adalah poli-
nomial derajat n dalam y. Koefisien ytadalah g (t)
(n
t
)
, kare-
na polinomial berniali nol ∀y, maka setiap koefisien harus = 0.
Karena
(n
t
)6= 0, berarti g (t) = 0, dengan t = 0, 1, 2, ..., n. De-
ngan demikian, T (x) = Σxiadalah statistik cukup dan lengkap.
• Selanjutnya, E [T (x)] = Σni=1 xi = Σn
i=1E (xi) = Σni=1θ = nθ
Sekarang, misalkan:
∅ (T ) =T
n=
Σni
n= x, maka
E [∅ (T )] = E
(Σxi
n
)=
1
nΣn
i=1E (xi) =1
n.nθ
Berdasarkan teorema 1, disimpulkan ∅ (T ) = Tn
= xadalah
UMVU Estimator untuk parameter θ
12. Misalkan x1, x2, ..., xnvariabel random berdistribusi gamma dengan
α diketahui dan β = θǫΩ = (0,∝)tidak diketahui.
Tentukan, bahwa UMVUE dari θadalah:
u (x1, x2, ..., xn) =1
nαΣn
j=1xj
Dan tentukan variannya, serta batas cramer-Rao.
Penyelesaian:
⇒Xi ∼ Gamma (α, β = θ),maka densitas dari xi adalah:
f (Xi | β = θ) =1
r (α) θαxα−1
i e−xiθ; xi > 0, α diketahui , θ > 0
⇒Densitas bersama dari xiadalah:
Bab 3. Estimasi Titik 101 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f (x | β = θ) = πni=1
1r(α)θα xα−1
i e−xiθ
= 1[r(α)]nθnα πn
i=1xα−1i e
1θΣn
j=1xi
=πn
i=1xα−1i
[r(α)]nθnα θ−nαe1θΣn
j=1xi
Berdasarkan teorema faktorisasi, berarti T (x) = Σn1xiadalah statistik
cukup untuk β = θ.
⇒Ditentukan distribusi dari T (x) = Σn1xisebagai berikut.
Diketahui bahwa:
Xi ∼ G (α, βθ =)maka, Mgf dari distribusi ibi adalah: Mxi(t) =
(1 − θt)−α.
Selanjutnya Mgf dari T (x) = Σn1xiadalah:
2
MT (x) (t) = MΣn1 xi
(T )
= [Mxi(t)]n
=[(1 − θt)−α]n
= (1 − θt)−nα
Bentuk terakhir ini menyatakan T (x) = Σxi ∼ G (nα, θ =)
Sehingga densitas dari T (x) = Σxiadalah:
f (Σxi = t | β = θ) =1
r (nα) θnαtnα−1e−tθ; t > 0 (3.84)
⇒Sekarang ditunjukkan keluarga distribusi * adalah lengkap, yaitu:
E g (t) = 0 ⇒ g (t) = 0
E g (t) =∫ u
0g (t) 1
r(nα)θnα tnα−1e−tθdt
= 1r(nα)θnα
∫ u
0g (t) tnα−1e−tθdt
Karena r (nα) > 0, θnα > 0, maka 1r(nα)θnα > 0,jadi
∫ u
0
g (t)1
r (nα) θnαtnα−1e−tθdt (3.85)
Karena persamaan * merupakan transformasi Laplace da-
ri fungsi g (t) tnα−1, maka menurut sifat tranformasi ini,
2 karena xiiid
Bab 3. Estimasi Titik 102 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
haruslah:g (t) tnα−1 = 0.
Dengan demikian statistik T (x) = Σxiadalah statistik cukup dn
lengkap.
⇒DihitungE (T (x)) = E (Σxi) = Σn
i=1Exi
= Σni αθ = nαθ
Misalkan ∅ (T ) = Tnα
= 1nα
Σnj=1xj = U (x1, x2, .., xn)
Maka:
E ∅ (T ) = E U (x1, x2, .., xn)= E
1
nαΣxj
= 1nα
Σnj=1 (xj)
= 1nα
αθn
= θ
Ternyata ∅ (T ) = U (x1, x2, .., xn) = 1nα
Σnj xjadalah estimator tidak
bias bagi θ
Dengan demikian, U (x1, x2, .., xn) = ∅ (T ) = 1nα
Σnj xjadalah UMVU
estimator untuk θ
⇒Selanjutnya duhitung variansi dari U (x1, x2, .., xn) = 1nα
Σnj xjyaitu:
V ar (U (x1, x2, .., xn)) = V ar(
1nα
Σxj
)
= 1n2α2 ΣV ar (xj)
= 1n2α2 Σαθ2
= 1n2α2 nαθ2
= θ2
nα
⇒Dihitung batas Cramer-Rao:
f (x | β = θ) =1
r (α) θαxα−1e−xθ; x > 0logf (x | θ)
= log1 − logr (α) θ(α)
+ (α − 1) logx − xθ
= −logr (α) − αlogθ + (α − 1) logx − xθd
dθ[logf (x | θ)]
= −α
θ+
x
θ2
d
dθ[logf (x | θ)]
2
=(−α
θ+
x
θ2
)2
=α2
θ2− 2αx
θ3+
x2
θ4
Bab 3. Estimasi Titik 103 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
E
d
dθ[logf (x | θ)]
2
=α2
θ2− 2α
θ3E (x) +
1
θ4E(x2)
=α2
θ2− 2α
θ3αθ +
1
θ4
(αθ2 + αθ2
)
=α2
θ2− 2α
θ3+
α
θ2+
α2
θ2=
α
θ2
Karena distribusi gamma memenuhi Teorema Cramer-Rao maka un-
tuk sembarang estimator tak bias untukθ, sebut saja w = h (x), berla-
ku:V ar (w) ≥ 1
nE ddθ
[logf(x|θ)]2
= 1n α
θ2
= θ2
nα
Jadi batas Crame-Rao adalah θ2
nα.
Terlihat bahwa varians dari estimator tak bias U (x1, x2, .., xn) =1
nαΣn
j=1xjsama dengan batas Cramer-Rao, yaitu:
V ar (U (x1, x2, .., xn)) = V ar(
1nα
Σnj xj
)= θ2
nα= batas Cramer-Rao
Dengan demikian: U (x1, x2, .., xn) = 1nα
Σnj xjadalah UMVU estimator
bagi θ.
13. Misalkan x1, x2, .., xn variabel random iid, dengan E (xi) = µ; E |xi |2< ∞,dan V ar (x) = σ2.
Tunjukkan: T (x1, x2, .., xn) = 2 [(n + 1)]−1 Σni ixiestimator konsisten
untuk µ.
Penyelesaian: ⇒
T (x1, x2, .., xn) = 22(n+1)
Σni ixi
= 22(n+1)
x1 + 2x2 + 3x3 + .. + nxn= 2
2(n+1)E x1 + 2x2 + 3x3 + .. + nxn
= 22(n+1)
E (x1) + 2E (x2) + 3E (x3) + .. + nE (xn)= 2
2(n+1)µ + 2µ + 3µ + ... + nµ
= 22(n+1)
µ 1 + 2 + 3 + ... + n= 2
2(n+1)µ
12n (n + 1)
= µ
Bab 3. Estimasi Titik 104 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jadi T (x1, x2, .., xn)adalah estimator tak bias untuk µ. Dengan kata
lain bias T (x1, x2, .., xn) = E (T (x1, x2, .., xn)) − µ = µ − µ = 0.
Jadi :
limn→∞ bias T (x1, x2, .., xn) = 0 (3.86)
⇒selanjutnya dihitung V ar [T (x1, x2, .., xn)].
V ar T (x1, x2, .., xn) = V ar
22(n+1)
Σ0i ixi
= 4[n(n+1)]
V ar x1 + 2x2 + 3x3 + .. + nxn ,
= 4n2(n+1)2
V ar (x1) + 2V ar (x2) + ... + nV ar (x3n
= 4n2(n+1)2
σ2 + 4σ2 + 9σ2 + ... + n2σ2= 4
n2(n+1)212σ2 + 22σ2 + 32σ2 + ... + n2σ2
= 4σ2
n2(n+1)212 + 22 + 32 + ... + n2
= 4σ2
n2(n+1)2
16n (n + 1) (2n − 1)
= 2σ2
3
2n+1
n(n+1)
Sekarang diambil limit dari V ar T (x1, x2, .., xn)untuk n → ∞,
yaitu:
limn→∞
2
3σ2
(2n − 1
n (n + 1)
)=
2
3σ2limn→∞
2n − 1
n (n + 1)= 0 (3.87)
Dari 1 dan 2, berdasarkan teorema, disimpulkan bahwa
T (x1, x2, .., xn) = 2 [n (n + 1)]−1 Σni ixiadalah barisan estimator
yang konsisten terhadap parameter µ.
14. Misalkan X1, ..., Xn sampel random dari populasi N(µ, σ2). Tunjuk-
kanlah bahwa X adalah UMVUE untuk µ
Bukti
E(X) = 1/n.nµ = µ. Jadi X estimator tak bias untuk µ. V ar(X) =
σ2/n. Sekarang akan dicari batas bawah Cramer-Rao
f(x) =1
σ(2π)1/2e−2−1σ−2(x−µ)2 ;−∞ < x < ∞ (3.88)
Bab 3. Estimasi Titik 105 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
ln f(x) = − ln σ(2π)1/2 − 1
2σ2(x − µ)2 (3.89)
∂ ln f(x)
∂µ=
1
σ2(x − µ) (3.90)
Sehingga
E
[(∂ ln f(x)
∂µ
)2]
=1
σ2E
[((x − µ)
σ
)2]
=1
σ2.1 =
1
σ2(3.91)
1
n.E[(∂ ln f(x)/∂θ)2] =
σ2
n(3.92)
Jadi batas bawah Cramer-Rao adalah σ2
n.
Karena X estimator tak bias untuk µ dan V ar(X) = σ2
nsama dengan
batas bawah Cramer-Rao maka menurut akibat teorema Cramer-Rao
X adalah UMVUE
15. Misalkan X1, ..., Xn i.i.d N(θ, 1). Tunjukkan bahwa barisan estimator
Xn =∑
Xi
n. adalah konsisten.
Jawab:
Perhatikan bahwa_
Xn∼ N(θ, 1n
), sehingga untuk n→ ∞:
=∫ ε
−ε( n
2π)1/2e−n/2 y2
dy =∫ ε
√n
−ε√
n( 1
2π)1/2e−1/2 t2dt = P (−ε
√n < z <
ε√
n) → 1
Karena itu_
Xn adalah barisan estimator konsisten untuk θ.
Secara umum perhitungan mendetail seperti di atas tidak perlu dila-
kukan untuk membuktikan konsistensi. Ingat untuk suatu estimator
Tn ketaksamaan Chebychev mengatakan bahwa P (∣∣Xn − θ
∣∣ ≥ ǫ) ≤E(Tn−θ)2
ǫ2sehingga limit E(Tn−θ)2 = 0 adalah syarat cukup agar suatu
barisan T n→∞ konsisten. selanjutnya kita dapat menulis
E(Tn − θ)2= E(Tn − ET 2n + E Tn − θ)2=E(Tn − ET 2
n )2 + (ETn − θ)2
= V arTn + [Bias Tn]2
Bab 3. Estimasi Titik 106 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
16. Diketahui X1, ..., Xn adalah i.i.d N(µ, σ2). Tentukan estimator untuk
µ dan σ2dengan MME.
Jawab:
Disini kita punya,n∑
i=1
Xri , m1 = X, µ1 = µ dan µ2 = µ2 + σ2. Solusi
dari sistem persamaan X = µ dan 1/n
n∑
i=1
Xri = µ2 + σ2 diperoleh
estimator metode momen µ = X dan σ2 = 1/n∑n
i=1(Xi − X)2
17. Diketahui X1, ..., Xn sampel random dari N(θ, 1),−∞ < θ < ∞. Ten-
tukan MLE untuk θ
Jawab:
f(x/θ) = (2π)−1/2e−1/2(x−θ)2 (3.93)
L(θ/x) =n
Πi=1 f(xi/θ) (3.94)
= (2π)−n/2 exp
[
−1/2
n∑
i=1
(Xi − θ)2
]
(3.95)
= −n/2 ln(2π) − 1/2n∑
i=1
(Xi − θ)2 (3.96)
Persamaan d ln L(θ/x)dθ
= 0 menghasilkann∑
i=1
(Xi − θ) = 0 atau θ = X.
Perhatikan bahwa d2 ln L(θ/x)dθ3 |θ=X< 0 Jadi θ = X adalah ELM untuk θ.
18. Diketahui X1, ..., Xn sampel random dari
f(x; θ) =
1θ; 0 < x ≤ θ dan 0 < θ < ∞
0; untuk x yang lain(3.97)
Tentukan MLE untuk θ
Jawab:
Fungsi likelihoodnya, L(θ; x1, ..., xn) = 1θn ; 0 < xi ≤ θ merupakan
fungsi dari θ yang monoton turun. Disini kita tidak dapat menen-
tukan ELM denga turunan. Perhatikan bahwa, θ ≥ xi ∀i sehingga
Bab 3. Estimasi Titik 107 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
θ ≥ max(xi). Ini berarti, L maksimum dicapai pada statistik terurut
ke-n yaitu max(xi). Jadi θ = max(xi) adalah MLE untuk θ
3.5 Soal-Soal Latihan
1. Misalkan x1, x2, ...xm; y1, y2, ...ynvariabel random independen
masing-masing berdistribusi N(ε, σ2) dan N(η, τ 2). Tentukan
statistik cukup untuk ketiga kasus berikut:
a) ε, η, σ, τsembarang dengan − ∼< ε, η <∼, τ, σ > 0
b) σ = τdan ε, η, σ adalah sembarang
c) ε = ηdan ε, σ, τ adalah sembarang
2. Diketahui distribusi uniform f(x : θ) = 1θ
,0 ≤ x ≤ θ dan bernilai nol
untuk x yang lain. Buktikan bahwa 2X estimator takbias untuk θ.
3. Diketahui θ1 dan θ2 adalah dua estimator takbias untuk θ dari dua
eksperimen yang independent. Buktikan bahwa θ = c1θ1 + c2θ2 de-
ngan c1 + c2 = 1 juga estimator tak bias untuk θ.
4. Diberikan sampel random yang berukuran n dari populasi yang
mempunyai mean µ (diketahui) dan variansi σ2. Perlihatkan bahwa
varians sampel S2 = 1n
n∑
i=1
(Xi − µ)2 merupakan estimator bias untuk
σ2
5. Perlihatkan bahwa jika θ estimator tak bias untuk θ dan V ar(θ) tidak
sama dengan 0, maka θ2bukan estimator tak bias untuk θ2.
6. Jika θ estimator dari θ dan bias estimator ini diberikan oleh b = E(
θ) − θ. Perlihatkan bahwa E[(θ − θ)2 = V ar(θ) + b2
]
7. Perlihatkan, jika θ estimator konsisten untuk θ maka kθ (k 6= 0) esti-
mator konsisten untuk kθ
Bab 3. Estimasi Titik 108 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
8. Diketahui X1, ..., Xn berdistribusi identik dan independen dengan
E(Xi) = µ dan E(|Xi|2) < ∞. tunjukkan bahwa T = 2n(n+1)
∑ni=1 Xi
adalah estimator konsisten untuk µ.
9. Misalkan X1, ..., Xn sampel dari U(0, θ). Perlihatkan bahwa T =
(n∏
i=1
Xi)1\n adalah estimator konsisten untuk θe−1
10. Jika X1, ..., Xn i.i.d N(µ, σ2). Buktikan√(n − 1)/2Γ [(n − 1)/2] s/Γ [(n/2)] estimator tak bias untuk
σ. Petunjuk: gunakan (n−1)S2
σ2 berdistribusi χ2(n−1) dengan
S2 = 1n−1
n∑
i=1
(Xi − X)2
11. Ukuran efisiensi estimator θ1 terhadap θ2 ditunjukkan oleh var(bθ2)
var(bθ1).
Tentukan efisiensi estimator µ = X1+2X2+X3
4terhadap X jika
X1,X2dan X3 sampel random dari N(µ, σ2)
12. Apakah estimator µ pada soal no.10 konsisten?
13. Diketahui X1, ..., Xn sampel random yang berdistribusi identik dan
independen N(µ, µ); µ > 0. Tentukan estimator tak bias dan konsis-
ten untuk µ2.
14. Buktikan bahwa proporsi sampel xn
adalah UMVUE untuk parameter
Binomial θ.
15. Diketahui X1, ..., Xn sampel random i.i.d Gama(α, β); α diketahui
dan 0 < β < ∞. tentukan UMVUE untuk β
16. Diketahui X1, ..., Xn sampel random i.i.d Binomial (1, p); p ∈ (0, 1).
Tentukan UMVUE untuk p.
17. Diketahui: x1, x2, ...xnvariabel random iid berdistribusi exponensial
negative, dengan parameter θǫΩ = (0,∝). Gunakan teorema untuk
menemukan UMVU Estimator dari parameter θ.
Bab 3. Estimasi Titik 109 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
18. Misalkan x variabel random berdistribusi binomial negatif dengan
parameternya θǫΩ = (∝, 1) .Tentukan UMVU estimator dari g (θ) =
1θ dan cari variansnya.
19. Diketahui: x1, x2, ...xnvariabel random iid berdistribusi exponensial
negative, dengan parameter θǫΩ = (0,∝). Gunakan teorema untuk
menemukan UMVU Estimator dari parameter θ.
20. Misalkan x variabel random berdistribusi binomial negatif dengan
parameternya θǫΩ = (∝, 1) .Tentukan UMVU estimator dari g (θ) =
1θ dan cari variansinya.
21. Jika x1, ..., xn nilai-nilai sampel random yang berukuran n dari popu-
lasi dengan distribusi
f(x; θ) =
2(θ−x)
θ2 ; 0 < x < θ
0; untuk x yang lain
Tentukan estimator untuk θ dengan metode momen
22. Diketahui X1, ..., Xn berdistribusi identik dan independen (i.i.d) de-
ngan distribusi seperti berikut :
(a) f(x; θ) = θxθ−1; 0 < x < 1, 0 < θ < ∞, dan nol untuk x yang
lain
(b) f(x; θ) = (1/θ) exp [−x/θ] , 0 < x < ∞, 0 < θ < ∞, dan nol
untuk x yang lain
(c) f(x; θ) = exp [−(x − θ)] , 0 < x ≤ ∞, −∞ < θ < ∞, dan nol un-
tuk x yang lain. Dalam setiap kasus diatas, tentukan estimator
untuk θ dengan metode likelihood maksimum
23. Misalkan x1, x2variabel random dengan fungsi padat peluang
f (.; θ)yang diberikan oleh:
f (x | θ) =2
θ(θ − x) I(0,θ) (x) ; θǫΩ = (0,∝)
Tentukan estimator momen untuk θ.
Bab 3. Estimasi Titik 110 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
24. Tentukan estimator momen untuk αdan β, jika x1, x2, ...xnvariabel
random iid berdistribusi Beta dengan parameter αdan β.
25. Diketahui X1, ..., Xn berdistribusi identik dan independen poisson
(λ). Tentukan estimator untuk λ dengan metode momen dan like-
lihood maksimum.
26. Diketahui X1, ..., Xn berdistribusi identik dan independen dengan
distribusi f(x; θ) = (θ + 1)xθ ;0 < x < 1 dan nol untuk x yang lain.
Tentukan estimator untuk θ dengan metode momen dan likelihood
maksimum.
27. Diketahui X1, ..., Xn berdistribusi identik dan independen gama
(α, β). Tentukan α dan β dengan metode momen dan likelihood
maksimum.
28. Diketahui sampel random berukuran n dari populasi normal dengan
mean µ diketahui, tentukan estimator untuk σ dengan metode likeli-
hood maksimum
29. Diketahui Sampel random berukuran n dari populsi yang mempu-
nyai distribusi f(x; θ) = e−(x−θ) untuk x > θ dan nol untuk x yang
lain. Tentukan estimator untuk θ dengan metode likelihood maksi-
mum.
30. Dalam banyak kasus, sepertipada distribusi binomial, Poisson, Nor-
mal dan sebagainya terjadi bahwa MLE mean yang diestimasi adalah
mean sampel. Namun kasus ini tidak perlu selalu terjadi seperti pa-
da kasus berikut. Misalkan x1, x2, ...xnvariabel random independen
dengan distribusi N (θ, θ) : θǫΩ (0,∝).
Tunjukkan bahwa: MLE dari parameter θadalah:
θ =1
2
[(1 +
4
nΣn
i=1x2j
)2
− 1
]
Bab 3. Estimasi Titik 111 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Bab 3. Estimasi Titik 112 ISBN 978-602-8310-02-4
Bab 4
Estimasi Interval
4.1 Standar Kompetensi
Memahami konsep dasar estimasi interval dan mampu menerapkan baik
dalam pemecahan masalam matematika, ilmu lain, maupun dalam kehi-
dupan sehari-hari.
4.2 Indikator Hasil Belajar
Setelah mengerjakan bab ini Anda diharapkan dapat:
1. Menjelaskan konsep dasar estimasi interval suatu parameter popu-
lasi
2. Menentukan interval kepercayaan mean bila variansinya diketahui.
3. Menentukan interval kepercayaan mean bila variansinya tidak dike-
tahui
4. Menentukan interval kepercayaan beda dua mean
5. Menentukan interval kepercayaan untuk varians
6. Menentukan interval kepercayaan untuk rasio dua varians
113
Statistika Matematis II/ Edisi E-book
4.3 Uraian Materi
4.3.1 Konsep Dasar Estimasi Interval
Sejauh ini telah dibicarakan estimasi titik untuk parameter populasi θ, di
mana inferensinya adalah pendugaan harga tunggal terhadap θ. Estima-
tor titik mempunyai kelemahan prinsip yaitu tidak memberikan informasi
tentang ketepatan atau keakuratannya. Misalnya, µ = X adalah estimator
terbaik untuk µ dari N(µ, σ2). Jika sampel random yang berukuran n di-
ambil, dan diperoleh X = 3, 5. Apakah dapat diyakini bahwa µ sudah sa-
ngat dekat dengan 3, 5 itu ? Untuk mengatasi kelemahan ini, diperkenalk-
an tipe estimasi lain yaitu estimasi interval. Dalam estimasi interval, atau
secara lebih umum disebut juga estimasi himpunan yang dijadikan masa-
lah utama adalah pernyataan bahwa ”θ ∈ c” dengan c ⊂ Ω dan c = c(_x).
Ini merupakan himpunan yang ditentukan oleh_
X=_x yang terobservasi.
Bila θ berharga real, maka estimator himpunan c adalah interval.
Definisi
Estimasi interval untuk parameter θ adalah pasangan fungsi L(x1, ..., xn)
dan U(x1, ..., xn) dan sampel yang memenuhi L(_
X) ≤ U(_
X)untuk se-
mua_x∈ χ. Bila
_
X=_x terobservasi, dibuat inverensi L(
_
X) ≤ θ ≤ U(_
X).
Interval random [L(_
X),U(_
X)] disebut estimator interval. Seperti definisi
terdahulu,[L(_
X), U(_
X)] untuk estimator interval θ berdasar sampel ran-
dom_
X= (x1, ..., xn) dan [L(_
X), U(_
X)] harga terealisasi dari interval. Mes-
kipun kasus mayoritas yang dibicarakan adalah harga-harga berhingga
untuk Ldan U, kadang-kadang kita juga tertarik pada estimasi interval sa-
tu sisi. Sebagai contoh, bila L(_x) = −∞, maka kita mempunyai selang satu
sisi (−∞, U(x)). Dengan cara yang sama kita dapat mengambil U(x) = ∞dan mempunyai interval satu sisi [L(
_x),∞].
Definisi
Estimasi inteval untuk parameter θ adalah interval yang berbentuk L(_
X
) < θ < U(_
X) dengan L(_
X)dan U(_
X) adalah suatu kuantitas yang tak
Bab 4. Estimasi Interval 114 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
tergantung pada nilai θ dan distribusi sampling dari θ. Dengan kata lain,
berdasarkan distribusi sampling θ kita pilih L(_
X)dan U(_
X) sehingga
P (L(_
X) < θ < U(_
X)) = 1 − α dengan 0 < α < 1 (4.1)
Interval L(_
X) < θ < U(_
X) disebut interval kepercayaan (1 − α)100%
dan (1 − α) disebut koefisien kepercayaan. L(_
X)dan U(_
X) berturut-
turut disebut limit kepercayaan bawah dan limit kepercayaan atas. Mi-
salnya α = 0, 05 memberikan koefisien kepercayaan 0, 95 dan interval ke-
percayaan 95%. Perhatikan bahwa α yang lain bisa dipilih berdasarkan
pertimbangan-pertimbangan statistik. Idealnya, α dipilih sedemikian se-
hingga panjang interval kepercayaan terpendek, tetapi cakupan probabi-
litas (1 − α) mendekati nilai 1 (kepastian)
Contoh
Untuk sampel X1, X2, X3, X4 dan N(µ, 1), estimator interval dari µ adalah
[_x −1,
_x +1]. Ini berarti kita menyatakan bahwa µ berada dalam interval
ini. Bila kita mengestimasi µ dengan_x, P (x = µ) = 0. Tetapi dengan esti-
mator interval, kita mempunyai probabilitas positif untuk benar. Probabi-
litas bahwa µ tercakup oleh interval [_x −1,
_x +1]dapat dihitung sebagai
P [µ ∈ [_x −1,
_x +1]] = P (
_x −1 ≤ µ ≤ _
x +1)
= P (−1 ≤ _x −µ ≤ 1)
= P (−2 ≤_x−µ√
1/4≤ 2)
= P (−2 < z < 2)
= 0, 9544.
Artinya; lebih dari 95% peluang untuk mencakup parameter (µ) dengan
menggunakan estimator interval [_x −1,
_x +1].
Estimator interval digunakan sebagai pengganti estimator titik dengan tu-
juan untuk mendapat jaminan pencakupan parameter yang diselidiki. Ke-
pastian jaminan ini dikuantifikasikan dalam definisi berikut.
Definisi
Bab 4. Estimasi Interval 115 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Untuk estimator interval [L(_x), U(
_x)]dari parameter θ cakupan probabi-
litas dari [L(_x), U(
_x)] adalah probabilitas bahwa interval random. [L(
_x
), U(_x)] mencakup parameter θ. Dalam notasi ini dinyatakan dengan
Pθ (θ ∈ [L(_x), U(
_x)|θ]) atau P (θ ∈ [L(
_x), U(
_x)|θ]).
Definisi
Estimator interval [L(_x), U(
_x)] untuk parameter θ, koefisien keperca-
yaan dari [L(_x), U(
_x)]adalah infimum probabilitas cakupan atau inf
θPθ([L(_x), U(
_x)]).
Ada beberapa hal yang perlu diperhatikan dari definisi tersebut.
1. Sangat penting untuk di ingat bahwa interval adalah besaran
random, bukan parameter. Akibatnya, bila kita menulis pernya-
taan probabilitas seperti Pθ (θ ∈ [L(_x), U(
_x)|θ]), pernyataan proba-
bilitas tersebut menunjuk ke x bukan θ. Dengan perkataan lain,
pikirkan Pθ (θ ∈ [L(_x), U(
_x)|θ]) yang seperti pernyataan tentang
random θ, sebagai sesuatu yang secara aljabar ekivalen dengan
Pθ ([L(_x) ≤ θ, U(
_x) ≥ θ) yaitu pernyataan tentang variabel random
_
X. Estimator interval, bersama dengan ukuran kepercayaan, (biasa-
nya koefisien kepercayaan) dikenal dengan nama interval keperca-
yaan. Interval kepercayaan dengan koefisien kepercayaan sama den-
gan (1 − α) disebut (1 − α) interval kepercayaan.
2. Hal penting lain berhubungan dengan cakupan probabilitas dan ko-
efisien kepercayaan. Karena kita tidak mengetahui harga sebenarn-
ya dari θ, kita hanya dapat menjamin probabilitas cakupannya sa-
ma dengan infimum koefisien kepercayaan. Dalam beberapa kasus
hal ini tidak menjadi soal karena cakupan probabilitas merupakan
fungsi konstan dari θ. Tetapi, dalam kasus yang lain cakupan proba-
bilitas merupakan fungsi dari θ.
Contoh
Bab 4. Estimasi Interval 116 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jika X1, ..., Xn adalah sampel random populasi seragam (0, θ) dan misal-
kan Y = maksX, ..., Xn, jika ingin mencari estimator interval untuk θ.
Pandang dua calon estimator: [aY, bY ], 1 ≤ a < b dan [Y + c, Y +d], 0 ≤ c <
d dengan a, b, c, dan d konstanta. (Perhatikan bahwa θ perlu lebih besar
dari Y ). Untuk interval pertama didapat:
Pθ (θ ∈ [aY, bY ]) = Pθ (aY ≤ θ ≤ bY )
= Pθ
(1b≤ y
θ≤ 1
a
)
= Pθ
(1b≤ T ≤ 1
a
); (T = y
θ)
Jadi, Pθ
(1b≤ T ≤ 1
a
)=∫ 1
a1b
ntn−1dt = ( 1a)n − (1
b)n
Cakupan probabilitas interval pertama independen dengan harga θ. Jadi
( 1a)n − (1
b)n adalah koefisien kepercayaan dari interval.
Untuk interval lain, untuk θ ≥ d, perhitungan sejenis menghasilkan:
Pθ (θ ∈ [Y + c, Y + d]) = Pθ (Y + c ≤ θ ≤ Y + d])
= Pθ
(1 − d
θ≤ T ≤ 1 − c
θ
)
=∫ 1− c
θ
1− dθ
ntn−1dt
= (1 − cθ)n − (1 − d
θ)n
untuk keadaan ini, cakupan probabilitas tergantung pada θ.
Selanjutnya Limθ→∞(1 − cθ)n − (1 − d
θ)n = 0 yang menunjukkan koefisien
kepercayaan estimator interval ini sama dengan nol.
4.3.2 Metode Menentukan Estimasi Interval
Ada dua metode untuk menentukan estimator interval yaitu dengan in-
versi uji hipotesis statistik dan menggunakan besaran pivot.
4.3.2.1 Inversi Uji Statistik
Ada hubungan antara estimasi interval dan uji hipotesis. Secara umum da-
pat dinyatakan bahwa setiap interval kepercayaan berkorespondensi den-
gan uji hipotesis dan sebaliknya. Jadi dari uji hipotesis dapat diturunkan
Bab 4. Estimasi Interval 117 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
estimasi interval. Namun karena uji hipotesis baru akan dibahas pada Bab
V, maka pembahasan tentang hal ini disajikan pada Bab V Sub Bab mulai
halaman ...
4.3.2.2 Besaran Pivot
Metode yang paling bagus dalam mengkonstruksikan himpunan estima-
tor dan menghitung cakupan probabilitas adalah penggunaan besaran pi-
vot. Penggunaan besaran pivot (pivotal quantity) untuk mengkonstruksi
himpunan kepercayaan disebut pivotal inverence.
Definisi
Variabel random Q(_
X, θ) = Q(x1, ..., xn, θ) disebut besaran pivot bila dis-
tribusi dari Q(_
X, θ) independen (tak mengandung) parameter populasi.
Dengan kata lain: Jika_
X∼ F (_x |θ) maka Q(
_
X, θ) mempunyai distribusi
yang sama untuk semua harga θ.
Fungsi Q(_
X, θ) biasanya secara eksplisit memuat parameter dan statistik,
tetapi untuk sembarang himpunan A, PθQ(_
X, θ) ∈ A tidak dapat tergan-
tung pada θ. Cara mengkonstruksikan himpunan kepercayaan dari pivot
tergantung pada kemampuan mendapatkan pivot dan himpunan A sede-
mikian hingga himpunan θ : Q(_
X, θ) ∈ A adalah himpunan estmatator
(interval kepercayaan) dari θ.
Contoh
Dalam kasus lokasi dan skala terdapat banyak besaran pivot. Di sini akan
ditunjukkan beberapa. Misalkan x1, ..., xn adalah sampel random densitas
( dalam tabel ) dan misalkan_x dan s adalah mean sampel dan deviasi
standar.
Bab 4. Estimasi Interval 118 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Tabel 4.1: Besaran Pivot
Bentuk Densitas Jenis Densitas Besaran Pivot
f(x − µ) lokasi_x −µ
1σf(x
σ) skala
_xσ
1σf(x - µ
σ) lokasi/skala
_x−µ
σ
Untuk membuktikan bahwa besaran-besaran di atas merupakan pivot, da-
pat ditunjukkan bahwa densitasnya independen dari parameter.
Contoh
Jika x1, ..., xn sampel random dari populasi N(µ, σ2), maka statistik t =_x - µ
s /√
nadalah pivot, karena distribusi statistik t tidak tergantung pada pa-
rameter µ dan σ2.
Contoh
Misalkan x1, ..., xn iid eksponensial (λ). Maka T =∑
xi adalah statistik
cukup untuk λ dan T ∼ Gamma(n, λ). Dalam pdf gamma t dan λ muncul
bersama-sama sebagai tλ
dan kenyataannya bentuk pdf :
Gamma(n, λ) = (P (n)λn)−1 tn−1e−tλ adalah keluarga skala.
Jika Q(T, λ) = 2Tλ
maka Q(T, λ) ∼ gamma(n, λ( 2
λ))
= gamma(n, 2) yang
tidak tergantung pada λ. Besaran Q(T, λ) = 2Tλ
adalah pivot dengan
gamma(n, 2) atau distribusi χ2.
Kadang-kadang kita dapat melihat bentuk pdf untuk melihat apakah ada
besaran pivot. Dalam contoh di atas, besaran tλ
terlihat dalam pdf dan ia
menjadi pivot. Dalam pdf normal, besaran_x - µ
σterlihat dan besaran ini juga
merupakan pivot.
Secara umum, misalkan pdf statistik T , f(t, θ) dapat dinyatakan
dalam bentuk f(t, θ) = g (Q(t, θ)) |∂Q(t,θ)∂t
| untuk suatu fungsi g
dan fungsi monoton Q (dalam t untuk setiap θ). Maka Q(t, λ)
merupakan pivot.
Bab 4. Estimasi Interval 119 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Begitu mendapat pivot, selanjutnya bagaimana menggunakannya untuk
membangun himpunan kepercayaan?. Bila Q(_x, λ) merupakan pivot, ma-
ka untuk harga tertentu α dapat ditemukan bilangan-bilangan adan b yang
tidak tergantung pada θ dan memenuhi:
Pθ (a ≤ Q(t, θ) ≤ b) ≥ 1 − α
Maka untuk setiap θ0 ∈ Ω, A(θ0) = _x: a ≤ Q(
_x, θ0) ≤ badalah daerah
penerimaan untuk uji taraf α dari H0 : θ = θ0. Hal ini memberikan hasil
bahwa himpunan kepercayaan (1 − α) untuk θ adalah:
C(_x) = θ0 : a ≤ Q(
_x, θ0) ≤ b
Contoh
Dalam contoh di muka telah didapatkan interval kepercayaan untuk λ
dari pdf eksponensial dengan menginversikan LRT taraf α dari H0 : λ =
λ0vs H1 : λ 6= λ0. Sekarang kita juga melihat bila kita mempunyai sampel
X1, ..., Xn kita dapat mendefinisikan T =∑
Xi dan Q(T, λ) = 2 Tλ
∼ X22n.
Bila kita memilih konstantq a dan b sedemikian hingga memenuhi P (a ≤X2
2n ≤ b) = 1 − α, maka
Pλ(a ≤ 2 Tλ
≤ b) = Pλ(a ≤ Q(T, λ) ≤ b)
= P (a ≤ X22n ≤ b)
= 1 − α
Dengan menginversikan himpunan:
A(λ) = t : a ≤ 2T
λ≤ b
memberikan C(t) = λ : 2 tb≤ λ ≤ 2 t
a yang merupakan interval keperca-
yaan (1 − α). Bila n = ω, interval kepercayaan 95% adalah λ : 2 T34,17
≤ λ ≤
Bab 4. Estimasi Interval 120 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
2 T9,59
. Untuk persoalan lokasi dengan kondisi variansi tidak diketahui pun
pembangunan dan perhitungan interval pivot relatif mudah.
Contoh
Jika X1, ..., Xn iid N(µ, σ2) maka (_x−µ )
σ /√
nadalah pivot. Bila σ2 diketahui, ki-
ta dapat menggunakan pivot ini untuk menghitung interval kepercayaan
untuk µ. Untuk sebarang konstanta a
P (−a ≤ (_x −µ )
σ /√
n≤ a) = P (−a ≤ Z ≤ a)
Sehingga interval kepercayaan adalah µ :_x −a σ√
n≤ λ ≤ _
x +a σ√n.
Bila σ2 tidak diketahui, kita dapat menggunakan pivot skala-lokasi (_x−µ )
s /√
n.
Karena (_x−µ )
s /√
nmempunyai distribusi
P (−a ≤ (_x −µ )
σ /√
n≤ a) = P (−a ≤ Z ≤ a).
Jadi untuk α tertentu bila kita mengambil a = tn−1, α2, kita mendapatkan
bahwa interval kepercayaan (1 − α) adalah
µ :_x −tn−1, α
2
s√n≤ µ ≤ _
x +tn−1, α2
s√n
dan ini merupakan interval kepercayaan (1 − α) klasik untuk µ berdasar
distribusi−t.
4.3.3 Metode Evaluasi Estimasi Interval
Dalam estimasi interval dua besaran dibandingkan satu dengan lainnya
melalui ukuran dan kemampuan akurasi cakupannya. Tentu saja yang di-
inginkan adalah suatu interval yang mempunyai ukuran (panjang) yang
kecil dan cakupan probabilitas besar. Cakupan probabilitas dari interval
kepercayaan pada umumnya merupakan fungsi parameter. Karena itu,
Bab 4. Estimasi Interval 121 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
ukuran yang paling banyak digunakan adalah kelakuan koefisien keperca-
yaan, yaitu infimum cakupan probabilitas ukuran dan probabilitas caku-
pan. Permasalahan dapat dirumuskan sbb: diberikan probabilitas cakupan
tertentu, carilah interval kepercayaan terpendek.
Contoh
Misalkan X1, ..., Xn iid N(µ, σ2)dengan σ diketahui. Telah kita ketahui
bahwa Z =_x - µ
σ /√
nadalah besaran pivot dengan distribusi normal baku
dan setiap anggota yang memenuhi P (a ≤ Z ≤ b) = 1 − α akan memberi-
kan interval kepercayaan (1 − α)
µ :_x −b
σ√n≤ µ ≤ _
x −aσ√n
Masalahnya menjadi: Berapa nilai a dan b yang terbaik ?, Dengan kata
lain; Berapa nilai a dan b yang akan meminimumkan panjang interval ke-
percayaan dengan tetap mempertahankan cakupan (1 - α)?. Perhatikan
bahwa panjang interval kepercayaan sama dengan (b−a) σ√n
. Karena faktorσ√n
adalah bagian dari setiap panjang interval, ia dapat diabaikan dan per-
bandingan panjang hanya bisa berdasarkan pada harga b − a.
Sehingga masalah sekarang menjadi; mencari pasangan bilangan a dan b
yang memenuhi P (a < z < b) = 1 − α dan meminimumkan (b − a).
Biasanya diambil a = z − zα2
dan b = zα2
tanpa menyebutkan apa yang
membuat optomal. Jika diambil 1− α = 0, 90 maka setiap pasangan bilan-
gan berikut memberikan interval 90%.
Pengalaman numerik ini menyarankan bahwa pemilihan a = −1, 65 dan
b = 1, 65 memberikan interval kepercayaan terbaik. Perlu dicatat bahwa
strategi untuk membagi interval dua sama besar (simetris) terbukti opti-
mal dalam contoh di atas, tapi tidak selalu demikian. Untuk kasus di atas
disebabkan oleh kenyataan bahwa tinggi dari pdf -nya adalah sama di −zα2
dan zα2.
Bab 4. Estimasi Interval 122 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Tabel 4.3: Panjang interval kepercayaan
a b Probabilitas b-a
−1, 34 2, 33 P (z < a) = 0, 09; P (z > b) = 0, 01 3, 67−1, 44 1, 96 P (z < a) = 0, 075; P (z > b) = 0, 025 3, 40−1, 65 1, 65 P (z < a) = 0, 05; P (z > b) = 0, 05 3, 30
Teorema Unimodal
Misalkan f(x) pdf yang unimodal. Bila interval [a, b] memenuhi
1.∫ b
af(x)dx = 1 − α
2. f(a) = f(b) > 0dan
3. a ≤ x∗ ≤ b, dengan x∗ modus f(x).
maka [a, b]adalah interval kepercayaan yang terpendek di antara interval-
interval yang memenuhi kreteria nomer 1.
Bukti
Misalkan [a1, b1] adalah sebarang interval dengan b1 − a1 < b − a.
Akan ditunjukkan bahwa ini mengakibatkan∫ b1
a1 f(x)dx < 1 − α. Hasil ini
akan dibuktikan hanya untuk a1 < a. Untuk kasus a < a1 dapat dibuktik-
an secara analog. Juga dua kasus yang perlu diperhatikan adalah b1 ≤ a
dan b1 > a.
Bila b1 ≤ a maka a1 ≤ b1 ≤ a ≤ x∗ dan∫ b1
a1 f(x)dx ≤ f(b1)(b1−a1) ≤ f(a1)(b1−a1) < f(a)(b−a) ≤∫ b
af(x)dx = 1−α
Bila b1 > a maka a1 ≤ a ≤ b1 < b, karena bila b1 lebih besar atau sama
dengan b, maka b1−a1 lebih besar atau sama dengan b−a. Dalam keadaan
ini, dapat ditulis:∫ b1
a1 f(x)dx =∫ b
af(x)dx + [
∫ a
a1 f(x)dx −∫ b
b1f(x)dx]
Bab 4. Estimasi Interval 123 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
= 1 − α + [∫ a
a1 f(x)dx −∫ b
b1f(x)dx]
dan teorema terbukti bila dapat ditunjukkan bahwa pernyataan dalam
kurung negatif. Sekarang, dengan menggunakan unimodalitas f, urutan
a1 ≤ a ≤ b1 ≤ b, dan didapat:∫ a
a1 f(x)dx ≤ f(a)(a − a1) dan∫ b
b1f(x)dx ≥ f(b)(b − b1)
Jadi∫ a
a1 f(x)dx −∫ b
b1f(x)dx ≤ f(a)(a − a1) − f(b)(b − b1)
= f(a) [(a − a1) − (b − b1)]
= f(a) [(b1 − a1) − (b − a)]
bernilai negatif. q.e.d
Contoh
Untuk interval kepercayaan normal berdasarkan pivot_x - µ
s /√
n, kita menge-
tahui bahwa interval kepercayaan (1 − α) yang mempunyai panjang ter-
pendek mempunyai bentuk
_x −b s√
n≤ µ ≤ _
x −a s√n
mempunyai a = −tn−1, α2
dan b = tn−1, α2. Panjang
interval merupakan fungsi S, dengan bentuk umum: Panjang(s) = (b −a) s√
n.
Selanjutnya, jika dipandang kriteria harga harapan panjang (s) dan men-
ginginkan untuk mendapatkan interval (1 − α) untuk meminimumkan.
Eσ (panjang (S) ) = (b − a)Eσ S√n
= (b − a)C(n) S√n.
Maka Teorema di depan berlaku dan pemilihan a = −tn−1, α2dan b = tn−1, α
2
memberikan interval kepercayaan yang optimal.
4.3.4 Estimasi Interval Kepercayaan Khusus
4.3.4.1 Interval Kepercayaan untuk Mean
1. Interval untuk mean µ, dengan variansi σ2 diketahui. Misalnya X vari-
abel random yang berdistribusi N(µ, σ2), dengan µ tidak diketahui.
Bab 4. Estimasi Interval 124 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jika X adalah nilai mean sampel dari populasi normal dengan me-
an µ dan variansi σ2 (diketahui). Tunjukkan interval kepercayaan
(1 − α)100% untuk µ diberikan oleh:
X − zα/2.σ√n
< µ < X + zα/2.σ√n
(4.2)
Penjelasan:
X ∼ N(µ, σ2) ⇒ X ∼ N(µ, σ2/n) ⇒ Z =X − µ
σ/√
n∼ N(0, 1) (4.3)
Perhatikan bahwa P(−zα/2 < z < zα/2
)= 1 − α dengan zα/2 adalah
kuantitas sehingga P (Z > zα/2) = α/2
Karena itu
P
(−zα/2 <
X − µ
σ/√
n< zα/2
)= 1 − α (4.4)
atau
P (X − zα/2.σ√n
< µ < X + zα/2.σ√n
) = 1 − α (4.5)
Jadi interval kepercayaan (1 − α)100% untuk µ adalah:
X − zα/2.σ√n
< µ < X + zα/2.σ√n
(4.6)
Untuk sampel besar (n ≥ 30) dapat digunakan TLP, sehingga inte-
val kepercayaan 4.6berlaku juga untuk variabel random sembarang
(bukan distribusi tidak normal).
2. Interval untuk mean µ, dengan variansi σ2 tidak diketahui. Jika x adalah
nilai mean sampel dari populasi normal dengan mean µ dan variansi
σ2 tidak diketahui, maka interval kepercayaan (1 − α)100% untuk µ
adalah:
X − tα/2,n−1.S√
n − 1< µ < X + tα/2,n−1.
S√n − 1
(4.7)
Penjelasan:
Karena variansinya σ2 tidak diketahui maka dapat diganti dengan
Bab 4. Estimasi Interval 125 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
variansi sampel:
S2 =1
n
n∑
i=1
(Xi − X)2 (4.8)
sebagai estimator untuk σ2. Sebab jika xi berdistribusi N(µ, σ2) maka
nS2/σ2 berdistribusi χ2(n−1) dan
√n(x − µ)/σ berdistribusi t(n−1).
4.3.4.2 Interval Kepercayaan untuk Perbedaan Mean
Sering kali lebih memungkinkan untuk melakukan estimasi interval untuk
selisih parameter populasi µ1−µ2daripada untuk masing-masing. Misalk-
an X1, X2,..., Xn dan Y1, Y2,..., Ym dua sampel random dari dua populasi
yang independen N(µ1, σ2) dan N(µ2, σ
2); σ > 0 tidak diketahui. Masalah
yang dihadapi sekarang, bagaimana inferensi interval untuk parameter
perbedaan mean yaitu µ1 − µ2?
Interval untuk mean µ1 − µ2 dengan variansi σ2 > 0 tidak diketahui.
Jika X dan Y berturut-turut mean sampel berukuran n dan m yang saling
independen dari populasi N(µ1, σ2) dan populasi N(µ2, σ
2) ;σ2 > 0 tidak
diketahui, maka interval kepercayaan (1 − α)100% adalah:
(X − Y
)− aR < µ1 − µ2 <
(X − Y
)+ aR (4.9)
dengan a = t(α/2;n+m−2) dan R =√
(1/n + 1/m)(nS2
1+nS22
(n+m−2)
Penjelasan:
Variansi sampelnya berturut-turut S21 dan S2
2 . Perhatikan bahwa
Xi(i = 1, 2, ..., n) ∼ N(µ1, σ2) ⇒ X ∼ N(µ1, σ
2/n) (4.10)
dan
Yj(j = 1, 2, ..., m) ∼ N(µ2, σ2) ⇒ Y ∼ N(µ2, σ
2/m) (4.11)
Bab 4. Estimasi Interval 126 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
akibatnya,
X − Y ∼ N(µ1 − µ2, σ2/n + σ2/m) ⇒ X − Y − (µ1 − µ2)√
σ2/n + σ2/m∼ N(0, 1) (4.12)
Karena nS21/σ
2 ∼ χ2(n−1) dan mS2
2/σ2 ∼ χ2
(m−1) maka (nS21+ mS2
2)/σ2 ∼
χ2(n+m−2). Diperoleh
T =X − Y − (µ1 − µ2)√
σ2/n + σ2/m:[(nS2
1 + mS22)/σ
2(n + m − 2]1/2 (4.13)
=X − Y − (µ1 − µ2)√(1/n + 1/m
nS21+mS2
2
n+m−2
∼ t(n+m−2) (4.14)
Interval kepercayaan (1 − α)100% adalah P (−a < T < a) = 1 − α; dengan
a = tα/2;n+m−2 dan
P ((X − Y
)− aR < µ1 − µ2 <
(X − Y
)+ aR) = 1 − α (4.15)
dengan
R =
√
(1/n + 1/mnS2
1 + mS22
n + m − 2(4.16)
Jadi interval kepercayaan (1 − α)100% untuk perbedaan mean adalah
(X − Y
)− aR < µ1 − µ2 <
(X − Y
)+ aR
(X − Y
)− aR < µ1 − µ2 <
(X − Y
)+ aR (4.17)
4.3.4.3 Interval Kepercayaan untuk Variansi
Setelah di drpan dibahas interval kepercayaan untuk mean µ, maka kini
dibahas interval kepercayaan untuk variansi σ2.
Interval untuk variansi σ2 dengan mean µ yang tidak diketahui.
Bab 4. Estimasi Interval 127 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jika X1, X2,..., Xn sampel random dari distribusi N(µ, σ2) dengan µ tidak
diketahui maka interval kepercayaan (1 − α)100% untuk σ2 adalah:
ns2
χ2(1−α/2,n−1)
< σ2 <ns2
χ2(α/2;n−1)
(4.18)
Penjelasan:
Dengan menggunakan metode likelihood maksimum diperoleh σ2 = S2 =
1/n
n∑
i=1
(Xi − X)2 dan variabel random nS2/σ2 berdistribusi χ2(n−1) karena
itu,
P (χ2(α/2,n−1) < nS2/σ2 < χ2
(1−α/2,n−1) = 1 − α (4.19)
atau
P
(ns2
χ2(1−α/2,n−1)
< σ2 <ns2
χ2(α/2;n−1)
)= 1 − α (4.20)
Jadi interval kepercayaan untuk σ2 adalah
ns2
χ2(1−α/2,n−1)
< σ2 <ns2
χ2(α/2;n−1)
(4.21)
4.3.4.4 Interval Kepercayaan untuk Rasio Dua Variansi
Interval kepercayaan untuk σ22/σ
21dengan µ1dan µ2 tidak diketahui.
Jika X1, X2,..., Xn dan Y1, Y2,..., Yn dua sampel random yang saling inde-
penden dari populasi N(µ1, σ2) dan populasi N(µ2, σ
2) dengan µ1dan µ2
tidak diketahui, maka interval kepercayaan (1− α)100% untuk σ22/σ
21 ada-
lah
1
F(1−α/2;m−1;n−1)
mS22/(m − 1)
nS21/(n − 1)
<σ2
2
σ21
< F(1−α/2;n−1;m−1)mS2
2/(m − 1)
nS21/(n − 1)
(4.22)
Penjelasan:
Bab 4. Estimasi Interval 128 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Dengan metode likelihood diperoleh:
µ1 = X, σ21 = S2
1 = 1/n
n∑
i=1
(Xi − X)2 (4.23)
dan
µ2 = X, σ22 = S2
2 = 1/n
n∑
i=1
(Yi − Y )2 (4.24)
nS21/σ
21 ∼ χ2
(n−1).mS22/σ
22 ∼ χ2
(m−1) dan independen ⇒
F =nS2
1/ [σ21(n − 1)]
mS22/ [σ2
2(m − 1)]∼ F(n−1;m−1) (4.25)
Karena itu
P
(F(α/2;n−1;(m−1) <
nS21/ [σ2
1(n − 1)]
mS22/ [σ2
2(m − 1)]< F(1−α/2;n−1;m−1)
)= 1 − α (4.26)
atau
P
(F(α/2;n−1;(m−1)
mS22/(m − 1)
nS21/(n − 1)
<σ2
2
σ21
< F(1−α/2;n−1;(m−1)mS2
2/(m − 1)
nS21/(n − 1)
)= 1−α
(4.27)
atau
P
(1
F(1−α/2;m−1;n−1)
mS22/(m − 1)
nS21/(n − 1)
<σ2
2
σ21
< F(1−α/2;n−1;m−1)mS2
2/(m − 1)
nS21/(n − 1)
)= 1−
(4.28)
Jadi interval kepercayaan (1 − α)100% untuk σ22/σ
21adalah
1
F(1−α/2;m−1;n−1)
mS22/(m − 1)
nS21/(n − 1)
<σ2
2
σ21
< F(1−α/2;n−1;m−1)mS2
2/(m − 1)
nS21/(n − 1)
(4.29)
4.4 Soal-Soal dan Pembahasan
1. Tentukan interval kepercayaan 95 % untuk mean dari N(µ, 9) dengan
sampel berukuran 100 dan x = 5
Jawab:
Bab 4. Estimasi Interval 129 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
(1 − α)100% = 95% ⇒ (1 − α) = 0, 95
Berdasarkan tabel Z, untuk (1 − α) = 0, 95 diperoleh zα/2 = 1, 96.
Untuk σ2 = 9 dan n = 100 diperoleh zα/2.σ√n
= 1, 96.3/10 = 0, 588
Menurut teorema 8, interval kepercayaan 95% untuk µ adalah X −zα/2.
σ√n
< µ < X + zα/2.σ√n⇔ 5 − 0, 588 < µ < 5 + 0, 588 ⇔ 4, 412 <
µ < 5, 588
2. Diketahui X1, X2,..., X10 sampel random dari N(µ, σ2) ; µ dan σ2 ke-
duanya tidak diketahui. Misalnya dari hasil eksperimen diperoleh
x = 3, 22 dan s = 1, 05. Tentukan interval kepercayaan 90% untuk µ.
Jawab:
Berdasarkan Tabel t, diperoleh t(0,05;9) = 1, 833. Interval kepercayaan
90% untuk µ adalah 3, 22−2, 833.1, 05/3 < µ < 3, 22+1, 833.1, 05/3 ⇔2, 56095 < µ < 3, 87905
3. Diketahui dua sampel random yang independen yang masing-
masing berukuran 10 dan 7 yang diambil dari dua populasi berdistri-
busi N(µ1, σ2) dan N(µ2, σ
2). Misalkan x = 4, 2, y = 3, 4, dan S22 = 32,
tentukan interval kepercayaan 90% untuk µ1 − µ2.
Jawab:
R =
√
(1/n + 1/mnS2
1 + mS22
n + m − 2=
√(1/10 + 1/7)
490 + 224
15= 3, 4
(4.30)
Dari tabel t diperoleh a = t(0,05;15) = 1, 753. Sehingga menurut teore-
ma 11, diperoleh
0, 8−1, 753.3, 4 < µ1−µ2 < 0, 8+1, 753.3, 4 ⇔ −5, 16 < µ1−µ2 < 6, 76
(4.31)
Jadi interval kepercayaan 90% untuk µ1 − µ2 adalah
−5, 16 < µ1 − µ2 < 6, 76 (4.32)
Bab 4. Estimasi Interval 130 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
4. Jika dari data yang diobservasi dari populasi normal diperoleh s =
2, 2 dan n − 16. Tentukan interval kepercayaan 98% untuk σ2!
Jawab:
Dari tabel χ2 diperoleh χ2( 0,01;15) = 5, 23 dan χ2
( 0,99;15) = 30, 6 sehingga
diperoleh
16(2, 2)2
30, 6< σ2 <
16(2, 2)2
5, 23⇔ 2, 53 < σ2 < 14, 81 (4.33)
5. Misalkan dua sampel random yang berukuran 10 dan 5 diambil
dari dua populasi yang independet yaitu N(µ1, σ2) dan populasi
N(µ2, σ2). Dari hasil observasi tersebut diperoleh S2
1 = 20, 0 dan
S22 = 35, 6. Tentukan interval kepercayaan 95% untuk
σ22
σ21
bila kedua
mean populasi tidak diketahui.
Jawab:
Dalam hal ini, 1 − α/2 = 0, 975, n = 10 dan m = 5. Berdasarkan
tabel F, diperoleh F(0,975;9;4) = 8, 90 dan F(0,975;4;9) = 4, 72 sehingga
menurut teorema 12
1
4, 72
5(35, 6)/4
10(20, 0)/9<
σ22
σ21
< (8, 90)5(35, 6)/4
10(20, 0)/9(4.34)
atau
0, 4 <σ2
2
σ21
< 17, 8 (4.35)
Jadi interval kepercayaan 95% untukσ22
σ21
adalah 0, 4 <σ22
σ21
< 17, 8
4.5 Soal-Soal Latihan
1. Diketahui nilai observasi mean x dari sampel random yang beru-
kuran 20 dari distribusi n(µ, 80) adalah 81, 2. Tentukan 95% interval
kepercayaan untuk µ
Bab 4. Estimasi Interval 131 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
2. Misalkan x mean dari sampel random yang berukuran n dari distri-
busi n(µ, 9). Tentukan n sehingga P (x − 1 < µ < x + 1) = 0, 90
3. Diketahui sampel random yang berukuran 17 dari distribusi normal
N(µ, σ2) diperoleh x = 4, 7 dan s2 = 5, 76. Tentukan 90 % interval
kepercayaan untuk µ.
4. Jika X1, X2,..., X9 sampel random berukuran 9 dari distribusi
N(µ, σ2)
(a) Jika σ diketahui, tentukan peluang 95% interval kepercaya-
an untuk µ jika interval ini didasarkan pada variabel random√9(x − µ)/σ
(b) Jika σ tidak diketahui, tentukan nilai harapan dari panjang 95%
interval kepercayaan untuk µ jika interval didasarkan pada va-
riabel random√
8(x − µ)/S
5. Diketahui Y berdistribusi Binomial (n, p). Tentukan interval keper-
cayaan (1−α)100% untuk p. (petunjuk : pertimbangkan Y/n sebagai
estimator untuk p; dengan Y banyak sukses dalan n percobaan
6. Dari soal no 9berapakah n terkecil yang menjamin (dengan probabi-
litas 1 − α) bahwa y/n terletak dalam jarak d dari p
7. Misalkan Y berdistribusi b(300, p). Jika nilai observasi dari Y adalah
y = 75, tentukan interval kepercayaan 95% untuk p
8. Diketahui dua sampel random yang masing-masing berukuran 10
yang dari dua distribusi normal independen N(µ1, σ2) dan N(µ2, σ
2)
dari observasi diketahui x = 4, 8, S21 = 8, 64, y = 5, 6, S2
2 = 7, 88.
Tentukan inteval kepercayaan 95% untuk µ1 − µ2.
9. Tentukan interval kepercayaan untuk perbedaan µ1 − µ2 antara dua
mean dari dua distribusi normal yang independen jika kedua vari-
ansinya diketahui (tidak perlu sama)
Bab 4. Estimasi Interval 132 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
10. Diketahui dua variabel random X dan Y yang bebas secara pro-
babilitas dengan distrubusi binomial yang mempunyai parameter
n1 = n2 = 100, dan berurut p1dan p2. Dari observasi diperoleh x = 50
dan y = 40.Tentukan interval kepercayaan 95% untuk p1− p2
11. Diketahui X dan Y mean dari dua sampel random yang masing-
masing berukuran n dari distribusi N(µ1, σ2) dan N(µ2, σ
2); dengan
σ diketahui. Tentukan n sehingga
P ((X − Y
)− σ/5 < µ1 − µ2 <
(X − Y
)+ σ/5) = 0, 90 (4.36)
12. Seperti teorema 10, tentukan interval kepercayaan (1−α)100% untuk
σ2 bila µ diketahui
13. Jika 8, 6; 7, 9; 8, 3; 6, 4; 8, 4; 9, 8; 7, 2; 7, 8; 7, 5 adalah nilai yang diobse-
rvasi dari sampel random yang berukuran 9 dari N(8, σ2). Tentukan
interval kepercayaan 90% untuk σ2
14. Dari hasil observasi suatu sampel random yang berukuran 15 dari
distribusi N(µ, σ2) diperoleh x = 3, 2 dan s2 = 4, 24 . Tentukan inte-
rval kepercayaan 95% untuk σ2
15. Diketahui dua sampel random independent yang berukuran n =
16 dan m = 10 diambil dari populasi independent N(µ1, σ2) dan
N(µ2, σ2) . Misal x = 3, 6 dan s2
1 = 4, 14 dan Y = 13, 6 dan s22 = 7, 26.
Tentukan interval kepercayaan 90% untukσ22
σ21
bila kedua mean pupo-
lasi tidak diketahui.
16. Seperti teorema 11, tentukan interval kepercayaan (1 − α)100% bila
kedua mean pupulasi diketahui.
17. Misalkan S21 dan S2
2 notasi variansi sapel random yang beru-
kuran n dan m dari dua distribusi independen N(µ1, σ2) dan
N(µ2, σ2).Tentukan interval kepercayaan (1 − α)100% untuk σ2
18. Misalkan X1, X2,..., Xn sampel random yang berikuran 6 dari distri-
nusi Gamma(1 − β); β > 0 tidak diketahui. Tentukan interval keper-
Bab 4. Estimasi Interval 133 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
cayaan (1 − α)100% untuk β. Petunjuk : Pertimbangkan distribusi
dari26∑
i=1
Xi/β
19. Diketahui Y4 = order statistik ke -4 dari sampel random berukuran
4 dari disttribusi uniform (0, θ). Tentukan a dan b. Dengan 0 < a <
b ≤ 1 sehingga P (aθ < Y4 < bθ) = 0, 95. Kemudian tentukan interval
keperayaan 95% untuk θ.
Bab 4. Estimasi Interval 134 ISBN 978-602-8310-02-4
Bab 5
Hipotesis Statistik
5.1 Standar Kompetensi
Memahami konsep dasar uji hipotesis statistik dan mampu menerapkan-
nya baik dalam pemecahan masalah matematika, ilmu lain, maupun da-
lam kehidupan sehari-hari
5.2 Indikator Hasil Belajar
Setelah mengerjakan bab ini Anda diharapkan dapat:
1. Menjelaskan konsep dasar hipotesis dan hipotesis statistik
2. Menganalisis uji hipotesis berdasarkan uji ratio likelihood
3. Menjelaskan tipe kesalahan suatu uji hipotesis statistik
4. Membedakan antara hipotesis sederhana dengan hipotesis gabung-
an
5. Menentukan daerah kritis suatu uji hipotesis
6. Menentukan fungsi kekuatan uji hipotesis
135
Statistika Matematis II/ Edisi E-book
7. Menggunakan teorema Neyman-Pearson untuk menentukan daerah
kritik terbaik
8. Menentukan uji paling kuat seragam dari suatu uji hipotesis
9. Menentukan uji hipotesis dengan menggunakan uji rasio likelihood
5.3 Uraian Materi
5.3.1 Konsep Dasar Uji Hipotesis
Sejauh ini telah dibahas inferensi titik dan interval. Sekarang diperkenalk-
an metode inferensi yang lain yaitu uji hipotesis
Secara umum dapat didefinisikan bahwa Hipotesa adalah pernyataan ten-
tang parameter populasi. Hal ini dapat berupa pernyataan bahwa µ1 = µ2
vs µ1 6= µ2 dan lain-lain. Sedangkan Hipotesis Statistik adalah pernyataan
tentang distribusi dari satu atau lebih sampel random yang diambil da-
ri populasi. Tujuan dari uji hopotesis statistik adalah untuk memutuskan
berdasarkan sampel, mana dari dua hopetesis (yang saling asing) yang
benar. Dua hipotesis yang saling asing itu biasa disebut hipotesis nol (H0)
dan hipotesis alteratif (H1). Misal
H0 : g(x) ∼ N(10, σ2) (5.1)
H1 : g(x) ∼ N(µ, σ2), µ 6= 10 (5.2)
Untuk mempermudah kedua hipotesis statistik ini cukup ditulis sbb:
H0 : µ = 10 vs H1 : µ 6= 10
Definisi
Dua buah peryataan (hipotesa) yang saling asing dalam persoalan uji hi-
potesa disebut hipotesa nol dan hipotesa alternatif. Masing-masing dinya-
takan dengan H0 dan H1. Bila θ menyatakan parameter populasi, format
umum dari hipotesa nol dan alternatif adalah:
Bab 5. Hipotesis Statistik 136 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
H0 : θ ∈ Ω0danH1 : θ ∈ Ωc0
dengan Ω0 suatu himpunan bagian dari ruang parameter dan Ωc0 adalah
komplemennya dimana Ω0 ∪ Ωc0 = Ω = θ;−∞ < θ < ∞ .
Dalam uji hipotesa sesudah mengobservasi sampel, harus ditentukan apa-
kah menerima H0 yang berarti menolak H1 atau menerima H1 yang berarti
menolak H0.
Definisi
Himpunan bagian ruang sampel dimana H0 ditolak disebut daerah peno-
lakan atau daerah kritis. Komplemen daerah penolakan disebut daerah
penerimaan. Jika rentang H1 seluruhnya terletak pada satu sisi dari nilai
H0, alternatif itu dikatakan satu sisi. Jika H1 memuat semua nilai parame-
ter kecuali satu nilai H0 maka alternatif itu disebut dua sisi.
Jika pernyataan suatu hipotesis berkaitan hanya dengan satu distribusi
maka disebut hipotesis tunggal (sederhana), sedangkan jika berkaitan le-
bih dari satu distribusi dinamakan hipotesis majemuk (gabungan). Seba-
gai contoh: H0 : µ ≤ 10 vs H1 : µ > 10 merupakan hipotesis majemuk. Jika
H0diganti dengan µ = 10 maka diperoleh hipotesis tunggal.
5.3.2 Uji Rasio Likelihood
Metode rasio likelihood atau likelihood ratio test (LRT) dalam uji hipotesis
berhubungan dengan estimator likelihood maksimum dan uji tersebut se-
cara luas dapat diterapkan. Ingat bila x1, ..., xn adalah sampel random dari
populasi dengan densitas f(x|θ) (θbisa berupa vektor), fungsi likelihood
didefinisikan sebagai
L(θ|x1, ..., xn) = f(_x |θ) =
n⊓i=1 f(xi |θ)
Misalkan Ω dinyatakan ruang parameter. Uji rasio likelihood didefinisikan
sebagai berikut.
Bab 5. Hipotesis Statistik 137 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Definisi
Uji statistik rasio likelihood (LRT ) untuk uji H0 : θ ∈ Ω0vsH1 : θ ∈ Ωc0
adalah
λ(xn) =ΩSup
o L(θ|x)
ΩSupL(θ|x)
Uji rasio likelihood adalah uji sedemikian hingga daerah penolakan mem-
punyai bentuk: _x: λ(
_x) ≤ Cdengan C sembarang bilangan yang meme-
nuhi 0 ≤ C ≤ 1.
Contoh
Misalkan x1, ..., xn adalah sampel random dari populasi N(θ, 1). Pandang
uji hipotesa H0 : θ = θ0vsH1 : θ 6= θ0. Di sini θ0 adalah bilangan tertentu.
Karena H0 hanya menentukan satu bilangan, maka pembilang dari λ(_x)
adalah L(θ0|_x). MLE dari θ untuk ruang parameter tanpa kendala adalah
mean sampel_x. Jadi penyebut dari λ(
_x) adalah L(
_x |x). Sehingga statistik
LRT adalah
λ(_x) =
(2π)− n/2 exp [−∑
(xi − θ0)2/2]
(2π)− n/2 exp [−∑(xi−_x)2/2]
= exp[(
−∑
(xi − θ0)2 +
∑(xi−
_x)2)
/2]
Pernyataan untuk λ(_x) dapat disederhanakan, karena:
∑(xi − θ0)
2 =∑
(xi−_x)2 + n(xi − θ0)
2
Jadi, statistik LRT adalah
λ(_x) = exp
[−n(xi − θ0)
2/2]
(5.3)
Bab 5. Hipotesis Statistik 138 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
LRT adalah uji yang menolak H0 untuk harga-harga λ(_x) kecil. Dengan
menggunakan 5.3 didapat daerah penolakan:
x : λ(_x) ≤ C = x : | _
x −θ0| ≥√
−2 log c
n
dimana 0 < c < 1,dan 0 <√
−2 log cn
< ∞. Jadi LRT adalah uji yang meno-
lak H0 bila mean sampel berbeda dengan θ0 melebihi harga tertentu yang
ditetapkan.
Bila T (x) statistik cukup antara θ dengan densitas g(t|θ), maka dapat di-
pikirkan untuk mengkonstruksikan LRT berdasar pada Tdan fungsi like-
lihoodnya L ∗ (θ|t) = g(t|θ) sebagai pengganti sampel_x dan fungsi likeli-
hoodnya L(θ| _x). Misalkan λ∗(t) menyatakan uji statistik rasio likelihood
berdasar T . Hal ini masuk akal karena semua informasi tentang θ dari_x
termuat dalam T (_x).
Teorema
Bila T (_x) statistik cukup untuk θ, sedangkan λ∗(t) dan λ(t) masing-masing
adalah statistik LRT berdasar T dan_x maka λ∗T (
_x), dimana λ(
_x)untuk
setiap_x dalam ruang sampel.
Bukti
Dengan teorema faktorisasi, densitas dari_x dapat ditulis sebagai f(
_x |θ) =
g (T (_x |θ)h(x) dengan g(t|θ) adalah densitas dan h(x) tidak tergantung pa-
da θ. Jadi,
λ(xn) =SupΩoL(θ|x)
SupΩL(θ|x)=
SupΩog(T (_x)|θ) h(
_x)
SupΩ(g(T (_x)|θ) h(
_x)
=SupΩof(x | θ)
SupΩf(x | θ)
=SupΩog(T (x) | θ)
SupΩg(T (x) | θ)
Bab 5. Hipotesis Statistik 139 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
=SupΩoL
∗(θ | x)
SupΩL∗(θ | x)
= λ∗T (_x)
Contoh
Misalkan X1, ..., Xn adalah sampel random dari N(µ, σ2); H0 : µ ≤µ0vs H1 : µ ≥ µ0.
σ2 adalah parameter pengganggu.
Statistik LRT adalah
λ(x) =maks L(µ, σ2|x) µ, σ2 : µ ≤ µ0, σ2 > 0
maks L(µ, σ2|x)
λ(x) =maks L(µ, σ2|x) µ, σ2 : µ ≤ µ0, σ2 > 0
maks L(µ, σ2|x)
dimanaa
µ dana
σ2
, adalah MLE dari µ dan σ2. Selanjutnya, bila µ ≤ µ0,
maksimum kendala sama dengan maksimum tanpa kendala, sedang un-
tuka
µ> µ0, maksimum kendala adalah L(µ0, σ2| _
x).
Jadi
λ(_x) =
1; jikaa
µ ≤ µ0
L ( µ0 ,a
σ2
| _x )
L ( µ ,a
σ2
| _x )
; jikaa
µ > µ0
5.3.3 Metode Uji Evaluasi Hipotesis
Untuk prosedur uji hipotesa λ(x), fungsi uji adalah fungsi pada ruang
sampel dengan nilai 1 bila_x dalam daerah penolakan, dan nilai 0 bila
_x
dalam daerah penerimaan.
Bab 5. Hipotesis Statistik 140 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Tabel 5.1: Kesalahan dalam Uji Hipotesis
KeputusanMenerima H0 Menolak H0
Hipotesis Benar H0 Keputusan Benar Kesalahan Tipe IH1 Kesalahan Tipe II Keputusan Benar
Dalam memutuskan untuk menerima atau menolak hipotesa nol dieva-
luasi dan dibandingkan melalui probabilitasnya membuat kesalahan. Se-
karang dibicarakan bagaimana probabilitas membuat kesalahan tersebut
dapat dikontrol.
5.3.3.1 Probabilitas Kesalahan dan Fungsi Kekuatan Uji
Dalam uji hipotesis H0 : θ ∈ Ω0vs H1 : θ ∈ Ωc0 dapat terjadi salah satu dari
dua jenis kesalahan, yaitu kesalahan tipe I(α) dan kesalahan II(β), sbb:
1. Jika θ ∈ Ω0 tetapi uji hipotesis menolak H0, maka uji telah membuat
kesalahan tipe I.
2. Jika θ ∈ Ωc0 tetapi uji menerima H0, maka uji telah membuat kesalah-
an tipe II.
Keadaan ini bisa digambarkan sbb:
Misalkan C daerah kritis (penolakan) untuk suatu uji hipotesis, maka un-
tuk θ ∈ Ω0 uji membuat kesalahan bila X ∈ C, sehingga probabilitas kesa-
lahan tipe I adalah P (X ∈ C). Untuk θ ∈ Ω0c probabilitas kesalahan tipe
II adalah P (X ∈ Cc). Karena P (X ∈ Cc) = 1 − P (X ∈ C) maka P (X ∈ C)
merupakan fungsi θ memuat semua informasi tentang uji dengan daerah
kritis C.
Selanjutnya didapat:
Bab 5. Hipotesis Statistik 141 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
P (X ∈ C) =
P (kesalahan tipe I), jika θ ∈ Ω0
1 − P (kesalahan tipe II), jika θ ∈ Ωc0
Definisi
Fungsi kuasa (power function) dari uji hipotesis dengan daerah penolakan
C adalah fungsi dari θ yang didefinisikan
K(θ) = P (X ∈ C) (5.4)
Nilai fungsi kuasa di suatu titik parameter disebut kekuatan uji dititik ter-
sebut. Fungsi kuasa yang ideal adalah bernilai nol untuk θ ∈ Ω0 dan ber-
nilai satu untuk θ ∈ Ωc0. Namun bentuk ideal ini tidak dapat dicapai. Uji
hipotesis baik bila fungsi kuasa memiliki nilai:
1. mendekati nilai 1 untuk θ ∈ Ωc0 dan
2. mendekati 0 bila θ ∈ Ω0
Definisi
Tingkat signifikansi dari uji (atau ukuran dari daerah kritis C) adalah sup-
remum dari fungsi kekuatan uji kalau hipotesis nol besar.
Berdasarkan definisi ini, tingkat signifikansi uji yang ditulis α merupakan
probabilitas kesalahan tipe I. Jadi tingkat signifikansi uji αmerupakan:
P (kesalahantipeI) = P (menolakH0|H0benar) = α
Contoh
Uji hipotesis H0 : p = 1/2vsH1 : p > 1/2; dengan p parameter distribusi
binomial. Jika sampel berukuran 18 dan H0 ditolak untuk x ≥ 13. Diper-
timbangkan tingkat signifikansi uji atau kekuatan uji bila H0 benar sbb:
P (menolak H0|H0benar) = P (X ≥ 13|p = 1/2) (5.5)
=18∑
x=13
(18
x
)(1/2)x(1 − 1/2)18−x = 0, 05
Bab 5. Hipotesis Statistik 142 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jadi tingkat signifinkansi uji atau kekuatan uji di p = 1/2 adalah 0, 05
Contoh
Misalkan Xn ∼ Binomial(5, θ). Pandang uji H0 : θ < 12vs H1 : θ > 1
2.
Fungsi kuasa untuk uji ini adalah:
β1(θ) = P (x ∈ R) = P (x = 5) = θ5
Grafik β1(θ)dapat kita lihat dalam gambar di bawah.
Dalam menyelidiki fungsi kuasa ini, walaupun pro-
babilitas kesalahan tipe I dapat diterima sebagai kecil(β1(θ) ≤ (1
2)5 = 0, 0312 untuk semua θ ≤ 1
2
), namun probabilitas ke-
salahan tipe II terlalu tinggi(β1(θ) terlalu kecil untuk semua θ > 1
2
).
Probabilitas kesalahan tipe II kurang dari 12
hanya jika θ > (12)5 = 0, 87.
Untuk mendapatkan probabilitas kesalahan tipe II yang lebih kecil, dapat
dipertimbangkan menggunakan uji yang menolak H0 bila x = 3, 4, atau5 .
Fungsi kuasa untuk uji ini adalah
β2(θ) = P (x = 3, 4, 5)
=
(5
3
)θ3(1 − θ)2 +
(5
4
)θ4(1 − θ)1 +
(5
5
)θ5(1 − θ)0.
Grafik dari β2(θ) juga diperlihatkan dalam gambar di atas. Dalam gambar
tersebut terlihat bahwa uji kedua mempunyai probabilitas kesalahan tipe
II lebih kecil dalam kasus β2(θ) lebih besar untuk θ > 12. Tetapi probabilitas
kesalahan tipe I lebih besar untuk uji kedua; β2(θ) lebih besar untuk θ ≤ 12.
Bila harus memilih diantara kedua tes tersebut, pertimbangannya adalah
mana struktur kesalahan yang digambarkan oleh β1(θ) atau β2(θ) yang
lebih diterima.
Contoh
Bab 5. Hipotesis Statistik 143 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Misalkan X1, ..., Xn adalah sampel random dari populasi N(θ, σ2), dan σ2
diketahui. LRT untuk H0 : θ ≤ θ0vsH1 : θ > θ0 adalah uji yang menolak
H0 bila (x−θ0)σ/
√n
> c. Fungsi kuasa uji ini adalah
β(θ) = P(
_x−θ0
σ/√
n> c)
= P(
_x−θ0
σ/√
n> c + θ0−θ
σ/√
n
)= P
(Z > c + θ0−θ
σ/√
n
)
dengan Zvariabel random normal baku. Untuk θ naik dari −∞ sampai ∞,
dapat dilihat bahwa probabilitas normal ini naik dari nilai 0 ke 1. Karena
itu β(θ) fungsi naik dari θ dengan
limθ→−∞β(θ) = 0,limθ→∞β(θ) = 0, dan β(θ) = αbilaP (Z > c) = α
Contoh
Misalkan disyaratkan bahwa kesalahan tipe I maksimum 0, 1 dan kesalah-
an tipe II maksimum 0,2 untuk θ ≥ θ0 + σ. Hendak ditunjukkan bagai-
mana memilih c dan n, untuk mencapai persyaratan di atas menggunakan
uji yang menolak H0 : θ ≤ θ0bila(x−θ0)σ/
√n
> c. Seperti disebutkan di muka
fungsi kuasa uji sedemikian adalah:
β(θ) = P
(Z > c +
θ0 − θ
σ/√
n
)
Karena β(θ) fungsi naik, maka persyaratannya dipenuhi bila β(θ) = 0, 1
dan β(θ + σ) = 0, 8
Dengan memilih c = 1, 28, kita mendapatkan β(θ0) = P (Z > 1, 2) = 0, 1
(sebenarnya 0,1003 dari tabel) dan tidak tergantung n. Sekarang ingin
dipilih n sedemikian hingga β(θ + σ) = P (Z > 1, 28 − √n) = 0, 8.
Tetapi dari tabel P (Z > −0, 84) = 0, 8, sehingga dengan mengambil
1, 28 − √n = −0, 84 dan menyelesaikan untuk n didapat n = 4, 49. Jadi
dengan mengambil c = 1, 28 dan n= 5 persyaratan di atas dipenuhi.
5.3.3.2 Uji Paling Kuat (Most Powerfull Test)
Seperti yang telah dipaparkan di depan, uji hipotesis berusaha untuk
mengontrol baik kesalahan tipe I yaitu paling besar sama dengan α un-
Bab 5. Hipotesis Statistik 144 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
tuk semua θ ∈ Ω0. Demikian juga dengan probabilitas kesalahan tipe II,
yaitu mempunyai fungsi kuasa yang besar untuk θ ∈ Ωc0.
Definisi
Misalkan C adalah kelas uji untuk H0 : θ ∈ Ω0vsH1 : θ ∈ Ωc0. Uji dalam ke-
las C dengan fungsi kuasa β(θ), disebut uji uniformly most powerfull (UMP)
kelas C bila β(θ) ≥ β1(θ) untuk setiap θ ∈ Ωc0 dan setiap β1(θ) yaitu fungsi
kuasa dari uji dalam kelas C .
Definisi
Daerah kritik C adalah daerah kritik paling kuat seragan ukuran α untuk
uji hipotesis H0 lawan hipotesis alternatif H1 jika himpunan C adalah da-
erah kritik terbaik ukuran α untuk uji H0 lawan hipotesis sederhana H1.
Suatu uji yang didefinisikan pada daerah kritik ini disebut uji paling kuat
seragam dengan tingkat signifikansi α dari uji hipotesis sederhana H0 law-
an hipotesis gabungan alternatif H1. Uji paling kuat seragam tidak selalu
ada, tetapi kalau ada teorema Neyman − Person dapat digunakan untuk
mencarinya.
Contoh
Misalkan X1,X2, ..., Xn sampel random dari distribusi n(0, θ) dengan va-
rian θ tidak diketahui. Akan diperlihatkan bahwa ada uji paling ku-
at seragam dengan tingkat signifikansi α untuk uji hipotesis sederhana
H0 : θ = θ′
dengan θ′
adalah bilangan bulat posistif lawan hipotesis ga-
bungan alternatif H1 : θ > θ′
.Ruang parameter Ω =θ; θ ≥ θ
′. Fungsi
kepadatan peluang bersama dari X1,X2, ..., Xn adalah
L(θ; x1, x2, ..., xn) =
(1
2πθ
)n/2
exp
(−∑
x2i
2θ
)(5.6)
Misalkan θ′′ bilangan yang lebih besar dari θ′, k bilangan posisif dan C
himpunan titik-titik dengan
Bab 5. Hipotesis Statistik 145 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
L(θ′; x1, x2, ..., xn)
L(θ′′ ; x1, x2, ..., xn)≤ k (5.7)
maka diperoleh
(θ′′
θ′
)n/2
exp
[−(
θ′′ − θ′
2θ′θ′′
) n∑
i=1
x2i
]≤ k (5.8)
atau ekivalen dengan
n∑
i=1
x2i ≥
2θ′θ′′
θ′′ − θ′
[n
2ln
(θ′′
θ′
)− ln k
]= c (5.9)
Himpunan
C =
(x1, x2, ..., xn) :
n∑
i=1
x2i ≥ c
(5.10)
adalah daerah kritik terbaik untuk uji hipotesis sederhana H0 : θ0 = θ′
lawan hipotesis sederhana θ = θ′′. Sekarang tinggal menentukan c sehing-
ga daerah kritik ini mempunyai ukuran α seperti yang diinginkan. Jika
H0 benar variabel randomn∑
i=1
x2i /θ
′ mempunyai distribusi Khi-kuadrat de-
ngan derajat bebas n. Karena
α = P
(n∑
i=1
x2i /θ
′ ≥ c/θ′; H0
)(5.11)
c/θ′ dapat ditentukan dari tabel dan c ditentukan maka C =(x1, x2, ..., xn) :
n∑
i=1
x2i ≥ c
adalah daerah kritik terbaik ukuran α un-
tuk uji H0 : θ = θ′
lawan hipotesis θ = θ′′. Selain itu, untuk seti-
ap bilangan θ′′ yang lebih besar dari θ′ maka argumen otomatis terpe-
nuhi. Jika θ′′′ adalah bilangan lain yang lebih besar dari θ′ maka C =(x1, x2, ..., xn) :
n∑
i=1
x2i ≥ c
adalah daerah kritik terbaik ukuran α untuk
uji H0 : θ = θ′
lawan hipotesis θ = θ′′′. Oleh karena itu, menurut definisi
Bab 5. Hipotesis Statistik 146 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
diatas maka C =
(x1, x2, ..., xn) :
n∑
i=1
x2i ≥ c
adalah daerah kritik terbaik
paling kuat seragam ukuran α untuk uji H0 : θ = θ′lawan H1 : θ > θ
′. Jika
x1, x2, ..., xn nilai eksperimen dari X1,X2, ..., Xn maka H0 : θ = θ′
ditolak
ditingkat signifikansi α dan H1 : θ > θ′
diterima jikan∑
i=1
x2i ≥ c.
5.3.3.3 Teorema Neyman-Pearson
Misalkan H0 : θ = θ0vs H1 : θ = θ1 dengan densitas yang bersesuaian de-
ngan θi adalah f(x|θi), i = 0, 1. Dengan menggunakan uji dengan daerah
penolakan C yang memenuhi kedua hal berikut:
x ∈ C, jika f(x|θ1) > kf(x|θ0) (5.12)
x ∈ Cc, jika f(x|θ1)kf(x|θ0) (5.13)
untuk suatu k ≥ 0 dan α = Pθ0(x ∈ R)
maka
1. Syarat cukup setiap uji yang memenuhi 5.12 dan5.13 adalah uji UMP
taraf α
2. Syarat perlu, jika terdapat uji yang memenuhi kedua kondisi di atas
dengan k > 0 maka setiap uji UMP taraf α adalah uji dengan ukur-
an α, kecuali mungkin pada himpunan A yang memenuhi Pθ0(X ∈A) = 0.
AkibatTeorema
Misalkan kondisi teorema Neyman-Person berlaku, dan jika T (X) adalah
statistik cukup untuk θ dan g(t|θ) adalah densitas T bersesuaian dengan
θi, i = 0, 1. Maka setiap uji berdasar T dengan daerah penolakan S (him-
punan bagian dari ruang sampel T ) adalah uji UMP taraf α bila dipenuhi
kedua hal berikut:
Bab 5. Hipotesis Statistik 147 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
1. t ∈ Sbilag(t|θ1) > kg(t|θ)
2. t ∈ Scbilag(t|θ1) < kg(t|θ0)
untuk suatu k ≥ 0, dengan α = Pθ0(X ∈ S).
Bukti
Dalam sampel asal X uji berdasar T mempunyai daerah penolakan C =_
x:
T (_x) ∈ S . Dengan teorema faktorisasi densitas dapat ditulis sebagai
f(_x |θi) = g (T (
_x)|θi) h(
_x), i = 0, 1, untuk suatu fungsi tak negatif h(
_x).
Dengan mengalikan ketaksamaan pada nomer 1 di depan dengan fungsi
tak negatif ini, didapat C memenuhi
x ∈ Cbilaf(_x |θi) = g (T (
_x)|θi) h(
_x) > kg (T (
_x)|θ0) h(
_x) = kf(
_x |θ0).
dan
x ∈ Ccbilaf(_x |θi) = g (T (
_x)|θi) h(
_x) < kg (T (
_x)|θ0)h(
_x) = kf(
_x |θ0).
Juga dari pernyataan nomer 2 didapat:
Pθ0(X ∈ R) = Pθ0 ((T (_x) ∈ S) = α.
Jadi dengan syarat cukup dari Lemma Neyman-Pearson, Uji berdasar T
adalah uji UMP taraf α.q.e.d.
Contoh
Misalkan x ∼ binomial(2, θ). Uji H0 : θ = 1/2vsH1 : θ = 3/4. Dengan
menghitung rasio densitas didapat:
f(0 | δ = 34)
f(0 | δ = 12)
=1
4;
f(2 | δ = 34)
f(2 | δ = 12)
=3
4;
f(1 | δ = 34)
f(1 | δ = 12)
=9
4
Dengan memilih 34
< k < 94, maka Lemma Neyman-Pearson mengatak-
an bahwa uji yang menolak H0 bila x = 1 atau 2 adalah uji UMP taraf
α = p(x = 1atau2, θ = 1/2) = 34. Dengan memilih k < 1
4atau k > 3
4
menghasilkan UMP taraf α = 1atauα = 0.
Bab 5. Hipotesis Statistik 148 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Perhatikan bila k = 34, maka kita harus menolak H0 untuk titik sampel
x = 2 dan menerima H0 untuk x = 0 dan untuk x = 1 tak menentu. Tetapi
bila kita menerima H0 untuk x = 1 kita mendapatkan uji UMP taraf α = 14
supremium di atas. Bila kita menolak H0 untuk x = 1 kita mendapatkan
uji UMP taraf α = 34
seperti di atas.
Definisi
Hipotesa yang menyatakan bahwa parameter univariat besar, sebagai con-
toh H : θ ≥ θ0, atau kecil, sebagai contoh H : θ < θ0 disebut hipotesa satu
sisi. Sedangkan Hipotesa yang menyatakan bahwa parameter bisa besar
atau kecil, sebagai contoh, H : θ 6= θ0 disebut hipotesa dua sisi. Banyak
persoalan yang mempunyai uji UMP taraf α berhubungan dengan uji hi-
potesa satu sisi dan densitas yang mempunyai sifat monotone Likelihood
ratio.
5.3.3.4 Teorema Karlin-Rubin
Pandang uji hipotesa H0 : θ ≤ θ0vsH1 : θ > θ0. Misalkan T adalah statistik
cukup untuk θ dan keluarga densitas g(t|θ) : θ ∈ Ω dari T mempunyai
sifat MLR (monotone likelihood ratio). Maka untuk t0 uji yang menolak H0
bhb T > t0 adalah uji UMP taraf α, dengan α = Pθ0(T > t0).
Bukti
Karena densitas T mempunyai sifat MLR, fungsi kuasa β(θ) = Pθ0(T > t0)
tidak turun. Sehingga Supθ≤θ0β(θ) = β(θ0) = α dan ini adalah uji taraf α.
Dengan menggunakan bagian (b) dan (c) akibat teorema Neyman-Person,
dan didapat:
k1 = inft∈τg(t|θ1)
g(t|θ0)
dengan τ = t|t > t0dan g(t|θ1) > 0 atau g(t|θ0) > 0
Jadi menurut akibat teorema Neyman-Person di depan uji adalah UMP
taraf α. q.e.d.
Bab 5. Hipotesis Statistik 149 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
5.3.3.5 Daerah Kritik Terbaik
Misal C subset dari ruang sampel. C disebut daerah kritik terbaik berukur-
an α untuk uji hipotesis sederhana H0 : θ = θ′ lawan H1 : θ = θ′′ jika untuk
setiap subset A dari ruang sampel dengan P [(X1,X2, ..., Xn) ∈ A; H0] = α
berlaku
1. P [(X1,X2, ..., Xn) ∈ C; H0] = α
2. P [(X1,X2, ..., Xn) ∈ C; H1] ≥ P [(X1,X2, ..., Xn) ∈ A; H1]
Cara lain yang dapat digunakan menentukan daerah kritik terbaik adalah
dengan menggunakan teorea Neyman-Pearson.
Teorema Neyman-Pearson
Misalkan X1,X2, ..., Xn sampel random dari distribusi yang mempunyai
f.k.p f(x; θ). Selanjutnya f.k.p bersama dari X1,X2, ..., Xn adalah
L(θ; x1, x2, ..., xn) = f(x1; θ)f(x2; θ)...f(xn; θ) (5.14)
Misalkan θ′ dan θ′′ nilai tertentu dari θ yang berbeda sehingga Ω =
θ; θ = θ′, θ′′ dan misalkan k bilangan posistif. Jika C subset dari ruang
sampel sedemikian sehingga
1. L(θ′;x1,x2,...,xn)L(θ′′;x1,x2,...,xn)
≤ k ; ∀ titik (x1, x2, ..., xn) ∈ C
2. L(θ′;x1,x2,...,xn)L(θ′′;x1,x2,...,xn)
> k ; ∀ titik (x1, x2, ..., xn) ∈ C∗
3. α = P [(X1,X2, ..., Xn) ∈ C; H0]
Maka C adalah daerah kritik terbaik berukuran α untuk uji hipotesis se-
derhana H0 : θ = θ′ lawan hipotesis sederhana alternatif H1 : θ = θ′′
Satu hal yang ditegaskan oleh teorema ini adalah bahwa jika C himpunan
dari semua titik-titik (x1, x2, ..., xn) yang memenuhi
L(θ′; x1, x2, ..., xn)
L(θ′′; x1, x2, ..., xn)≤ k; k > 0 (5.15)
Bab 5. Hipotesis Statistik 150 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
maka sesuai dengan teorema, C merupakan daerah kritik terbaik. keti-
daksamaanini sering dinyatakan dalam bentuk (dengan c1 dan c2 suatu
konstanta)
u1(x1, x2, ..., xn ; θ′, θ′′) ≤ c1 (5.16)
atau
u2(x1, x2, ..., xn ; θ′, θ′′) ≤ c2 (5.17)
Pandang bentuk u1 ≤ c1. Karena θ′ dan θ′′ suatu konstanta,
u1(x1, x2, ..., xn ; θ′, θ′′) suatu statistik dan jika f.k.p dari statistik ini dapat
ditentukan kalau H0 benar maka tingkat signifikansi dari uji H0 lawan H1
dapat ditentukan dari distribusi ini.
Contoh
Diketahui X1,X2, ..., Xn sampel random dari distribusi yang mempunyai
f.k.p
f(x; θ) =1√2π
exp(−1
2(x − θ)2);−∞ < x < ∞ (5.18)
Akan diuji hipotesis sederhana H0 : θ = θ′ = 0 lawan hipotesis alternatif
H1 : θ = θ′′ = 1. Perhatikan bahwa
L(θ′; x1, x2, ..., xn)
L(θ′′; x1, x2, ..., xn)=
(1/√
2π)n [−(∑
x2i )/2]
(1/√
2π)n exp [−(∑
(xi − 1)2)/2](5.19)
uji di θ = θ′′ = 1
P (x ≥ c1; H1) =
∞∫
c1
1√2π√
1/nexp(−(x − 1)2
2(1/n)dx (5.20)
Untuk contoh di depan, jika n = 25 dan jika α = 0, 05 maka dari tabel
ditemukan c1 = 1,645√25
= 0, 329. Kekuatan dari uji ini dari H0 lawan H1
adalah 0, 05 kalau H0 benar dan
∞∫
0,329
1√2π√
1/25exp(−(x − 1)2
2(1/25)dx =
∞∫
−3,355
1√2π
e−w2/2dw = 0, 999,jika H1 benar
Bab 5. Hipotesis Statistik 151 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
5.4 Soal-Soal dan Pembahasan
1. Misalkan hipotesis yang diuji adalah parameter bernoulli p, yakni
H0 : p = 1/5 lawan H1 : p 6= 1/5
Misalkan pula dilakukan percobaan n = 60000 dengan hasil x =
12489. Dengan menggunakan kriterium daerah kritis 0, 05, hitunglah
x∗ yang memenuhi
P (X ≥ X ∗ |H0 benar) = 0, 05
Pembahasan :
Untuk lebih memudahkan perhitungan, kita gunakan teorema limit
pusat, sehingga
P (X ≥ X∗|H0benar) = P
[x − 60000(1/5)√60000(1/5)(4/5)
]
≥ X ∗ −60000(1/5√60000(1/5)(4/5)
dengan x−60000(1/5)√60000(1/5)(4/5)
berdistribusi normla standar. Karena P (Z ≥1, 64) = 0, 05 (dari tabel z), maka X∗ dapat dihitung dari persamaan
1, 64 =X ∗ −12000√
9600
Diperoleh X∗= 12161. Karena dari data eksperimen kita peroleh x =
12489 > 12161, maka kita simpulkan H0 ditolak.
2. Diketahui variabel random X dengan f.k.p,
f(x; θ) =1
θe−x/θ.
Uji hipotesis H0 : θ = 2 vs H1 : θ = 4. Dengan menggunakan sam-
pel random X1 dan X2 berukuran 2, diputuskan menolak H0 bila
C = (x1, x2); 9, 5 ≤ x1 + x2 < ∞ . Tentukan fungsi kekuatan uji dan
tingkat signifikani uji.
Bab 5. Hipotesis Statistik 152 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Pembahasan :
K(θ) = P (x1, x2) ∈ C
Jika H0 benar, θ = 2 maka fkp bersama dari X1 dan X2 adalah
f(x1; 2)f(x2; 2) = 1/4e−(x1+x2)/2; 0 < x1 < ∞, 0 < x2 < ∞= 0, untuk x yang lain
dan
P [(x1, x2) ∈ C] = 1 − P [(x1, x2) ∈ Cc]
= 1−9,5∫
0
9,5−x2∫
0
1/4e−(x1+x2)/2dx1dx2∼= 0, 05
Jika H1 benar, θ = 4, f.k.p bersama dari X1 dan X2 adalah
f(x1; 4)f(x2; 4) = 1/16e−(x1+x2)/4; 0 < x1 < ∞, 0 < x2 < ∞= 0 ; untuk x yang lain
Sehingga
P [(x1, x2) ∈ C] = 1−9,5∫
0
9,5−x2∫
0
1/16e−(x1+x2)/4dx1dx2∼= 0, 31
Jadi, kekuatan uji 0, 05 untuk θ = 2 dan 0, 31 untuk θ = 4. Karena
tingkat signifikansi adalah kekuatan uji bila H0 benar, maka tingkat
signifikansi tes ini adalah 0, 05.
Cara lain, dengan menggunakan tabel χ2(2). Misalkan x1 + x2 = Y
maka Y berdistribusi χ2(4). Kekuatan uji kalau H0 benar diberikan
oleh
P (Y ≥ 9, 5) = 1 − P (Y ≤ 9, 5) = 1 − 0, 95 = 0, 05
Kalau H1 benar, variabel random X/2 berdistribusi χ2(2) sehingga
variabel random Z = (x1 + x2)/2 berdistribusi χ2(4). Kekuatan uji
Bab 5. Hipotesis Statistik 153 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
bila H1 benar adalah
P (x1 + x2 ≥ 9, 5) = P (Z ≥ 4, 75) =
∞∫
4,75
1/4ze−z/2dz ∼= 0, 31
Karena tingkat signifikansi adalah fungsi kekuatan kalau H0 benar,
maka α = 0, 05
3. Pandang uji H0 : θ ∈ Ω0vsH1 : θ ∈ Ωc0. Misalkan uji berdasar statistik
cukup T dengan daerah penolakan S memenuhi tiga syarat berikut:
(a) Uji adalah uji taraf α
(b) Terdapat θ0 ∈ Ω0 sedemikian hingga Pθ0(T ∈ S) = α
(c) Misalkan g(t|θ) menyatakan densitas dari T . Untuk θ0 yang sa-
ma seperti dalam (b) dan untuk setiap θ1 ∈ Ωc0 terdapat k1 ≥ 0
sedemikian hingga
t ∈ Sbilag(t|θ1) > k1g(t|θ0)dant ∈ Scbilag(t|θ1) < k1g(t|θ0)
Tunjukkan uji ini adalah uji UMP taraf α dari H0 versus H1.
Pembahasan :
Misalkan β(θ) adalah fungsi kuasa dari uji dengan daerah penolakan
S. Tetapkan θ1 ∈ Ωc0. Pandang uji H1
0 : θ = θ0vsH11 : θ = θ1, menurut
akibat teorema Neyman-Person dan (a), (b), dan (c) mengakibatkan
β(θ1) ≥ β∗(θ1) dengan β∗(θ) fungsi kuasa untuk taraf α lain dari H10 ,
yaitu setiap uji yang memenuhi β(θ) ≤ α. Tetapi, setiap uji tanpa α
dari H0 memenuhi β∗ (θ0) ≤ sup β∗(θ) ≤ α.
Jadi β(θ1) ≥ β∗(θ1) untuk setiap uji taraf α dari H0. Karena θ1 seba-
rang maka soal terbukti.
4. Jika X1,X2, ..., Xn sampel random dari distribusi n(θ, 1) dengan me-
an θ tidak diketahui. Perlihatkan bahwa tidak ada uji paling kuat
seragam dari hipotesis sederhana H0 : θ = θ′
dimana θ′ tertentu la-
wan hipotesis gabungan alternatif H1 : θ 6= θ′. Ruang sampelnya
Ω = θ;−∞ < θ < ∞ .
Bab 5. Hipotesis Statistik 154 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Pembahasan :
Misalkan θ′′ suatu bilangan yang tidak sama dengan θ′ dan k bilang-
an positif. Perhatikan bahwa
(1/2π)n/2 exp [−∑(xi − θ′)2/2]
(1/2π)n/2 exp [−∑
(xi − θ′′)2/2]≤ k (5.21)
atau
exp
− (θ′′ − θ′)
n∑
i=1
xi +n
2
[(θ′′)2 − (θ′)2
]
≤ k (5.22)
atau
(θ′′ − θ′)
n∑
i=1
xi ≥n
2
[(θ′′)2 − (θ′)2
]− ln k (5.23)
Pertidaksamaan ini ekivalen dengan
n∑
i=1
xi ≥n
2(θ′′ + θ′) − ln k
(θ′′ − θ′)jika θ′′ > θ′ (5.24)
dan ekivalen ke
n∑
i=1
xi ≤n
2(θ′′ + θ′) − ln k
(θ′′ − θ′)jika θ′′ < θ′ (5.25)
Kedua ini mendifinisikan daerah kritik terbaik untuk uji H0 : θ0 = θ′
lawan H1 : θ = θ′′ bila θ′′ > θ′ dan θ′′ < θ′. Akan tetapi daerah kritik
terbaik uji hipotesis sederhana lawan hipotesis sederhana alternatif
θ = θ′ + 1 tidak seperti daerah kritik terbaik daerah kritik terbaik
H0 : θ = θ′
lawan hipotesis sederhana alternatif θ = θ′ − 1. Jadi
dalam kasus ini tidak ada uji paling kuat seragam.
5. Tentukan daerah kritik dari uji rasio likelihood untuk uji hipotesis
nol H0 : µ = µ0 lawan H1 : µ 6= µ0 yang didasarkan sampel random
berukuran n dari populasi normal dengan varians σ2 diketahui.
Pembahasan :
Karena ω = µ0 maka L(ω) = L(µ0). Karena Ω = ℜ maka dengan
menggunakan metode likelihood maksimum diperoleh µ = x se-
Bab 5. Hipotesis Statistik 155 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
hingga
L(ω) =
(1
σ√
2π
)n
exp
[− 1
2σ2
n∑
i=1
(xi − µ0)2
]
dan
L(Ω) =
(1
σ√
2π
)n
exp
[− 1
2σ2
n∑
i=1
(xi − x)2
]
sehingga
λ = exp[− n
2σ2(x − µ0)
2]
Daerah kritiknya adalah
exp[− n
2σ2(x − µ0)
2]≤ k
atau
(x − µ0)2 ≥ −2σ2
nln k
atau
|x − µ0| ≥√
− (2σ2 ln k) /n
dengan k akan ditentukan sehingga ukuran daerah kritik adalah α.
Jadi daerah kritiknya adalah
x : |x − µ0| ≥
√− (2σ2 ln k) /n
6. Diketahui X variabel random dengan distribusi n(θ1, θ2) dan misalk-
an ruang parameter Ω = (θ1, θ2);−∞ < θ1 < ∞, 0 < θ2 < ∞ . Hipo-
tesis gabungan H0 : θ1 = 0, θ2 > 0 dan hipotesis gabungan alternatif
H1 : θ1 6= 0. Himpunan ω = (θ1, θ2); θ1 = 0, 0 < θ2 < ∞ adalah
subset dari Ω dan H0 : (θ1, θ2) ∈ ω. Tentukan uji H0 lawan H1.
P embahasan :
Misalkan X1,X2, ..., Xn sampel random yang berukuran n > 1 dari
distribusi ini. Distribusi bersama dari X1,X2, ..., Xn disetiap titik da-
Bab 5. Hipotesis Statistik 156 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
lam Ω adalah
L(θ1,θ2; x1, x2, ..., xn) =
(1
2πθ2
)n/2
exp
(−∑
(xi − θ1)
2θ2
)2
= L(Ω)
Distribusi bersama dari X1,X2, ..., Xn disetiap titik dalam ω adalah
L(0, θ2; x1, x2, ..., xn) =
(1
2πθ2
)n/2
exp−∑
(xi)
2θ2
2
= L(ω)
Sekarang akan ditentukan L(ω) dan L(Ω). Perhatikan bahwa
d lnL(ω)
dθ2
= 0
− n
2θ2
+
∑(xi)
2θ2
2
= 0
Diperoleh
θ2 =1
n
n∑
i=1
(xi)2
Sehingga
L(ω) =
(ne−1
2π∑
(xi)2
)n/2
Dengan cara analog (dengan metode likelihood maksimum) dipero-
leh
θ1 = x dan θ2 =
n∑
i=1
(xi − x)2/n
sehingga
L(Ω) =
[ne−1
2π∑
((xi − x)2/n)
]n/2
Karena itu,
λ =
[∑(xi − x)2
∑(xi)
2
]n/2
Bab 5. Hipotesis Statistik 157 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Jadi daerah kritik rasio likelihood adalah
[∑(xi − x)2
∑(xi)
2
]n/2
≤ k
atau x :
∑(xi − x)2
∑(xi)
2 ≤ k2/n
7. Misalkan x1, x2, x3random variabel independen berdistribusi
B (1, P ). Uji hipotesis H0 : P = 0, 25 dengan tingkat signifikasi α
berdasarkan LR Test Statistic dan dapatkan distribusinya!
Pembahasan :
xi ∼ B (1, P ) ⇒ P (xi = xi) = pxi (1 − P )1−xi , xi = 0, 1 i = 0, 1, 2, 3
L (P | x) = π3i=1P (xi = xi)
= P x1 (1 − P )1−x1 .P x2 (1 − P )1−x2 .P x3 (1 − P )1−x3
= P x1+x2+x3 (1 − P )3−x1.x2.x3
= PΣ3i=1xi (1 − P )3−Σ3
i=1xi
Diuji hipotesis H0 : P = 0, 25 vs H1 : P 6=, 25
Pandang Ruang Parameter:Ω0 = P = 0, 25Ω = P | 0 < P < 1
Di bawah Ω0didapat PΛ = P0 = 0, 25 , di bawah Ωdidapat MLE-P
adalah PΛ =Σ3
i=1xi
3
Sebab:logL (P | x) = Σ3
i=1xi.logP + (3 − Σ3i=1xi) logP (1 − p)
d.logL(P |x)dp
=Σ3
i=1x
P+ (3 − Σ3
i=1xi) .−11.p
0 =(1−PΛ)Σ3
i=1x−PΛ(3−Σ3i=1xi)
PΛ(1−PΛ)
PΛ =Σ3
i=1xi
3
= x
λ (x) =SupPǫΩ0
L(P |x)
SupPǫΩL(P |x)
= (0,25)Σ3i=1xi(0,75)3−Σ3
i=1xi
(Σxi3 )
Σx(1−Σxi
3 )(0,75)
3−Σ3i=1
xi
=(
3(0,25)
Σ3i=1xi
)Σ3i=1xi
(3(0,75)
3−Σ3i=1xi
)3−Σ3i=1xi
Bab 5. Hipotesis Statistik 158 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
λ (x)adalah fungsi ........... dari Σ3i=1xi
Daerah kritik untuk uji ini adalah
λ < C0
atau
(0, 75
Σ3i=1xi
)Σ3i=1xi
(2, 25
3 − Σ3i=1xi
)3−Σ3i=1xi
< C0
Dibawah H0Σ3i=1xi ∼ B (3, P = 0, 25) maka daerah kritik uji ini
adalah berbentuk pasangan.
Σxi < C∗0dan Σxi > C∗∗
0
Dimana C∗0dan C∗∗
0 dapat ditung berdasarkan tingkat signifikasi
αyang ditentukan dan distribusi binomial n − 3 dan p − 0, 25 maka
hubungan:
P(Σ3
i=1xi < C∗0
)≈ α2 dan
P(Σ3
i=1xi > C∗∗0
)≈ α2
Jadi distribusi yang digunakan dalam uji ini adalah distribusi
Binomial dengan trial = 3 dan Probabilitas sukses p = 0, 25. Se-
dangkan untuk n besar dapat digunakan pendekatan −2logλyang
berdistribusi Asimtotik X2(1).
8. Misalkan X1, X2, ...., X30(n = 30) barisan variabel random berdistri-
busi Gamma dengan α = 10 dan β tidak diketahui. Kontruksikanlah
MP test dari hipotesis H0 : β = 2 vs H1 : β = 3, pada level signifikasi
0, 05.
Pembahasan :
(a) Diketahui Xi ∼ G (α, β) maka densitas dari Xi adalah:
f (Xi | β) = 1r(α)βα xα−1e−xiβ; xi > 0, α > 0, dan β > 0
Bab 5. Hipotesis Statistik 159 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Dengan ruang parameter:
Ω0 = (α, β) | α = 10; β = 2Ω = (α, β) | α = 10; β = 3 > β0 = 2
(b) Densitas bersama dari xipada Ω0adalah
f0 (x | β0) =[
1r(10)210
]30π30
i=1x9e−
12Σ30
i=1xi
(c) Densitas bersama dari xipada Ωadalah:
f1 (x | β1) =[
1r(10)310
]30π30
i=1x9e−
13Σ30
i=1xi
(d) Rasio Likehoodnya adalah:
R (Z, β0, β1) = f1(x|β1)f0(x|β0)
=
h1
r(10)310
i30π30
i=1x9e−13 Σ30
i=1xi
h1
r(10)210
i30π30
i=1x9e−12 Σ30
i=1xi
=π30
i=1x9e−13Σ30
i=1xi
h1
r(10)310
i30 .π30
i=1x9e−12 Σ30
i=1xi
h1
r(10)210
i30
=[
23
]300.e−
13Σ30
i=1xi+12Σ30
i=1xi
=[
23
]300.e
16Σ30
i=1xi > C
(e) Dengan C suatu konstantaa tertentu, jadi dapat ditulis:
[2
3
]300
.e16Σ30
i=1xi > C atau
[2
3
]300
Ambil logaritma kedua ruas, diperoleh:
16Σ30
i=1xi > Log C − 300 Log 23
= Log C − 300 (Log 2 − Log 3)
= Log C − 300 (0, 3010 − 0, 4771)
= Log C + 52, 83
Σ30i=1xi > 6 (Log C + 52, 83) = C0
Jadi HP testnya berbentuk:
Ø (Z) =
1;Jika Σ30
i=1xi > C0
0; Jika Σ30i=1xi ≤ C0
(f) Karena Σxi ∼ G (nβ, α), maka C0dapat dihitung berdasarkan:∫∞
C0
1r(300)2300 Y
299e−Y 2dy = 0, 05 dengan Y = Σxi
Bab 5. Hipotesis Statistik 160 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
9. Misalkan X1, X2, ...., X30(n = 30) variabel random independen ber-
distribusi N (µ, σ2)dengan µ tidak diketahui dan σ diketahui. Tun-
jukkan sampel size ndapat ditentukan, sehingga uji hipotesis H0 :
µ = 0 vs hipotesis H1 : µ = 1dapat dilakukan bila nilai-nilai αdan
β telah ditentukan sebelumnya. Berapakah nilai numeris dari n, jika
α = 0, 05, β = 0, 9, dan σ = 1?
Pembahasan
(a) Xi ∼ G (µ, σ2) maka densitas dari Xiadalah:
f (Xi | µ) = (2πσ2)−12
e1
2σ2 (Xi−µ)2 ;-∞ < x < ∞Dengan ruang parameter:
Ω0 = (α, σ2) | µ = 0; σ > 0Ω = (α, σ2) | −∞ < µ < ∞; σ > 0, µ = 1
(b) Densitas bersama dari xipada Ω0adalah:
f0 (x | µ = 0) = (2πσ2)−n2
e−1
2σ2 Σni=1x2
i
(c) Densitas bersama dari xipada Ωadalah:
f1 (x | µ = 1) = (2πσ2)−n2
e−1
2σ2 Σni=1(xi−1)2
(d) Rasio Likehoodnya adalah:
R (Z, µ0, µ1) = f1(x|µ=1)f0(x|µ=0)
= e−1
2σ2 Σni=1x2
i− 12σ2 Σn
i=1(xi−1)2
= e−1
2σ2 Σni=1x2
i− 12σ2 Σn
i=1(x2i−2xi+1)
= e−1
2σ2 Σni=1x2
i − nσ2 > C
(5.26)
dengan C suatu konstanta tertentu. Bentuk di atas dapat ditulis:
e1
σ2 Σni=1xi.e
nσ2 > C
e1
σ2 Σni=1xi > e
nσ2
(5.27)
Ambil logaritma kedua ruas diperoleh:1σ2 Σ
ni=1xi > n
σ2 + LogC
Σni=1xi > n
2+ σ2LogC
AtauΣn
i=1xi
n> 1
2+ σ2
nLogC = C0 ⇒ X > C0
Bab 5. Hipotesis Statistik 161 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
(e) Jadi HP testnya berbentuk:
Ø (Z) =
1;Jika X > C0
0; Jika X ≤ C0
denganX =1
nΣn
i=1xi (5.28)
(f) Karena xi ∼ N (µ, σ2), maka x ∼ N (µi, σ2n) ; i = 0, 1..C0 di-
tentukan dengan:
Eµ0 [Ø (Z)] = Pµ0 (x > C0) = α
1 − Pµ0 (x ≤ C0) = 0, 05
Pµ0 (x ≤ C0) = 1 − 0, 05
= 0, 95
Atau:
Pµ0
(x−µ0x
σx≤ C0−µ0x
σx
)= 0, 95
Pµ0
(Z ≤ C0−µ0x√
1n
)= 0, 95
Pµ0 (Z ≤ C0
√n) = 0, 95
(g) Dengan menggunakan tabel distribusi normal starndard dipe-
roleh:
Pµ0 (Z ≤ 1, 645) = 0, 95 sehingga didapat
C0
√n = 1, 645 (5.29)
Karena β = 0, 9dan berdasarkan di atas diperoleh:
Eµ1 [Ø (Z)] = 1 − 0, 9 = 0, 1 (1 − β = P )
tidak menolak H0 | H1salah.
Pµ1 (x ≤ C0) = 0, 1
Pµ1
(x−µ0x
σx≤ C0−µ0x
σx
)= 0, 1
Pµ1
(Z ≤ C0−µ0x√
1n
)= 0, 1
Pµ1 (Z ≤ C0
√n) = 0, 1
(h) Dengan menggunakan tabel distribusi normal standard dipero-
leh:
Pµ1
(Z ≤ C0
√n)
= 0, 1
Bab 5. Hipotesis Statistik 162 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Sehingga diperoleh:
√n (C0 − 1) = −1, 28 (5.30)
Dari (3) dan (4) diperoleh:
C0
√n −√
n = −1, 28
1, 64 −√n = −1, 28
√n = 1, 64 +1, 28 = 2, 92
Atau
n = (2, 92)2 = 8, 53 ≃ 9
Jadi nilai n yang ditanyakan adalah sekitar 9. Jika niali n = 9
disubstitusikan ke (3) diperoleh C0 = 0, 55 sehingga MP Testnya
adalah:
Ø (Z) =
1;Jika X > 0, 55
0; Jika X ≤ 0, 55denganX =
1
nΣn
i=1xi
Dengan kata lain H0ditolak apabila X > 0, 55,H0diterima
apabila X ≤ 0, 55
10. Misalkan x1, x2, ..., x30variabel random independen berdistribusi
N (µ, σ2). Jika x = 3, 2, kontruksilah MP test dari hipotesis H0 : µ =
3; σ2 = 4vs hipotesis alternatif H1 : µ = 3, 5; σ2 = 4pada level signifi-
kasi α = 0, 01
Penyelesaian
• Xi ∼ N (µ, σ2)densitas dari Xiadalah
f (Xi | µ, σ2) = (2πσ2)−12
e−1
2σ2 (xi−µ)2
Dengan ruang parameter:
Ω0 = µ = 3; σ2 = 4Ω = −∞ < µ < ∞; σ2 > 0, µ = 1Ωc
0 = µ = 3, 5; σ2 = 4
Bab 5. Hipotesis Statistik 163 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Densitas bersama dari xipada Ω0adalah:
f0 (x | µ, σ2) = (2π.4)−50 e−18Σ100
i=1(xi−3)2
= (8π)−50 e−18Σ100
i=1(x2i−6xi+9)
2
= (8π)−50 e−18Σ100
i=1x2i + 6
8Σ100
i=1x2i−112,5
• Densitas bersama dari xipada Ωc0adalah:
f1 (x | µ, σ2) = (2π.4)−50 e−18Σ100
i=1(xi−3,5)2
= (8π)−50 e−18Σ100
i=1(x2i −7xi+12,25)
2
= (8π)−50 e−18Σ100
i=1x2i + 7
8Σ100
i=1x2i −153,125
• Rasio Likehoodnya adalah:
R (z, µ0, µ1) =f1(x|µ,σ2)f0(x|µ,σ2)
= (8π)−50e−18Σ100
i=1x2i + 7
8Σ100i=1x2
i −153,125
(8π)−50e−18 Σ100
i=1x2
i+6
8 Σ100i=1
x2i−112,5
= e−18Σ100
i=1x2i−40,62,5 > C
(5.31)
dengan C suatu konstanta tertentu.
Bentuk (1) diatas dapat ditulis sabagai:
e−18Σ100
i=1x2i > e40,62,5.C (5.32)
ambil logaritma kedua ruas pertidaksamaan (2), diperoleh:
18Σ100
i=1x2i > 40, 62, 5 + LogC
Σ100i=1x
2i > 325 + 8LogC
Jadi diperoleh:Σ100
i=1xi
100> 325 + 8
100LogC = C0
Sehingga MP tes dari uji hipotesis diatas berbentuk,
Ø (Z) =
1;Jika X > C0
0; Jika X ≤ C0
denganΣ100
i=1xi
100= 3, 2
Karena xi ∼ N (µ, σ2)dengan n=100, maka
x ∼ N
(µi,
σ2
n
)= N
(µi,
4
100
): 1 = 0, 1
Bab 5. Hipotesis Statistik 164 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
C0ditentukan dengan Eµ0 [Ø (Z)] = Pµ0 (x > C0) = αdengan
α=0,01
Jadi:
Eµ0 [Ø (Z)] = Pµ0 (x > C0) = Pµ0 (x > C0)
1 − Pµ0
(X ≤ C0
)= 0, 01
Pµ0
(X ≤ C0
)= 1 − 0, 01 = 0, 99
Bentuk ini diubah kebentuk distribusi normal standars, sebagai
berikut:
Pµ0
(X−µ0X
σX≤ C0−µ0X
σX
)= 0, 99
Pµ0
(Z ≤ C0−3
σX
)= 0, 99
Ø(
C0−3210
)= 0, 99
Pµ0 (Z ≤ 5C0 − 15) = 0, 99
dengan σX =
√4
100=
2
10, µ0 = 3
Dengan menggunkan tabel distribusi normal standard dipero-
leh
Pµ0 (Z ≤ 2, 33) = 0, 99, sehingga diperoleh:
5C0 − 15 = 2, 33 ⇒ 5C0 = 17, 33
C0 = 17,335
= 3, 466
Jadi MP test dari uji hipotesis diatas adalah:
Ø (Z) =
1;Jika X > 3, 466
0; Jika X ≤ 3, 466
Dengan kata lain: Karena X = 3, 2 < C0 = 3, 466maka H0tidak
ditolak pada tingkat signifikasi α = 0, 01
11. Misalkan X variabel random yang densitasnya uniform
µ (0, 1)disimbolkan dengan f0 atau berdistribusi triangular pa-
da interval [0, 1]disimbolkan dengan , dimana f1berbentuk:
Bab 5. Hipotesis Statistik 165 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f1 =
4x ; 0 ≤ x < 12
4 − 4x ; 12≤ x ≤ 1
0 ; otherwise
yang didasarkan pada observasi tungal X. Konstruksilah MP test da-
ri hipotesis H0 : f = f0vs hipotesis H1 : f = f1pada level signifikansi
α = 0, 05
Penyelesaian:
• Diuji hipotesis H0 : f0(x) = 1I[0,1] (x) vs H1 : f1 (x)
Bentuk: Ω = θ0, θ1dengan f (x | θ0) = f0(x); 0 ≤ x ≤ 1dan
f (x | θ1) = f1(x); 0 ≤ x ≤ 1
X ∼ (0, 1)maka densitas dari X adalah:
f (x | θ0) = f0(x) =1
1 − 0; 0 ≤ x ≤ 1
Disini: f (x | θ0) = f0(x)danf (x | θ1) = f1(x)karena observasi
didasarkan pada observasi tunggal pada X.
Rasio Likehoodnya adalah:
f (x | θ1)
f (x | θ0)=
f1(x)
f0(x)= f1(x) =
4x ; 0 ≤ x < 12
4 − 4x ; 12≤ x ≤ 1
0 ; otherwise
Jadif1(x) > C ⇔ 4x > C atau 4 − 4x > C
⇔ x > C4 atau x < 1 − 1/4C
Dengan C suatu konstanta tertentu.
sebut,C4 = C ′0dan 1 − 1/4C”maka MP tes dari uji hipotesis
tersebut akan terbentuk:
Ø (Z) =
1;Jika X > C
4= C ′
0atau x < 1 − 1/4C = C0”
0; Jika X ≤ C0 dan x ≥ C0”
Nilai C ′0dan C0”dihitung dengan Eθ0 [Ø (x)] = αdengan α =
0, 05, yaitu
• Eθ0 [Ø (x)] = 1.Pθ0 (x > C ′0) + 1.Pθ0 (x < C0”) + 0.Pθ0 (x ≤ C ′
0) +
Bab 5. Hipotesis Statistik 166 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
0.Pθ0 (x ≥ C0”) = 0, 05
⇐⇒= Pθ0 (x > C ′
0) + Pθ0 (x < C0”) = 005
= Pθ0 (x > C ′0) + 1 − Pθ0 (x < C0”) = 0, 05
=∫ 1
c′odx + 1 −
∫ 1
co”dx = 0, 05
=∫ 1
c4dx + 1 −
∫ 1
1− c4dx = 0, 05
= [x]1c4
+ 1 −∫ 1
1− c4dx = 0, 05
= 1 − c4
+ 1 − [x]11− c4
= 0, 05
= 1 − c4
+ 1 −(1 −
(1 − c
4
))= 0, 05
= 2 − c4− 1 + 1 − c
4= 0, 05
= 2 − c4
= 0, 05
atauc2
= 2 − 0, 05 = 1, 95
C = 2 (1, 95) = 3, 9
Jika harga c=3,9 ini disubstitusikan masing-masing ke
C ′0 = c
4diperoleh C ′
0 = 3,94
= 0, 975dan
C0” = 1 − c4
= 1 − 0, 975 = 0, 025.
Jadi diperoleh harga C ′0 = 0, 975 dan C0” = 0, 025. Sehingga MP tes
dari uji hipotesis tersebut adalah:
Ø (x) =
1 ; Jika x > 0, 975 atau
x < 0, 025
0 ; Jika x ≤ 0, 975 dan
x ≥ 0, 025
Dengan kata lain: H0(Hipotesa nol) ditolak jika x > 0, 975atau
x < 0, 025 dan H0diterima pada 0, 025 ≤ x ≤ 0, 975. Seperti yang
diilustrasikan gambar berikut:
12. Misalkan x1, x2, ..., xnvariabel random iid dengan densitas (pdf)
f0atau f1, diman f0berdistribusi P (1) dan f1berdistriubusi geome-
tris dengan P = 12. Tentukan MP tes dari hipotesis H0 : f = f0vs
H1 : f = f1pada level signifikansi α = 0, 05
Penyelesaian:
Bab 5. Hipotesis Statistik 167 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Diuju hipotesisH0 : f = f0 (x) = e−1
x!V S
H1 : f = f0 (x) =(1 − 1
2
)x−1.12
=(
12
)x−1.12
=(
12
)x
Bentuk Ω = θ0, θ1dengan f (x | θ0) = f0 (x) = e−1
x!dan
f (x | θ1) = f1 (x) =(
12
)x−1.12
• Densitas bersama dari Xiuntuk θ0adalah:
f (x | θ0) =e−n
πni=1xi!
dan densitas bersama dari xiuntuk θ1adalah:
f (x | θ1) =(
12
)Σni=1xi−n (1
2
)n
=(
12
)Σni=1xi .
(12
)−n.(
12
)n
=(
12
)Σni=1xi
• Rasio Likehoodnya adalah:
R (Z, f0, f1) = f(x|θ1)f(x|θ0)
=( 1
2)Σn
i=1xi
e−n
πni=1
xi!
=πn
i=1xi!“
12
πni=1xi
”
e−n
dengan C suatu konstanta tertentu. Atau bentuk diatas dapat
ditulis sebagai:
πni=1xi!
(1
2
πni=1xi
)> C.e−n (5.33)
Ambil logaritma kedua ruas dari (1) diperoleh:
Logπni=1xi! + Σn
i=1xilog(
12
)> logC − n
Σni=1xilogxi + Σn
i=1xilog(
12
)> logC − n
Σni=1xilogxi + Σn
i=1xi log1 − log2 > logC − n
Σni=1xilogxi + Σn
i=1xi 0 − 0, 3010 > logC − n
Σni=1xilogxi − 0, 3010Σn
i=1xi > logC − n
Misalkan: logxi = timaka, xi = eti
Jadi: Σni=1ti − 0, 3010Σn
i=1eti > Log − n
Bab 5. Hipotesis Statistik 168 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
13. Mislakan x1, x2, ...., xnvariabel random iid dengan
densitas (pdf) sebagai berikut: (i). f (x | θ) =θα
r(α)xα−1e−θxI(0,∞) (x) ; θǫΩ = (0,∞)α diketahui > 0 (ii). f (x | θ) =
θr
(r + x − 1
x
)(1 − θ)x IA (x) ; A = 0, 1, 2... θǫΩ = (0, 1).
Tunjukkan densitas bersama dari (i) dan (ii) mempunyai sifat MLR
(Monotone Likehood Ratio) dalam V (x1, x2, ..., xn).
Penyelesaian:
(i). Densitas bersama dari xiadalah:
f (x | θ) =[
θα
r(α)
]nπn
i=1xα−1i e−θΣn
i=1xi
Keluarga distribusi ini adalah keluarga distribusi eksponensial,
sebab keluarga tersebut dapat ditulis ke dalam bentuk:
f (x | θ) = C (θ) eQ(θ)T (x)h (x) (5.34)
dengan:
C (θ) =[
θα
r(α)
]n; Q (θ) = −θ
T (x) = Σni=1xi ; h (x) = πn
i=1xα−1i
Jelas Q (θ) = −θdecreasing pada (0,∞), sebab Q (θ) = −1 < 0. Jadi
berdasarkan proposisi 1 halaman 277 dari Roussas, keluarga ekpo-
nensial diatas memiliki sifat MLR dalam v (x) = −T (x) = −Σni=1xi.
(ii). Densitas bersama dari xiadalah:
f (x | θ) = θnrπ
(r + x − 1
x
)
(1 − θ)Σni=1xi
= θnrπ
(r + x − 1
x
)eΣn
i=1xiLog (1 − θ)
14. X ∼ Bin (θ, n) . Misalkan Ø (x)adalah uji UMP untuk H0 : θ ≤θ0vs H1 : θ > θ0. Untuk n=6;θ0 = 0, 25 dan α = 0, 05; 0, 1 dan 0, 2.
Tentukan uji bersama-sama dengan β (θ) fungsi kuasa untuk θ0 =
0, 3; θ0 = 0, 4.
Penyelesaian:
Bab 5. Hipotesis Statistik 169 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
x ∼ Bin (θ, n), maka densitas dari x adalah:
f (x | θ) =
(n
x
)
θx (1 − θn−x)
=
(6
x
)0, 25x (1 − 0, 25)6−x
=
(6
x
)0, 25x0, 75x
Densitas bersama dari x adalah:
f (x | θ) = πni=1
(6
x
)0, 25Σx0, 7536−Σx
= π6i=1
(6
xi
)0, 7536
(0,250,75
)Σ6xi
= π6i=1
(6
x
)0, 7536
(13
)Σ6xi
= π6i=1
(6
xi
)0, 7536eΣ6xilog( 1
3)
Jelas bentuk terakhir ini adalah berbentuk keluarga ekponensial
dengan:
c (θ) = 0, 7536 ; h (x) = π6i=1
(6
xi
)
T (x) = Σsxi dan Q (θ) = Log(
13
)
Jadi bentuk UMP tes diatas adalah:
Ø (x) =
1 jika x > c
γ jika x = c
0 bagi yang lain
; dengan Σn=1i=1 xi = X ∼ Binθ
• Sekarang dilihat untuk H0 : θ < 0, 3vsH1 : θ > 0, 3untuk
α = 0, 05
Bab 5. Hipotesis Statistik 170 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Eθ0 [Ø (x)] = Pθ0 (x > c) + γPθ0 (x = c) = 0, 05
1 − Pθ0 (x ≤ c) + γPθ0 (x = c) = 0, 05
Pθ0 (x ≤ c) − γPθ0 (x = c) = 0, 95
Dengan menggunakan tabel binomial untuk n = 6; θ0=0,3
diperoleh: untuk c = 4 diperoleh P0,3(x ≤ c) = 0, 9868
Jadi:P0,3 (x = 4) = P0,3 (x ≤ 4) − P0,3 (x ≤ 3)
= 0, 9868− 0, 9192 = 0, 0676
Sehingga diperoleh:
0, 9868− γ (0, 0676) = 0, 95
γ (0, 0676) = 0, 0368
γ = 0, 5444
Jadi UMP tes diatas menjadi:
Ø (x) =
1 jika x > 4
0, 54444 ; jika x = 4
0 bagi yang lain
Dengan kata lain:
H0ditolak apabila x > 4
H0ditolak dengan kendala 0,54444 Jika x = 4
Power of the test di 0,7 adalah:
βØ (0, 7) = P0,7 (x > 4) + 0, 54444P0,7 (x = 4)
= P0,3 (x ≤ 1) + 0, 54444P0,3 (x = 24)
= 0, 3936 + (0, 54444) [P0,3 (x ≤ 2) − P0,3 (x ≤ 1)]
= 0, 3936 + (0, 54444) . (0, 7208− 0, 3936)
= 0, 3936 + 0, 1781
= 0, 5717
Dengan fungsi kuasa di 0,3
β (θ) = PθǫΩ1 (x > 4) + 0, 544PθǫΩ1 (x > 4)
= Σ6x=4
(6
x
)
θx (1 − θ)6−x + 0, 544
(6
x
)
θ4 (1 − θ)2
• H0 : θ ≤ 0, 3 vs H1 : θ > 0, 3untuk α = 0, 1.
Bab 5. Hipotesis Statistik 171 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Eθ0Ø (x) = Pθ0 (x > c) + γ.Pθ0 (x = c) = 0, 1
= 1 − Pθ0 (x ≤ c) + γ.Pθ0 (x = c) = 0, 1
Pθ0 (x ≤ c) − γ.Pθ0 (x = c) = 0, 9
(5.35)
Dengan menggunakan tabel binomial untuk n=6; θ0 = 0, 3untuk
c = 3 diperoleh Pθ0 (x ≤ c) = 0, 9192.
Jadi:
Pθ0 (x = 3) = Pθ0 (x = 3) − Pθ0 (x ≤ 2)
= 0, 9192− 0, 7208 = 0, 1994
Sehingga, jika nilai-nilai ini disubstitusikan ke * diperoleh:
0, 9192− γ (0, 1994) = 0, 9
γ = 0,9192−0,90,1994
= 0, 0962
Sehingga UMP tes untuk hipotesa ini adalah:
Ø (x) =
1 ; jika x > 3
0, 0962 jika x = 3
0 bagi yang lain
Dengan kata lain:
H0ditolak apabila x > 3
H0ditolak dengan probabilitas 0,0962 jika x = 3
Power of the tes di 0,7 adalah:
βØ (0, 7) = P0,7 (x > 3) + 0, 0962P0,7 (x = 3)
= P0,3 (x ≤ 2) + 0, 0962P0,3 (x = 3)
= 0, 7208 + 0, 0962 [P0,3 (x ≤ 3) − P0,3 (x ≤ 2)]
= 0, 7208 + 0, 0962 [0, 9192 − 0, 7208]
= 0, 7399
Fungsi kuasa: β (θ) = Σ
(6
x
)
θx (1 − θ)6−x +
0, 0962
(6
x3
)θ3 (1 − θ)3
• H0 : θ ≤ 0, 3vs H1 : θ > 0, 3untuk α = 0, 2
Bab 5. Hipotesis Statistik 172 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Eθ0Ø (x) = Pθ0 (x > c) + γPθ0 (x = c) = 0, 2
= 1 − Pθ0 (x ≤ c) + γPθ0 (x = c) = 0, 2
Pθ0 (x ≤ c) − γPθ0 (x = c) = 0, 8
(5.36)
Dengan tabel distrbusi binomial untuk n = 6 dan
θ0 = 0, 3diperoleh: untuk c = 3, maka P0,3 (x ≤ c) = 0, 9192.
Jadi:
P0,3 (x = 3) = P0,3 (x = 3) − P0,3 (x ≤ 2)
= 0, 9192− 0, 7208 = 0, 1994
Harga-harga ini disubstitusikan ke * diperoleh 0,9192-γ0,1994 =
0,8 ⇒γ= 0,9192−0,8
0,1994= 0, 6132
Sehingga UMP test untuk hipotesa ini adalah:
Ø (x) =
1 ; jika x > 3
0, 6132 ; jika x = 3
0 ; bagi yang lain
Dengan kata lain:
H0ditolak jika x > 3
H0ditolak jika x = 3dengan probabilitas 0,6132.
Power of the tes di 0,7 adalah:
βØ (0, 7) = P0,7 (x > 3) + 0, 6132P0,7 (x = 3)
= P0,3 (x ≤ 2) + 0, 6132P0,3 (x = 3)
= 0, 7208 + 0, 0962 [P0,3 (x ≤ 3) − P0,3 (x ≤ 2)]
= 0, 7208 + 0, 6132.0, 1852
= 0, 8344
H0 : θ ≤ 0, 4 VS H1 : θ > 0, 4, dengan α = 0, 05.
Eθ0Ø (x) = P0,4 (x > c) + γP0,4 (x = c) = 0, 05
= 1 − P0,4 (x ≤ c) + γP0,4 (x = c) = 0, 05
P0,4 (x ≤ c) − γP0,4 (x = c) = 0, 95
(5.37)
Bab 5. Hipotesis Statistik 173 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Dengan tabel distribusi binomial untuk n = 6; θ0 = 0, 4
diperoleh untuk c = 4, maka P0,4 (x ≤ 4) = 0, 9590. Jadi
P0,4 (x = 4) = 0, 1382.
Substitusikan nilai-nilai ini * diperoleh:
0, 9590 − γ0, 1382 = 0, 95 ⇒ γ = 0.0651
Sehingga UMP tes untuk hipotesa ini adalah:
Ø (x) =
1 ; jika x > c = 4
0, 0651 ; jika x = 4
0 ; bagi yang lain
Power of the tes di 0,6 adalah:
βØ (0, 6) = P0,6 (x > 4) + 0, 0651P0,6 (x = 4)
= P0,4 (x ≤ 1) + 0, 0651P0,4 (x = 2)
= 0, 2333 + 0, 0651.0, 3110
= 0, 2535
Untuk α = 0, 1
Eθ0Ø (x) = P0,4 (x > c) + γP0,4 (x = c) = 0, 1
= 1 − P0,4 (x ≤ c) + γP0,4 (x = c) = 0, 1
P0,4 (x ≤ c) − γP0,4 (x = c) = 0, 9
(5.38)
Dengan tabel distribusi binomial untuk n = 6; θ0 = 0, 4
diperoleh untuk c = 4, maka P0,4 (x ≤ 4) = 0, 9590. Jadi
P0,4 (x = 4) = 0, 1382.
Substitusikan nilai-nilai ke ** diperoleh:
0, 9590 − γ.0, 1382 = 0, 9 ⇒ γ = 0, 4269.
Sehingga UMP tes untuk hipotesa ini adalah:
Ø (x) =
1 ; jika x > 4
0, 4269 ; jika x = 4
0 ; bagi yang lain
Power of the tes di 0,6 adalah:
Bab 5. Hipotesis Statistik 174 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
βØ (0, 6) = P0,6 (x > 4) + 0, 4269P0,6 (x = 4)
= P0,4 (x ≤ 1) + 0, 4269P0,4 (x = 2)
= 0, 2333 + 0, 4269.0, 3110
= 0, 3660
Untuk α = 0, 2:
Eθ0Ø (x) = P0,4 (x > c) + γP0,4 (x = c) = 0, 2
= 1 − P0,4 (x ≤ c) + γP0,4 (x = c) = 0, 2
P0,4 (x ≤ c) − γP0,4 (x = c) = 0, 8
(5.39)
Dari tabel distribusi binomial pada n = 6; θ0 = 0, 4 diperoleh un-
tuk c = 3, maka P0,4 (x ≤ 3) = 0, 8208. Jadi P0,4 (x = 4) = 0, 2765.
Substitusikan nilai-nilai ke *** diperoleh:
0, 8208 − γ.0, 2765 = 0, 8 ⇒ γ = 0, 0752.
Sehingga UMP tes untuk hipotesa ini adalah:
Ø (x) =
1 ; jika x > 3
0, 0752 ; jika x = 3
0 ; bagi yang lain
Power of the tes di 0,6 adalah:
βØ (0, 6) = P0,6 (x > 3) + 0, 0752P0,6 (x = 3)
= P0,4 (x ≤ 2) + 0, 0752P0,4 (x = 3)
= 0, 5443 + 0, 0752.0, 2765
= 0, 5651
15. Misalkan x1, x2, ...., xnvariabel random berdistribusi ekspo-
nensial dengan parameter lokasi θdan densitas f (x | θ) =
exp − (x − θ) θ ≤ x < ∞. Tentukan UMP tes untuk
H0 : θ ≤ θ30 VS H1 : θ ≤ θ0
Penyelesaian:
• f (xi | θ) = e−(xi−θ)
f (x | θ) = e−(xi−θ)I(θ,∞)
(x(i)
) ; θ ≤ x < ∞
dan densitas bersamanya adalah:
Bab 5. Hipotesis Statistik 175 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f (θ | x) = e−Σ(xi−θ)I(θ,∞)
(x(i)
)
= e−Σ(xi−θ)enθI(θ,∞)
(x(i)
)
Dengan mengambil T (x) = x(i)danG (T | θ) =
enθI(θ,∞)
(x(i)
)serta h (x) = e−Σxi , maka T (x) = x(i)adalah
statistik cukup bagi θ. Selanjutnya ditunjukkan keluarga
f (x | θ)mempunyai sifat MLR (Monotone Likehood Ratio)
dalam T (x) = x(i), yaitu ratio likehood dari f (θ | x)untuk
θ1 < θ2adalah:f(θ2|x)f(θ1|x)
= e(θ2−θ1)I(θ,∞)
(x(i)
)yang merupakan fungsi tidak turun
dalam x(i), berarti fθ; θǫΩini memiliki sifat MLR.
Jadi MP tes uji diatas adalah:
Ø (x) =
1 ; jika x(i) > C
0 ; bagi yang lain
C dihitung dari densitas x(i), seabgai berikut:
Misalkan Y = x(i) = xmin
P (Y = y) = P (xmin ≤ y)
= 1 − P (xmin > y)
= 1 − 1 − P (x ≤ y)n
= 1 −
1 −∫ Y
θeθe−xdx
n
= 1 −1 + eθe−x |yθ
n
= 1 −1 + eθe−x − 1
n
= 1 − enθe−ny
= 1 − e−(y−θ)
Jadi:
fy (y) = ddy
P (Y = y)= d
dy
1 − enθe−ny
= 1nenθe−ny
= n.e−n(y−θ)
; θ ≤ y < ∞
Sehingga:
P (Y > c) =∫∞
c1nenθ0e−nydy = α
= 1nenθ0
(− 1
ne−ny |∞c
)= α
3 = 1nenθ0
(− 1
ne−nc
)= α
Bab 5. Hipotesis Statistik 176 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
⇒ e−nc = n2α
enθ0⇒ −nc = Log
(n2α
enθ0
)Atau −nc =
Log n2α − nθ0 ⇒ c = θ0 − 1n
Log n2α
Kesimpulan: H0ditolak apabila xmin > θ0 − 1n
Log n2α
16. Misalkan x1, x2, ..., x30random variabel independen berdistribusi
G (α = 10, β),βtidak diketahui. Konstruksikanlah MP tes untuk uji
hipotesa H0 : β = 2VS H1 : β = 3dengan α = 0, 05.
Penyelesaian:
• xi ∼ G (α = 10, β) ⇒ f (xi | β) =1
T(10)β10 x9i e
−xiβDikonstruksikan MP tes untuk H0 : β = 2VS
H1 : β = 3. Berdasarkan Leuma Neyman-Pearson di dapat:
f(x|β=3)f(x|β=2)
=π30
i=1x9i e−
13 Σxi(T(10))
30.(330)
π30i=1x9
i e−12Σxi(T(10))
30.(230)
=(
23
)30e−( 1
3− 1
2)Σ30i=1xi
=(
23
)30e−
16Σ30
i=1xi
Log f(x|β=3)f(x|β=2)
= 16Σ30
i=1xi + 30Log(
23
)
Didapat H0akan ditolak jika:
1
6Σ30
i=1xi + 30Log
(2
3
)> k
Σ30i=1xi > 6
(k − 30Log
2
3
)= c
Selanjutnya dibawah H0akan dicari distribusi dari Σ30i=1xi
xi ∼ G (α = 10, β = 2) ⇒ Mxi(t) = (1 − 2t)−10
MΣ30xi(t) = (Mxi
(t))30
=[(1 − 2t)−10]30
= (1 − 2t)−300
= (1 − 2t)−6002
Ini adalah MGF dari x2(600).
Bab 5. Hipotesis Statistik 177 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Dengan demikian H0akan ditolak apabila Σ30i=1xi > c
Dimana c dapat dihitung berdasarkan tingkat signifikansi
α = 0, 05 dan distribusi x2(600), memenuhi:
P (Σ30i=1xi > c) = 0, 05 atau
1 − P (Σ30i=1xi ≤ c) = 0, 05 atau
P (Σ30i=1xi ≤ c) = 0, 95
Berdasarkan tabel distribusi x2(600)didapat c ≈ 61, 656
Untuk menguji H0 : β = 2 VS H1 : β = 3dengan tingkat
signikansi α = 0, 05, H0akan ditolak jika: Σ30i=1xi > 61, 656
17. Soal Buku Roussas no 4 halaman 313. Misalkan x1, x2, ...., xnrandom
variabel berdistribusi N (µ, σ2)dengan µtidak diketahui dan
σdiketahui. Ingin dilakukan uji hipotesa H0 : µ = 0 VS H1 :
µ = 1Untuk α = 0, 05, β = 0, 9, dan σ = 1. Tentukan ukuran dari
sampel n.
Penyelesaian:
xi ∼ N (µ, σ2) ⇒ f (xi | µ) = (2πσ2)−12
e−1
2σ2 (xi−µ)2σ diketahui
Uji hipotesis H0 : µ = 0 VS H1 : µ = 1. Berdasarkan Leuma
Neymman-Pearson di dapat:
f(x|µ=1)f(x|µ=0)
=(2πσ2)
−1n2e− 1
2σ2 Σn(xi−1)2
(2πσ2)−1n2e− 1
2σ2 Σn(xi−0)2
= e−1
2σ2 (Σx2i−2Σxi+n−Σxi)
= e−1
2σ2 (n−2Σxi)
= e−n
2σ2 .eΣxiσ2
MP tes memberikan, H0ditolak jika :
e−n
2σ2 .eΣxiσ2 > k
− n2σ2 + Σxi
σ2 > Logk
Σni=1xi > σ2 (Logk + σ2) = c
Untuk α = 0, 05, β = 0, 9 dan σ = 1, dibawah H0Σxi ∼ N (n.0, n.1) =
Bab 5. Hipotesis Statistik 178 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
N (n, 0)dan di bawah H1Σxi ∼ N (n.1, n.1) = N (n, n) .
α = P (Σxi > c)
0, 05 = P (Σx > c)
P (Σx ≤ c) = 0, 95
⇔ P(
Σx−0√n
≤ c√n
)= 0, 95
⇔ P(Z ≤ c√
n
)= 0, 95
⇔ ∅
(c√n
)= 0, 95
Daritabeldistribusi N (0, 1) didapatc√n
= 1, 64 (5.40)
1 − β = P (tidak menolak H0 | H0salah)
1 − 0, 9 = P (Σx ≤ c)
0, 1 = P(
Σx−n√n
≤ c−n√n
)
0, 1 = P(Z ≤
(c√n−√
n))
0, 1 = Ø(
c√n−√
n)
Dari tabel distribusi N (0, 1)didapat:
c√n−√
n = −1, 28 (5.41)
Persamaan 1 disubstitusikan pada 2 didapat
√n = c√
n+ 1, 28 = 1, 64 + 1, 28
√n = 2, 92 ⇒ n = (2, 92)2 ≈ 9
Jadi ukuran sampel adalah n = 9.
18. Misalkan x1, x2, ...., x100variabel independen berdistribusi
N (µ, σ2) .Jika x = 3, 2, Konstruksikan MP tes untuk hipotesis
H0 : µ = 3, σ2 = 4 VS H1 : µ = 3, 5, σ2 = 4pada tingkat signifikansi
α = 0, 01.
Penyelesaian:
xi ∼ N (µ, σ2) ⇒ f (xi | µ) = (2πσ2)−12
e−1
2σ2 (xi−µ)2akan dikonstruk-
sikan uji MP untuk: H0 : µ = 3, σ2 = 4 VS H1 : µ = 3, 5, σ2 = 4.
Lueman Neymaman-Pearson memberikan:
Bab 5. Hipotesis Statistik 179 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
f(x|µ=3,5)f(x|µ=3)
= (2π(4))−50.e− 1
2(4)Σ100
i=1(xi−3,5)2
(2π(4))−50.e− 1
2(4)Σ100
i=1(xi−3)2
= e−18 [(Σx2
i−7Σx+(3,5)2(100))−(Σx2i −6Σx+(9)(100))]
= e−18[−Σx+325]
= e−3258
+Σx8
H0akan ditolak jika:e−3258
+Σx8 > k yaitu:
Σx8− 325
8> Logk
⇔ Σx > 8(Logk + 325
8
)= c
⇔ Σx100
> c100
= c∗
⇔ x > c∗
(5.42)
Dimana c∗dapat dihtung berdasarkan tingkat α = 0, 01dan dsitribusi
N (µ = 3, σ2 = 2)(dibawah H0), yang memenuhi hubungan:
α = P (x > c∗)
⇔ 0, 01 = P (x > c∗)
⇔ 0, 99 = P (x ≤ c∗)
⇔ 0, 99 = P(
x−3210
≤ c∗−3210
)
⇔ 0, 99 = P(Z ≤ c∗−3
210
)
⇔ 0, 99 = Ø(
c∗−3210
)
Berdasarkan distribusi N (0, 1)didapat:
c∗−3210
= 2, 33 ⇒ c∗ = 210
(2, 33) + 3
⇒ c∗ = 3, 466
Dari 1 telah didapat, H0ditolak jika:
x > c∗
Karena x = 3, 2 < c∗ = 3, 466maka H0tidak ditolak pada tingkat
signifikansi α = 0, 01
19. Misal x sampel random berdistribusi U(0,1) sebut f0atau berdistri-
Bab 5. Hipotesis Statistik 180 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
busi dengan p.d.f segitiga pada [0, 1]sebut f1, yaitu:
f1 =
4x ; 0 ≤ x < 12
4 − 4x ; 12≤ x ≤ 1
0 ; yang lain
Berdasarkan satu observasi x, konstruksikan MP tes untuk hipotesis
H0 : f = f0 VS H1 : f = f1dengan tingkat signifikansi α = 0, 05.
Penyelesaian:
H0 : f = f0 VS H1 : f = f1
Lueman Neymaman-Pearson memberikan:
f(x|f1)f(x|f1)
=
4x ; 0 ≤ x < 12
4 − 4x ; 12≤ x ≤ 1
0 ; yang lain
Terlihat bahwa ratio ini untuk 0 ≤ x ≤ 12fungsi λmemotong naik
dan pada 12≤ x ≤ 1merupakan fungsi dari x yang memotong turun.
Dengan demikian H0akan ditolak jika:
4x < C1atau 4x − 4 > cC2
Yang ekivalen dengan:
x < C∗1atau x > C∗
2
Dengan C∗1dan C∗
2dapat dihitung berdasarkan tingkat signifikansi
α = 0, 05dan distribusi uniform yang memenuhi:
P (x < C∗1) =
α
2atau P (x < C∗
2) =α
2
⇒∫ C∗
1
01dx = 0,05
2⇒ C∗
1 = 0, 025 atau∫ 1
C∗21dx = 0,05
2⇒ 1 − C∗
2 = 0, 025 ⇒ C∗20, 975
• H0ditolak jika: x < 0, 025atau x > 0, 975
20. Misalkan x1, x2, ...., xnrandom variabel iid berdistribusi dengan p.d.f
f0atau f1, dengan f0adalah P (1)dan f1adalah geometrik(P = 1
2
).
Dapatkan MP test untuk hipotesis H0 : f = f0 VS H1 : f = f1untuk
Bab 5. Hipotesis Statistik 181 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
tingkat signifikansi α = 0, 05.
Penyelesaian:
f0 = P (1) ⇒ f (xi | θ0) = e!xi!
, xi = 0, 1, 2...
f1 = geometrik(P = 1
2
)⇒ f (xi | θ1) = 1
2
(12
)xi , xi = 0, 1, 2.
akan dicari MP test untuk H0 : f = f0 VS H1 : f = f1:
f (x | f1)
f (x | f0)=
12
(12
)Σxi
en
πxi!
=1
2.
πni=1xi!
en.2Σni=1xi
Lueman Neymaman-Pearson memberikan, daerah penolakan
H0adalah:
1
2.
πni=1xi!
en.2Σi=1nxi> k
yang ekivalen dengan Σni=1xi > c∗
dibawah H0, Σni=1xi ∼ P (n)sehingga c∗dapat dihitung berdasarkan
tingkat signifikansi α = 0, 05dan distribusi P (n)yang memenuhi:
P (Σxi > c∗) = 0, 05
P (Σni=1xi ≤ c∗) = 0, 95
Σc∗
t=0nt.e−n
t!= 0, 95
6. Soal Roussas no 9 halaman 314
Misalkanx1, x2, ...., xnrandom variabel dengan p.d.f diberikan diba-
wah ini. Pada setiap kasus. Perlihatkan bahwa p.d.f bersama dari x
adalah MLR dalam V = V (x1, x2, ...., xn).
a. f (x; θ) = θx
T (α)xα−1e−θx.I(0,∞) (x) ; θǫ (0,∞) ; α > 0 diketahui
b. f (x; θ) = θv
(v + x − 1
x
)
(1 − θ)x .IA (x)
A = 0, 1, 2, ... , θǫΩ = (0, 1)
Penyelesaian:
a. f (x; θ) = θx
T (α)xα−1e−θx.I(0,∞) (x) ; θǫ (0,∞) ; α > 0 diketahui
f (x; θ) = θx
(T (α))n πni=1x
α−1.e−θΣx
=πn
i=1xα−1
(T (α))n .e−θΣx+Σxlogθ
= πni=1x
α−1(
1T (α)
)n
.eΣx(logθ−θ)
Bab 5. Hipotesis Statistik 182 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
dengan berdasarkan pada proposisi 1, hal. 277 (Roussas) dan
dengan mengambil:
Q (θ) = Logθ − θdanV (x1, x2, ...., xn) = ΣxQ (θ)adalah fungsi turun-
an monoton dalam...........sebab.
Q′ (θ) =(
1θ− 1)
< 0, untuk θǫ (0,∞)dengan demikian keluarga
g (t; θ) , θǫΩ = 0adalah keluarga MLR dalam V = −V (x) =
−Σni=1xi
b. f (x; θ) = θv
(v + x − 1
x
)(1 − θ)x .IA (x)
A = 0, 1, 2, ... , θǫΩ = (0, 1)
f (x; θ) = θnrπni=1
(r + xi − 1
xi
)(1 − θΣxi
)
= πni=1
(r + xi − 1
xi
)
θnreΣni=1xlog(1−e)
Dengan berdasarkan pada proposisi 1. Buku Rossas halaman 277
dan dengan mengambil :
Q (θ) = Log (1 − θ)
V (x) = Σx
Maka Q (θ)adalah fungsi monoton turunan sebab:
Q′ (θ) = −11−θ
= −1θ−1
< 0, untuk θǫ (0, 1)
sehingga keluarga distribusi g (t, θ) , θǫ (0,∞)adalah keluarga MLR
dalam V (x) = −V (x)
21. Misalkan x1, x2, ...., xnsampel random dari distribusi exponensial de-
ngan parameter lokasi θdan densitas f (x | θ) = e−(x−θ), θ ≤ x < ∞.
Tentukan UMP test untuk H0 : θ ≤ θ0, H1 : θ ≤ θ1.
Penyelesaian:
xi ∼ f (xi | θ) = e−(xi−θ)
f (x | θ) = πni=1e
−(xi−θ) = e−Σxi+nθ
Akan ditentukan UMP test untuk H0 : θ ≤ θ0, H1 : θ ≤ θ1.
Bab 5. Hipotesis Statistik 183 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Keluarga distribusi g (t, θ) , θǫΩadalah keluarga MLR, sebab
untuk θ > θ1f(x|θ)f(x|θ1)
= eΣxi+nθ
eΣxi+nθ1
= en(θ−θ1)
= enθ∗I(θ∗,∞)(x(i))
, θ∗ = θ1
Ratio ini adalah fungsi monoton naik dalam x(i) =
Min (x1, x2, ...., xn)
• Selanjutnya T (x) = x(i) = Min (x1, x2, ...., xn)adalah statistik
cukup untuk θsebab:
f (x | θ) = eΣxi+nθ, θ < xi < ∞; θ < x(i) ≤ x(n) < ∞= eΣxeneI(θ,∞)
(x(i)
)
Bersarkan teorema faktorisasi didapat:
T (x) = x(i) = Min (x1, x2, ...., xn)
Adalah statistik cukup untuk θ
Selanjutnya berdasarkan teorema Karlin-Rubin dapat dikon-
struksi UMP test untuk hipotesis:
H0 : θ ≤ θ0, H1 : θ ≤ θ0
Kaerna keluarga distribusi g (t, θ) , θǫΩadalah MLR dari
T (x) = x(i)dan T (x)adalah statistik cukup untuk θ, maka
berdasarkan teorema Karlin-Rubin terdapat c0yang menolak
H0bhb T > c0merupakan UMP taraf αdengan : α = Pθ0 (T > c0)
Dengan kata lain, untuk H0 : θ ≤ θ0, H1 : θ ≤ θ0terdapat uji
UMP taraf α, yang menolak H0jika x(i) > c0dengan c0dapat
ditentukan berdasarkan tingkat signifikansi αyang diberikan
dan distribusi dari x(i)yang memenuhi Pθ0 (T > c0) = αkarena:
Bab 5. Hipotesis Statistik 184 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
1 − F (t) = [P (x > t)]n
=(∫∞
te−(x−θ)dx
)n
=(e−t.eθ
)n
F (t) = 1 − enθe−nt
f (t) = F ′ (t)
= enθe−nt
n
= e−n(t−θ)
n; t ≥ e
Sehingga c0dihitung berdasarkan hubungan :
∫ ∞
t
1
ne−n(t−θ0)dt = α
22. Jika x ∼ B (n, θ), misalkan Ø (x) adalah uji UMP untuk H0 : θ ≤θ0 VS H1 : θ > θ0. Untuk n = 6 , θ0 = 0, 25, dan α = 0, 05 ; 0, 01 ; 0, 02.
Tentukan uji bersama-sama dengan β (θ) fungsi kuasa untuk θ0 =
0, 3 , θ0 = 0, 25 , dan θ0 = 0, 5.
Penyelesaian:
x ∼ B (n, θ) ⇒ f (x | θ) =
(n
x
)θx (1 − θ)n−x , x = 0, 1, 2...H0 : θ ≤
θ0 VS H1 : θ > θ0
f(x|θ)f(x|θ1)
=
0B@
n
x
1CAθx
1 (1−θ1)n−x
0B@
n
x
1CAθx
0 (1−θ0)n−x
, untuk θ1 > θ0
=(
θ1
θ0
)x (1−θ1
1−θ0
)nx
Log(
f(x|θ)f(x|θ1)
)= xLog
(θ1
θ0
)+ (n − x) Log
(1−θ1
1−θ0
)
= x(Log θ1
θ0− Log (1−θ1)
(1−θ0)+ Log
(1−θ1
1−θ0
))
Sehingga untuk: Log(
f(x|θ)f(x|θ1)
)> Log k
Ekivalen dengan:
x > c∗0 =Logk−nLog
“1−θ11−θ0
”
Log(θ1)(θ0)
−Log“
1−θ11−θ0
”
UMP tes memberikan:
Bab 5. Hipotesis Statistik 185 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
Ø (x) =
1 ; jika x > c∗0
γ ; jika x = c∗0
0 ; jika x < c∗0
dimana c∗0dapat ditentukan berdasarkan hubungan Eθ0 (Ø (x)) =
P (x > c∗0) + γP (x = c∗0)
• Untuk n = 6, θ0 = 0, 25, α = 0, 05
α = P (x > c∗0) + γP (x = c∗0)
= 1 − P (x ≤ c∗0) + γP (x = c∗0)
P (x ≤ c∗0) − γP (x = c∗0) = 1 − α
(5.43)
Dari tabel Binomial (n = 6, θ0 = 0, 25)didapat:
Untuk c∗0 =⇒
P0,25 (x ≤ c∗0) = 0, 9624
P0,25 (x = c∗0) = P0,25 (x ≤ c∗0) − P0,25 (x ≤ c∗0 − 1)
= P0,25 (x ≤ 3) − P0,25 (x ≤ 2)
= 0, 9624 − 0, 8306
= 0, 1318
Persamaan 1 menjadi:
0, 9624 − γ0, 8306 = 0, 95
γ = 0, 094
• Untuk n = 6, θ0 = 0, 25, α = 0, 01
Dari tabel B (n = 6, θ0 = 0, 25, α = 0, 01)didapat untuk c∗0 = 4
P0,25 (x ≤ 4) = 0, 9954
P0,25 (x = 4) = P0,25 (x ≤ 4) − P0,25 (x ≤ 3)
= 0, 9954 − 0, 9624
= 0, 033
Persamaan 1 menjadi:
0, 9954 − γ (0, 033) = 0, 99
γ = 0, 164
Bab 5. Hipotesis Statistik 186 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Untuk n = 6, θ0 = 0, 25, α = 0, 02
Dari tabel B (n = 6, θ0 = 0, 25, α = 0, 012)didapat c∗0 = 4
P0,25 (x ≤ 4) = 0, 9954 dan P0,25 (x = 4) = 0, 033
Persamaan 1 menjadi:
0, 9954− γ (0, 033) = 0, 98
γ = 0, 467
Selanjutnya akan dihitung uji kuasanya:
β (θ) = Eθ (Ø (x))
β (θ) = Pθ1 (x > c∗0) + γPθ1 (x = c∗0)(5.44)
• Untuk θ1 = 0, 3, c∗0 = 3 dan γ = 0.094
Persamaan 2 menjadi:
β0,3 (θ) = 1 − P (x = 0) − P (x = 1) − P (x = 2) + γ.P (x = 3)
= 1 − 0, 1176 − 0, 3025− 0, 3341 + 0, 094. (0, 1852)
= 0, 273
• Untuk θ1 = 0, 3 , c∗0 = 4 dan γ = 0, 164
Persamaan 2 menjadi:
β0,3 (θ) = P (x = 5) + P (x = 6) + 0, 164 (P (x = 4))
= 0, 0102 + 0, 0007 + 0, 164. (0, 0595)
= 0, 0206
• Untuk θ1 = 0, 3 , c∗0 = 4 dan γ = 0, 467
β0,3 (θ) = P (x = 5) + P (x = 6) + 0, 467 (P (x = 4))
= 0, 0102 + 0, 0007 + 0, 467. (0, 0595)
= 0, 0387
• Untuk θ1 = 0, 4 , c∗0 = 3 dan γ = 0, 094
β0,4 (θ) = P (x = 4) + P (x = 5) + P (x = 6) + γP (x = 3)
= 0, 1382 + 0, 0369 + 0, 0041 + 0, 094. (0, 2765)
= 0, 205
• Untuk θ1 = 0, 4, c∗0 = 4 dan γ = 0, 164
β0,4 (θ) = P (x = 5) + P (x = 6) + γP (x = 4)
= 0, 0369 + 0, 0041 + 0, 164. (0, 1382)
= 0, 064
Bab 5. Hipotesis Statistik 187 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
• Untuk θ1 = 0, 4 , c∗0 = 4 dan γ = 0, 467
β0,3 (θ) = P (x = 5) + P (x = 6) + γP (x = 4)
= 0, 0369 + 0, 0041 + 0, 467. (0, 1382)
= 0, 106
• Untuk θ1 = 0, 5 , c∗0 = 3 dan γ = 0, 094
β0,5 (θ) = P (x > 3) + γP (x = 3)
= 1 − P (x ≤ 2) + γP (x = 3)
= 1 − 0, 3437 + 0, 094 (0, 3125)
= 0, 686
• Untuk θ1 = 0, 5 , c∗0 = 4 dan γ = 0, 164
β0,5 (θ) = P (x > 4) + γP (x = 4)
= 1 − P (x ≤ 3) + γP (x = 4)
= 1 − 0, 6562 + 0, 164 (0, 2344)
= 0, 382
• Untuk θ1 = 0, 5 , c∗0 = 4 dan γ = 0, 467
β0,5 (θ) = 1 − P (x ≤ 3) + γP (x = 4)
= 1 − 0, 6562 + 0, 164 + 0, 467 (0, 2344)
= 0, 453
5.5 Soal-Soal Latihan
1. Misalkan X mempunyai f.k.p berbentuk f(x; θ) = θxθ−1; 0 < x < 1
dan 0 untuk x yang lain, dengan θ ∈ θ; θ = 1, 2 . untuk uji hipotesis
sederhana H0 : θ = 2, gunakan sampel random X1 , X2 dan dide-
finisikan daerah kritis C = ((x1, x2); 3/4 ≤ x1x2 .Tentukan fungsi
kekuatan dari uji.
2. DiketahuiX berdistribusi binomial dengan parameter n = 10 dan
p ∈ p; p = 1/4, 1/2 Hipotesis H0 : p = 1/2 ditolak, dan hipotesis
alternatif H1 : p = 1/4 diterima, jika nilai observasi X1 sampel ran-
dom berukuran 1 lebih kecil atau sama dengan 3. Tentukan fungsi
kekuatan dari uji.
Bab 5. Hipotesis Statistik 188 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
3. Diketahui X1 , X2 sampel random berukuran n = 2 dari distribusi
yang mempunyai f.k.p f(x, θ) = 1θe−x/θ, 0 < x < ∞ dan 0 untuk yang
lain. Kita tolak H0 : θ = 2 dan terima H1 : θ = 1 jika nilai observasi
dari X1 , X2 katakan X1 , X2 sedemikian sehingga
f(x1; 2)f(x2; 2)
f(x1; 1)f(x2; 1)≤ 1
2(5.45)
Jika ruang parameter Ω = θ; θ = 1, 2 , tentukan tingkat signifikansi
dari uji dan kekuatan uji kalau H0 salah.
4. Diasumsikan ketahanan dari suatu ban dan mill, katakan X , ber-
distribusi normal dengan mean θ dan standar deviasi 5000. Berda-
sarkan pengalaman masa lalu diketahui bahwa θ = 30.000. Perusa-
haan mengklaim membuat ban dengan proses baru dengan mean
θ > 30.000, dan misalkan θ = 35.000. Untuk mengecek ini kita uji
H0 : θ ≤ 30.000, lawan H1 : θ > 30000. Kita observasi n nilai yang
independen dai X, misalnya x1, x2, ..., xn dan kita tolak H0(terima
H1) jika dan hanya jika x ≥ c. Tentukan n dan c sehingga fung-
si kekuatan K(θ) dari uji mempunyai nilai K(30.000) = 0, 01 dan
K(35.000) = 0, 98.
5. Misalkan X mempunyai distribusi Poisson dengan mean θ . Diper-
timbangkan hipotesis sederhana H0 : θ = 1/2. dan hipotesis ga-
bungan alternatif H1 : θ < 1/2. Misalkan Ω = θ; 0 < θ ≤ 1/2Misalkan X1,X2, ..., X12sampel random yang berukuran 12 dari dis-
ribusi ini. Kita tolakH0 jika dan hanya jika nilai observasi dari
Y = X1 + X2 + ... + X12 ≤ 2. Jika K(θ) adalah fungsi kekuatan
uji, tentukan kekuatan dari K(12), K(1
3), K(1
4), K(1
6) dan K( 1
12). Sket
grafik dari K(θ). Berapakah tingkat signifikasnsi dari uji?
6. Dalam contoh 4 diatas , misalkan H0 : θ = θ′ = 0 dan H1 : θ = θ′′ =
−1. Perlihatkan bahwa uji terbaik dari H0 lawan H1 dapat menggu-
nakan statistik x dan jika n = 25 dan α = 0, 05 maka kekuatan uji
adalah 0, 999 kalau H1 benar.
Bab 5. Hipotesis Statistik 189 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
7. Misalkan variabel random x mempunyai f.k.p f(x; θ) = 1θe−x/θ; 0 <
x < ∞ dan 0 untuk x yang lain. Pertimbangkan hipotesis sederhana
H0 : θ = θ′ = 2 dan alternatif H1 : θ = θ′′ = 4. jika x1, x2 sampel
random yang berukuran 2 dari distribusi ini . Perlihatkan bahwa uji
terbaik dari H0 lawan H1 dapat menggunakan statistik x1 + x2.
8. Ulangi soal 2 kalau H1 : θ = θ′′ = 6. Kemudian tentukan bentuk
umum ini untuk setiap θ′′ > 2
9. Misalkan X1,X2, ..., X10 sampel random berukuran 10 dari distribusi
normal n(0, σ2). Tentukan daerah kritik terbaik ukuran α = 0, 05 un-
tuk uji H0 : σ2 = 1 lawan H1 : σ2 = 2. Apakah ini merupakan daerah
kritik terbaik ukuran 0,05 untuk uji H0 : σ2 = 1 lawan H1 : σ2 = 4?
lawan H1 : σ2 = 1?
10. Jika X1,X2, ..., Xn adalah sampel random dari distribusi yang mem-
punyai f.k.p dari bentuk f(x; θ) = θxθ−1; 0 < x < 1 dan 0 untuk yang
lain. Perlihatkan bahwa daerah kritik terbaik untuk uji H1 : θ = 1
lawan H1 : θ = 2 adalah C =
(x1, x2, ..., xn) ; c ≤
n
Πi=1 xi
11. Misalkan X1,X2, ..., X10 sampel random dari distribusi n(θ1, θ2). Ten-
tukan uji terbaik dari hipotesis sederhana H0 : θ1 = θ′
1 = 0, θ2 = θ′
2 =
1 lawan hipotesis alternatif H1 : θ1 = θ′′
1 = 1, θ2 = θ′′
2 = 4
12. Misalkan X1,X2, ..., Xn sampel random dari distribusi normal
n(θ, 100). Perlihatkan bahwa C = (x1, x2, ..., xn); c ≤ xadalah da-
erah kritik terbaik untuk uji H0 : θ = 75 lawan H1 : θ = 78 Tentukan
n dan c sehingga
P [(X1,X2, ..., Xn ) ∈ C; H0] = P (x ≥ c; H0) = 0, 05 (5.46)
dan
P [(X1,X2, ..., Xn ) ∈ C; H1] = P (x ≥ c; H0) = 0, 90 (5.47)
Bab 5. Hipotesis Statistik 190 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
13. Misalkan X1,X2, ..., Xn sampel random dari distribusi yang mempu-
nyai f.k.p f(x; p) = px(1 − p)1−x; x = 0, 1 dan 0 untuk x yang lain.
Perlihatkan bahwa C =
(x1, x2, ..., xn);≤n∑
i=1
xi ≤ c
adalah daerah
kritik terbaik untuk uji H0 : p = 1/2 lawan H1 : p = 1/3. Gunakan
teorema limit pusat untuk menentukan n dan c sehingga
P
(n∑
i=1
xi ≤ c; H0
)∼= 0, 10 dan P
(n∑
i=1
xi ≤ c; H1
)∼= 0, 80 (5.48)
14. Dua sampel random yang independen masing-masing berukuran n
dari dua disribusi. Kita tolak H0 : θ = 0 dan terima H0 : θ > 0 jika
dan hanya jika x − y ≥ c. jika K(θ) adalah kekuatan fungsi dari uji
ini tentukan n dan c sehingga K(0) ∼= 0, 05 dan K(10) ∼= 0, 09.
15. Dalam contoh 5 diatas, H0 : θ = θ′
dengan θ′ bilangan tertentu dan
H1 : θ < θ′, perlihatkan bahwa himpunan
(x1, x2, ..., xn) :
n∑
i=1
x2i ≥ c
(5.49)
adalah daerah kritik paling kuat seragam uji H0 lawan H1.
16. Dalam contoh 6 , H0 : θ = θ′
dengan θ′ bilangan tertentu dan H1 :
θ 6= θ′, perlihatkan bahwa tidak ada uji paling kuat seragam untuk
uji H0 lawan H1.
17. Misalkan X1,X2, ..., X25 sampel random berukuran 25 dari distribusi
normal n(θ, 100). Tentukan daerah kritik paling kuat seragam dari
ukuran α = 0, 01 untuk uji H0 : θ = 75 lawan H1 : θ > 75
18. Misalkan X1,X2, ..., Xn sampel random darid istribusi normal
n(θ, 16). Tentukan sampel berukuran n dan uji paling kuat seragam
dari H0 : θ = 25 lawan H1 : θ < 25 dengan kekuatan fungsi K(θ)
sehingga K(25) ∼= 0, 10 dan K(23) ∼= 0, 90.
19. Diketahui suatu distribusi dengan f.k.p f(x; θ) = θx(1−θ)1−x; x = 0, 1
Bab 5. Hipotesis Statistik 191 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
dan bernilai 0 untuk x yang lain. Misalkan H0 : θ = 1/20 dan
H1 : θ > 1/20.Gunakan teorema limit pusat untuk menentukan sam-
pel berukuran n dari sampel random sehingga uji paling kuat sera-
gam dari H0 lawan H1 mempunyai fungsi kekuatan K(θ) dengan
K(1/20) ∼= 0, 05 dan K(1/10) ∼= 0, 09
20. Dalam n percobaan binomial dengan parameter p akan diuji
H0 : p = 1/2, lawan H1 : p 6= 1/2 (5.50)
Tunjukkan bahwa daerah kritik uji rasio likelihood adalah
x ln x + (n − x) ≥ k (5.51)
dengan x menyatakan banyak sukses.
21. Dalam soal no 1, tunjukkan bahwa daerah kritiknya juga dapat di-
tulis∣∣x − n
2
∣∣ ≥ c, dengan c suatu konstanta yang tergantung pada
ukuran daerah kritik.
22. Suatu sampel random yang berukuran n digunakan untuk menguji
hipotesis nol dari populasi eksponensial dengan parameter θ sama
dengan θ0 lawan hipotesis alternatif tidak sama θ0. Tunjukkan daerah
kritik uji rasio likelihood adalah
xe−x/θ0 ≤ k (5.52)
23. Suatu sampel random yang berukuran n dari populasi normal de-
ngan mean dan varians tidak diketehui digunakan untuk uji hipo-
tesis µ = µ0 lawan alternatif µ 6= µ0 . Perlihatkan bahwa nilai dari
statistik rasio likelihood dapat ditulis
λ =
1 +
t2
n − 1
−n/2
(5.53)
dengan t = x−µ0
s/√
n
Bab 5. Hipotesis Statistik 192 ISBN 978-602-8310-02-4
Statistika Matematis II/ Edisi E-book
24. Dalam contoh 2 diatas, bila n = 10, dan misalkan diperoleh x =
0, 6 dan10∑
i=1
(xi − x)2 = 3, 6. Jika uji sama dengn contoh apakah kita
menolak atau menerima H0 : θ1 = 0 pada tingkat signifikansi 5%.
Bab 5. Hipotesis Statistik 193 ISBN 978-602-8310-02-4
194
Daftar Pustaka
1. Billingsley, P. (1979) Probability and Measure, John Wiley &
Sons,USA
2. Dudewicz E.J. & Mishra, S.N.(1988) Modern Mathematical Statisti-
cs,John Wiley & Sons, Inc. Singapore
3. Lehmann, E.L. (1983) Theory of Point Estimation, John Wiley & Sons,
Inc. USA
4. Nar Herrhyanto (2003) Statistika Matematis Lanjutan, CVPustaka
Karya, Bandung
5. Papoulis,A & Pillai S. Unnikrishna, (2002) Probability, Random Vari-
ables, And Stochastic Processes, Mc Graw Hill, Inc, Singapore
6. Rohatgi,V.K. (1976) An Introduction to Probability Theory and Ma-
thematical Statistics, John Wiley & Sons, USA
7. Roussas G.G. (1973) A First Course in Mathematical Statistics,
Addison-Wesley Publishing Company, Inc. USA
8. Subanar (1994) Suplemen Teori Peluang, Fakultas MIPA UGM, Yo-
gyakarta
9. Walpole, Ronald.E. & Myers, Raymond H. & Myers, Sharon L.& Ye,
Keying (2002) Probability and Statistics for Engineers & Scientists,
Prentice Hall,Inc, USD
195
Daftar Pustaka Statistika Matematis II/ Edisi E-book
10. Walpole, Ronald.E. & Myers, Raymond H. (1986) Ilmu Peluang dan
Statistika untuk Insinyur dan Ilmuan, Penerbit ITB, Bandung.
11. Beberapa e-book dan e-text, terutama dari portal MIT Open Course Wa-
re (http://ocw.mit.edu/OcwWeb/Mathematics/index.htm)
Bab 5. Daftar Pustaka 196 ISBN 978-602-8310-02-4