Ebook Statmat2

STATISTIKA MATEMATIS II
Edisi 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 dalamjumlah 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
2.3 Uraian Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Konsep Dasar Variabel Random . . . . . . . . . . . . 26
2.3.2 Barisan Variabel Random . . . . . . . . . . . . . . . . 27
iii
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
3 Estimasi Titik 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 Esien . . . . . . . . . . . . . . . . 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
iv ISBN 978-602-8310-02-4
4 Estimasi Interval 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
5 Hipotesis Statistik 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
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
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.
abel random dengan menggunakan fungsi pembangkit momen,
abel random dengan menggunakan dalil limit pusat,
5. Memecahkan masalah yang berkaitan dengan distribusi pendekatan
1
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 X
1
, X
2
, ..., X
n
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
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:
M
x
(t) = E(e
tx
)
=
_
1
0
e
tx
.1 dx
=
1
t
e
tx
1
x=0
=
e
t
1
t
; t = 0
Untuk t = 0 digunakan dalil LHospital
Lim
t0
M
x
(t) = Lim
t0
(e
t
1)
t
= Lim
t0
e
t
1
t
Jadi M
x
(t) =
_
e
t
1
t
; t = 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
F
n
dan fungsi kepadatan peluangnya ditulis sebagai f
n
. Apabila kita mem-
bahas barisan fungsi distribusi, maka kita harus menuliskan indeks n pada
variabel randomnya. Misalkan penulisan:
F
n
_
X
_
=
_
x
1
_
1/n.
2
e
ny
2/2
dy
merupakan fungsi distribusi dari rerata X yang dihitung dari sampel acak
berukuran n dan berasal dari distribusi N(0, 1).
Definisi
Misalkan F
n
(y) adalah fungsi distribusi dari variabel random Y
n
yang
bergantung pada bilangan bulat positif n. Jika F(y)adalah fungsi dis-
tribusi dan Lim
t0
F
n
(y) = F(y) untuk setiap nilai y yang mengakibatkan
F(y) kontinu, maka variabel random Y
n
dikatakan mempunyai distribusi
pendekatan dengan fungsi distribusi F(y).
Contoh :
Misalkan Y
n
menunjukkan statistik urutan ke-n dari sampel acak
X
1
, X
2
, ..., X
n
yang berdistribusi dengan fungsi kepadatan peluang
berbentuk:
f(x) =
1
; 0 < x < ; 0 < <

= 0 ; lainnya
Apakah Y
n
mempunyai distribusi pendekatan ?
Jawab:
Fungsi kepadatan peluang dari Y
n
adalah:
g
n
(y) = n(F(y))
n1
f(y) ; a < y < b
= 1 ; Lainnya
dengan :
F(y) =
_
y
0
f(x) dx =
_
y
0
1
dx =
y
F(y) = F
(y) =
1
Jadi
g
n
(y) = n
_
y
n1
1
g
n
(y) =
n
n
y
n1
; 0 < y <
= 0 ; Lainnya
Fungsi distribusi dari Y
n
adalah:
1. Untuk y < 0
F
n
(y) =
_
y
0
g
n
(t) dt =
_
<0
0
0 dt = 0
2. Untuk 0 y <
F
n
(y) =
_
y
0
nt
n1
n
dt =
1
n
t
n
y
0
=
_
y
n
3. Untuk y <
F
n
(y) =
_
0
g
n
(t) dt +
_
y
0
g
n
(t) dt
=
_
0
nt
n1
n
dt +
_
<0
0
0 dt
= 1
Jadi :
F
n
(y) = 0 ; y < 0
=
_
y
n
; 0 y <
= 1 ; y <
lim
n
F
n
(y) =
_
0, < y <
1, y <
Sekarang ambil fungsi distribusi dari Y adalah:
F(y) =
_
0, < y <
1, y <
Karena Lim
n0
F
n
(y) = F(y) pada masing-masing nilai y yang menye-
babkan F(y) kontinu, menurut denisi, variabel random Y
n
mempunyai
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:
F
n
(x) =
_
x
1
_
1/n.
2
e
ny
2/2
dy
misalkan:
t =
n ydt =
n dy
batas-batasnya:
Untuk y = maka t =
Untuk y = x , maka t =
n x
F
n
(x) =
_
n x
1/n.
2
e
t
2
/2 dt
n
=
_
n x
2
e
t
2
/2
dt
Lim
n
F
n
(x) = 0 ; x < 0
=
1
2
; x = 0
= 1 ; x > 0
Sekarang ambil fungsi distribusi dari X adalah :
F(x) = 0 ; x < 0
= 1 ; x 0
Ternyata Lim
n
F
n
(x) = F(x) untuk setiap nilai kontinu dari F(x).
Dalam hal ini, Lim
n
F
n
(0) = F(0), tetapi F(x)tidak kontinu di x =
0. Dengan demikian variabel random X
n
mempunyai distribusi pen-
dekatan dengan fungsi distribusi F(x). Distribusi pendekatannya adalah
degenerate.
Contoh
Misalkan Y
n
menunjukkan statistik urutan ke-n dari sampel acak
X
1
, X
2
, ..., X
n
yang berdistribusi seragam pada (0, ), > 0. Jika Z
n
=
n( Y
n
),maka apakah Z
n
mempunyai distribusi pendekatan?
Jawab:
Fungsi kepadatan peluang dari X adalah:
f(x) =
1
; 0 < x < ; 0 < <

= 0 ; lainnya
n
adalah:
g
n
(y) =
ny
n1
n
; 0 < x <
= 0 ; Lainnya
Kita akan menentukan fungsi kepadatan peluang dari Z
n
dengan meng-
gunakaan teknik transformasi variabel random. Hubungan antara nilai
y
n
dengan nilai Y
n
dengan nilai z
n
dari Z
n
diberikan sbb:
Z
n
= n( y
n
)
inversnya :
y
n
=
Z
n
n
Jacobiannya :
J =
dy
n
dz
n
=
1
n
|J| =
dy
n
dz
n
=
1
n
Fungsi kepadatan peluang dari Z
n
adalah:
h
n
(z) =
1
n
; 0 < z < n
= 0 ; lainnya
Fungsi distribusi dari Z
n
adalah
1. Untuk z < 0, K
n
(z) =
_
z
0
h
n
(t) dt =
_
<0
0
0 dt = 0
2. Untuk 0 z < n, K
n
(z) =
_
z
0
1
n
_

t
n
n1
dt
3. Misalkan : y =
t
n
; dy =
1
n
dt
Batas-batasnya:
Untuk t = 0, maka y =
Untuk t = z, maka y =
z
n
K
n
(z) =
_
z
n
0
1
n
y
n1
(n) dy
=
1
n
y
n
z
n
K
n
(z) = 1
_
1
z
n
n
4. Untuk z n
K
n
(z) =
_
n
0
h
n
(t) dt +
_
z
n
h
n
(t) dt
=
_
n
0
1
n
_

t
n
n1
dt +
_
z
n
0 dt = 1
Jadi :
K
n
(z) = 0 ; z 0
= 1
_
1
z
n
; 0 z < n
K
n
(z) = 1 ; z n
Lim
n
K
n
(z) = 0 ; z 0
= 1 e
z/
; 0 < z <
Sekarang ambil fungsi distribusi dari Z:
K(z) = 0 ; z < 0
= 1 e
z/
; z 0
merupakan fungsi ditribusi yang kontinu dimana-mana, serta
Lim
n
K
n
(z) = K(z)untuk semua nilai. Jadi Z
n
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 modikasi dari teorema Levy dan Cramer yang menjelaskan
bagaimana fungsi pembangkit momen dapat digunakan dalam menen-
tukan distribusi secara pendekatan.
Teorema
Misalkan variabel random Y
n
mempunyai fungsi distribusi F
n
(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| h
1
< h sedemikian hingga Lim
n
M(t; n) = M(t), maka
Y
n
dikatakan mempunyai distribusi pendekatan dengan fungsi distribusi
F(y).
Contoh
Misalkan Y
n
adalah variabel random berdistribusi binomial dengan pa-
rameter n dan p. Jika rerata dari Y
n
adalah sama untuk setiap n, yaitu
= np, sehingga p =

n
dengan adalah konstanta, maka apakah ada
distribusi pendekatan dari Y
n
?
Jawab :
n
adalah
F(y
n
) =
_
n
y
n
_
p
yn
(1 p)
nyn
; y
n
= 0, 1, 2, ..., n
= 0 ; lainnya
Kemudiankita akan menentukan fungsi pembangkit momen dari Y
n
.
Fungsi pembangkit momen dari y
n
adalah:
M(t; n) = E(e
tyn
)
=
n
yn=0
e
tyn
_
n
y
n
_
p
yn
(1 p)
nyn
=
n
yn=0
_
n
y
n
_
(pe
t
)
yn
(1 p)
nyn
= ((1 p) + pe
t
)
n
=
_
1

n
+

n
e
t
n
=
_
1 +
(e
t
1)
n
n
_
Lim
n
M(t; n) = Lim
n
_
1 +
(e
t
1)
n
n
_
Lim
n
M(t; n) = e
(e
t
1); t
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari dis-
tribusi poison dengan rerata dan M(t) = e
(e
t
1)
. Dengan demikian
Y
n
dikatakan mempunyai distribusi pendekatan dengan distribusi
penekatannya adalah Poisson dengan rerata .
Contoh :
Misalkan variabel random Z
n
berdistribusi chi-kuadrat dengan derajat ke-
bebasan = n. Jika variabel random Y
n
=
(Znn)
2n
, maka tentukan distribusi
pendekatan dari Y
n
dengan menggunakan fungsi pembangkit momen.
Jawab :
Fungsi kepadatan peluang dari Z
n
adalah
f(z
n
) =
1
2
n/2
.(
n
2
)
z
(n/2)1
n e
Zn/2
; Z
n
> 0
= 0 ; lainnya
Fungsi pembangkit momen dari Z
n
adalah:
M
Zn
(t) = E(e
tzn
)
=
_
0
e
tzn 1
2
n/2
.(
n
2
)
z
(n/2)1
n e
Zn/2
dz
n
=
_
0
1
2
n/2
.(
n
2
)
z
(n/2)1
n e
Zn/2
dz
n
Misalkan: u = z
n
((1/2) t) ; du = ((1/2) t)dz
n
M
Zn
(t) =
1
2
n/2
.(
n
2
)
_
0
_
u
(1/2)t
_
(n/2)1
e
u du
((1/2)t)
=
1
2
n/2
.(
n
2
)((1/2)t)
n/2
_
0
u
(n/2)1
e
u
du
=
1
2
n/2
.(
n
2
)((1/2)t)
n/2
_
n
2
_
= (1 2t)
n/2
; t < 1/2
Fungsi pembangkit momen dari Y
n
adalah:
M(t; n) = M
Yn
(t) = E(e
tYn
)
= E
_
exp
_
t
_
(Znn)
2n
___
= e
tn/
2
.E
_
e
tZn/
2
_
= e
tZn/
2
.M
Zn
(
t
2n
)
= e
(t
2
n
)(n/2)
_
1 2
t
2n
_
n/2
=
_
e
t
2
n
t
_
2
n
e
t
2/n)
n/2
_
Apabila e
t
2/n)
diuraikan dengan Deret Taylor, maka akan diperoleh:
e
t
2/n)
= 1 +t
_
2
n
+
1
2
_
t
_
2
n
_
2
+
1
6
_
t
_
2
n
_
3
+ ...
Sehingga:
M(t; n) = 1 +t
_
2
n
+
1
2
_
t
_
2
n
_
2
+
1
6
_
t
_
2
n
_
3
+ ...
t
_
2
n
_
1 +t
_
2
n
+
1
2
_
t
_
2
n
_
2
+
1
6
_
t
_
2
n
_
3
+ ...
_
n/2
=
_
1 t
2
(
2
n
) +
1
2
t
2
(
2
n
) +
1
6
t
3
(
2
n
)
_
2
n

1
2
t
3
(
2
n
)
_
2
n
+ ...
_
n/2
=
_
1
t
2
n

1
3
t
3
(
2
n
)
_
2
n
+ ...
_
n/2
Lim
n
M(t; n) = Lim
n
_
1
t
2
n

1
3
t
3
(
2
n
)
_
2
n
+ ...
_
n/2
M(t; n) = Lim
n
_
1
t
2
n

1
3
t
3
(
2
n
)
_
2
n
+ ...
_
n/2
= Lim
n
_
1
t
2
n
_
n/2
Lim
n
M(t; n) = e
t
2
2
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari dis-
tribusi normal standar, yaitu M(t) = e
t
2
2 . Jadi variabel random Y
n
=
(Znn)
2n
mempunyai distribusi pendekatan berbentuk distribusi normal standar.
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.
= np = 50.0, 04 = 2
P(Y 1) = P(Y = 0) +P(Y = 1)
=
e
2
2
0
0!
+
e
2
2
1
1!
= 3.e
2
= 0, 4060
1.3.2.3 Melalui Teorema Limit Pusat
Berikut ini akan dijelaskan beberapa teorema limit pusat, sbb:
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 X
i
, I = 1, 2, 3, ..., n adalah n buah variabel random yang saling
bebas sedemikian hingga E(X
i
) =
i
dan Var (X
i
) =
2
i
maka vari-
abel random S
n
= X
1
+X
2
+... +X
n
secara pendekatan berdistribusi
N(;
2
) dengan =
n
i=1
i
dan Var (X
i
) =
n
i=1
2
i
2. Teorema limit pusat berikut ini dikemukakan oleh De-Moiures dan
Laplace pada tahun 1833
Teorema
Jika X
i
=
_
1 ; dengan peluang p
0 ; dengan peluang q = 1 p
maka distribusi dari variabel random S
n
= X
1
+X
2
+... +X
n
dengan
X
i
saling bebas dan berdistribusi identik, secara pendekatan akan
berdistribusi N(np; npq) untuk n .
Bukti :
Fungsi pembangkin momen dari X
i
adalah:
M
xi
(t) = E [e
txi
]
=
1
xi=0
e
txi
f(x
i
= e
t(1)
.p + e
t(0)
.q
= pe
t
+ q
)
Fungsi pembangkit momen dari S
n
adalah:
M
sn
(t) = E [e
tsn
]
= E
_
e
t(X1+X2+...+Xn)
= E
_
e
tX1+tX2+...+tXn
=
_
e
tX1
+
_
e
tX2
+ ... + E
_
e
tXn
= M
x1
(t) + M
x2
(t) + ... + M
xn
(t)
= (pe
t
+ q).(pe
t
+ q)...(pe
t
+ q)
M
sn
(t) = (pe
t
+ q)
n
Ternyata bentuk di atas merupakan fungsi pembangkit momen dari
distribusi binomial dengan parameter n dan p.
Jadi E(S
n
) = np dan Var (S
n
) = npq, misalkan : Z =
SnE(Sn)
Var (Sn)
=
Snnp
npq
Fungsi pembangkit momen dari Z adalah:
M
z
(t) = E
_
e
tZ
= E
_
exp
_
t
_
Snnp
npq
___
= e
tnp/
npq
.M
sn
_
t
npq
_
= e
tnp/
npq
_
pe
t/
npq
+ q
n
=
_
e
tp/
npq
_
pe
t/
npq
+ q
n
=
_
e
tq/
npq
+ q.e
tp/
npq
n
=
_
p
_
1 +
tq
npq
+
t
2
q
2
2npq
+
t
3
q
3
6npq
npq
+ ...
_
+q
_
1
tq
npq
+
t
2
q
2
2npq
+
t
3
q
3
6npq
npq
+ ..
__
n
=
_
p + t
_
pq
n
+
t
2
q
2n
+
t
3
q
2
6np
npq
+ ... + q
t
_
pq
n
+
t
2
q
2n
+
t
3
q
2
6np
npq
+ ...
_
n
M
z
(t) =
_
1 +
t
2
2n
+
t
3
(qp)
6
npq
+ ...
_
n
Lim
n
M
z
(t) = Lim
n
_
1 +
t
2
2n
+
t
3
(q p)
6
npq
+ ...
_
n
= Lim
n
_
1 +
t
2
2n
_
n
Lim
n
M
z
(t) = e
t
2
/2
distribusi normal standar. Jadi Z =
Snnp
npq
berdistribusi N(0; 1). Den-
gan menggunakan teknik fungsi pembangkit momen dapat ditun-
jukkan S
n
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 X
1
+ X
2
+ ... + X
n
adalah n buah variabel random
yang bebas dan berdistribusi identik dengan:
E(X
i
) = ; V ar(X
i
) =
2
; i = 1, 2, ..., n
maka variabel random S
n
= X
1
+ X
2
+ ... + X
n
secara pendekatan
berdistribusi normal dengan rerata = n dan variansi
2
= n
2
Bukti : Misalkan M
1
(t) menunjukkan fungsi pembangkit momen
dari (X
i

1
) dan M(t) menunjukkan fungsi pembangkit momen
dari Z =
Sn
.
Karena
1
dan
2
dari (X
i
1
) diberikan dengan:
1
= E(X
i
1
) = E(X
i
)
1
=
1
1
= 0
2
= E(X
i
1
)
2
=
2
i
maka fungsi pembangkit momen dari (X
i
1
) adalah:
M
1
(t) = E
_
e
t(xi1)
= E
_
1 +t(x
i
1
) +
1
2
t
2
(x
i
1
)
2
+
1
6
t
3
(x
i
1
)
3
+ ...
_
= 1 +tE(x
i
1
) +
1
2
t
2
E(x
i
1
)
2
+
1
6
t
3
E(x
i
1
)
3
+ ...
M
1
(t) = 1 +
t
t
2
2
i
+
1
6
t
3
E(x
i
1
)
3
+ ...
Kita akan menguraikan dahulu Z,
Z =
S
n
=
(X
1
+ X
2
+ ... + X
n
)
dengan :
(i) = E(S
n
) = E(X
1
+ X
2
+ ... + X
n
)
= E(X
1
) + E(X
2
) + ... + E(X
n
)
=
1
+
1
+ ... +
1
= E(S
n
) = n
1
(ii) =
_
Var (S
n
)
=
_
Var(X
1
+ X
2
+ ... + X
n
)
=
_
Var(X
1
) + Var(X
2
) + ... + Var(X
n
)
=
_
2
1
+
2
1
+ ... +
2
1
)
=
1
n
Jadi
Z =
(X
1
+ X
2
+ ... + X
n
) n
1
n
=
n
xi=0
(X
i
1
)
n
Fungsi pembangkit momen dari Z adalah:
M
z
(t) = E
_
e
tZ
= E
_
e
t
n
P
n
x
i
=0
(Xi1)
_
= E
_
e
t
n
[(x11)+t(x21)+...+t(xn1)]
_
= E
_
e
t
n
[(x11)+t(x21)+...+t(xn1)]
_
= E
_
e
t
n
(x11)
e
t
n
(x21)
....e
t
n
(xn1)
_
= M
x1
1
_
t
n
_
.M
x2
1
_
t
n
_
....M
xn
1
_
t
n
_
M
z
(t) =
_
M
x1
1
_
t
n
__
n
=
_
1 +
1
2
_
t
n
_
2
2
1
+
1
6
_
t
n
_
3
2
1
+ ...
_
n
=
_
1 +
t
2
2n
+
t
3
6
1
n
n
+ ...
_
n
Lim
n
M
z
(t) = Lim
n
_
1 +
t
2
2n
+
t
3
61n
n
+ ...
_
n
= Lim
n
_
1 +
t
2
2n
_
n
Lim
n
M
z
(t) = e
t
2
/2
distribusi normal standar. Jadi Z =
Snn1
1n
berdistribusi N(0; 1).
4. Teorema: Jika X
1
+X
2
+... +X
n
menunjukkan sampel acak distribusi
yang mempunyai rerata dan varians
2
, maka variabel random:
Y
n
=
n
xi=1
(X
i
1
)
n
akan berdistribusi N(0; 1)
Bukti : Tentukan fungsi pembangkit momen dari Y
n
, kemudian kita
akan menguraikan e
t
h
X
1
n
i
berdasarkan deret Taylor, sehingga diper-
oleh:
M(t; n) =
_
1 +t
_
X1
n
_
+
t
2
2
_
X1
n
_
2
+
t
3
6n
_
X1
n
_
3
+ ...
_
n
=
_
1 +
t
1
n
E(X
1
) +
t
2
2n
2
E(X
1
)
2
+ ...
_
n
=
_
1 +
t
2
2n
+
t
3
6
3
n
n
E(X
1
)
3
+ ...
_
n
Lim
n
M(t; n) = Lim
n
_
1 +
t
2
2n
+
t
3
6
3
n
n
E(X
1
)
3
+ ...
_
n
= Lim
n
_
1 +
t
2
2n
_
n
Lim
n
M(t; n) = e
t
2
/2
distribusi normal standar, sehingga Y
n
=
P
n
x
i
=1
Xin
n
berdistribusi
N(0; 1).
5. Teorema: Jika X
1
, X
2
, ..., X
n
menunjukkan sampel acak dari dis-
tribusi yang mempunyai rerata dan varians
2
, maka variabel ran-
dom Y
n
=
x
/
n
akan berdistribusi normal standar.
Bukti : Fungsi pembangkit momen dari Y
n
adalah:
M
Yn
(t) = M(t; n) = E(e
tyn
)
= E
_
e
t
x
/
n
_
= E
_
e
t
/
n
.e
tx
/
n
_
= e
t
/
n
E
_
e
t
n
[X1+X2+...+Xn]
_
= e
t
/
n
E
_
e
t
n
X1
.e
t
n
X2
...e
t
n
Xn
_
= e
t
/
n
E
_
e
t
n
X1
_
.E
_
e
t
n
X2
_
...E
_
e
t
n
Xn
_
= e
t
/
n
.
M
x1
_
t
1
n
_
.M
x2
_
t
1
n
_
....M
xn
_
t
1
n
_
M(t; n) = e
t
/
n
_
M
x1
_
t
1
n
__
n
ln M(t; n) =
t
/
n
+ n.ln M
x1
_
t
1
n
_
Apabila kita menguraikan M
x1
_
t
1
n
_
lebih lanjut, maka akan diper-
oleh hasil:
M
x1
_
t
1
n
_
= 1 +
1
t
1
n
+
1
2
2
_
t
1
n
_
2
+
1
6
3
_
t
1
n
_
3
+ ...
Sehingga:
ln M(t; n) =
t
/
n
+n.ln M
x1
_
1 +
1
t
1
n
+
1
2
2
_
t
1
n
_
2
+
1
6
3
_
t
1
n
_
3
+ ...
_
Kita akan menguraikan ln (1 +x) dengan perluasan deret Maclau-
rin, yaitu:
ln (1 +x) = x
1
2
x
2
+
1
3
x
3
...; |x| < 1
Disini X =
1
t
1
n
+
1
2
2
_
t
1
n
_
2
+
1
6
3
_
t
1
n
_
3
+ ...
Sehingga:
ln M(t; n) =
t
n
+ n
__
1
t
1
n
+
1
2
2
_
t
1
n
_
2
+
1
6
3
_
t
1
n
_
3
+ ...
_
1
2
_
1
t
1
n
+
1
2
2
_
t
1
n
_
2
+
1
6
3
_
t
1
n
_
3
+ ...
_
2
+
1
3
_
1
t
1
n
+
1
2
2
_
t
1
n
_
2
+
1
6
3
_
t
1
n
_
3
+ ...
_
3
...
_
=
_
_
t +
_
2
2
2
+

2
1
2
2
_
t
2
+
_

3
6
3
n
+

2
2
n
_
t
3
+ ..
dengan:

1
=
1
=
2
=
2
ln M(t; n) = 0 +
1
2
t
2
+
_

3
6
3
3
2
3
n
+
(
1
)
3
23
3
n
_
t
3
+ ...
Lim
n
ln M(t; n) = Lim
n
_
1
2
t
2
+
_

3
6
3
3
2
3
n
+
(
1
)
3
23
3
n
_
t
3
+ ...
_
Lim
n
ln M(t; n) =
1
2
t
2
Lim
n
M(t; n) = e
t
2
/2
distribusi normal standar, sehingga : Y
n
=
x
/
n
berdistribusi N(0; 1).
Untuk menerapkan teorma limit pusat dalam menyelesaikan soal,
seringkali diperlukan untuk mengubahnya lebih dulu dalam bentuk
lain, yaitu: Jika X
1
, X
2
, ..., X
n
adalah n buah variabel random yang
saling bebas dan berdistribusi identik dengan rerata
1
dan variansi
2
yang besarnya berhingga dan S
1
= X
1
+ X
2
+ ... + X
n
; maka:
Lim
n
P
_
a
Snn1
1n
b
_
= (b) (b) =
_
b
a
1
2
e
x
2
/n
dx
Lim
n
P
_
a
SnE(Sn)
V ar(Sn)
b
_
= (b) (b)
Lim
n
P
_
a
XE(X)
q
V ar(X)
b
_
= (b) (b)
atau Lim
n
P
_
a
X1
1
n
b
_
= (b) (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
Hitung P(0, 45 < X < 0, 55)
Jawab :
Kita akan menghitung dahulu E(X) dan Var (X).
= E(X) =
_
1
0
xdx =
1
2
2
= E(X
2
) =
_
1
0
x
2
dx =
1
3
Jadi :
2
=Var (X) =Var (X) =
1
3

1
4
=
1
12
Sehingga:
P(0, 45 < X < 0, 55) = P
_
0,450,5
q
1
(75)(12)
<
X1
1
n
<
0,550,5
q
1
(75)(12)
_
= P(1, 50 < Z < 1, 50)
P(0, 45 < X < 0, 55) = 0, 866
2. Misalkan X
1
, X
2
, ..., X
n
menunjukkan sebuah sampel acak dari dis-
tribusi b(1, p). Jika n = 100, p = 1/2, dan Y = X
1
+ X
2
+ ... + X
n
;
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
_
47,550
5

Y E(Y )
V ar(Y )
52,550
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.
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
_
_
1
2
_
100
= 0, 0375
P(Y = 49) =
_
100
49
_
_
1
2
_
100
= 0, 0780
P(Y = 50) =
_
100
50
_
_
1
2
_
100
= 0, 0796
P(Y = 51) =
_
100
51
_
_
1
2
_
100
= 0, 0780
P(Y = 52) =
_
100
52
_
_
1
2
_
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 X
1
, X
2
, ..., X
n
adalah n buah variabel random yang masing-
masing berdistribusi (1). Jika S
n
= X
1
+ X
2
+ ... + X
n
dan n = 100
, maka tentukan nilai a sedemikian hingga P(S
n
< a) = 0, 95
Jawab :
Dengan menggunakan teknik fungsi pembangkit momen, maka
S
n
akan berdistribusi (n). Akibatnya
(a) E(S
n
) = n = 100
(b) Var (S
n
) = 2n = 200
Sehingga:
P(S
n
< a) = 0, 95
P
_
S
n
E (S
n
)
_
V ar (S
n
)
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(S
n
<
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 X
n
menunjukkan rerata dari sampel acak berukuran
N(;
2
). Tentukan distribusi pendekatan dari X
n
2. Misalkan Y
1
menunjukkan statistik urutan pertama dari sampel acak
berukuran n yang berasal dari distribusi dengan fungsi kepadatan
peluang berbentuk:
f(x) = e
(x)
; < x <
= 0 ; lainnya
Jika Z
n
= n(Y
1
), maka tentukan distribusi pendekatan dari Z
n
3. Misalkan X
1
, X
2
, ..., X
n
merupakan sebuah sampel acak berukuran n
dari distribusi yang mempunyai fungsi kepadatan peluang berben-
tuk:
f(x) =
e
x
x
1
()
; x > 0, 0 < <
= 0 ; lainnya
Jika X
n
=
1
n
n
i=1
X
i
, maka perlihatkan bahwa untuk n
berlaku:
n(X
n
)
(X
n
)
1/2
N(0, 1)
dalam distribusi.
4. Jika variabel random acak Z
n
berdistribusi Poisson dengan parame-
ter = n, maka perlihatkan bahwa distribusi pendekatan dari vari-
abel randomacak Y
n
= (Z
n
n)/
n adalah distribuai normal dengan

rerata 0 dan variansi 1
5. Misalkan X
n
menunjukkan rerata dari sampel acak berukuran n
dari distribusi Poisson dengan parameter = 1. Perlihatkan bahwa
fungsi pembangkit momen dari:
Y
n
=
n(X
n
)/ =
n(X
n
1)
Jika diberikan dengan exp(t
n + n(e
t/
n
1))
6. Untuk soal nomer 5, selidiki distribusi pendekatan dari Y
n
untuk
n . Petunjuk: Uraikan e
t/
n
dengan menggunakan perluasan
deret maclaurin
7. Misalkan X
n
menunjukkan rerata dari sampel acak berukuran n dari
distribusi dengan fungsi kepadatan peluang berbentuk
f(x) = e
x
; x > 0
= 0 ; lainnya
(a) Perlihatkan bahwa fungsi pembangkit momen dari:
Y
n
=

n(X
n
1) sama dengan m
(t,n)
= [e
t/
n
(t
n)e
t/
n
]
n
0
; t <
n
(b) Tentukan distribusi dari Y
n
untuk n
8. Misalkan X
n
menunjukkan rerata dari sampel acak berukuran 15
dari distribusi dengan fungsi kepadatan peluang berbentuk:
f(x) = 3x
2
; 0 < x < 1
= 0 ; lainnya
Hitung secara pendekatan P(
3
5
< X <
4
5
)
9. Misalkan S
2
n
menunjukkan variansi dari sampel acak berukuran n
dari distribusi N(,
2
) Buktikan bahwa
nS
2
n
n1
konvergen stokastik ke
-
2
10. Misalkan X
1
, X
2
, ..., X
10
adalah barisan peubah acak yang saling be-
bas dan berdistribusi identik dengan rerata dan variansi. Perli-
hatkan bahwa:
(a)
2
n(n+1)
n
i=1
i.X
i
p
(b)
6
n(n+1)(2n+1)
n
i=1
i.X
i
p

Bab 2
Konvergensi Variabel Random
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.
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
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()yang dihubungkan dengan suatu kejadian 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 random
1
.
Denisi
Diberikan ruang probabilitas (, A, P), dengan , A, P masing-
masing menyatakan ruang sampel, ruang kejadian dan proba-
bilitas. Variabel random X didenisikan sebagai fungsi dari
(domain) ke bilangan real. Ditulis: X : R
Jadi variabel random merupakan fungsi dengan domain berupa ruang
sampel dan kodomain bilangan real.
1
Istilah percobaan random digunakan untuk menggambarkan proses atau prosedur
yang 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 data
numerik (bilangan) maupun katagorik.
Bab 2. Konvergensi Variabel Random 26 ISBN 978-602-8310-02-4
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 dari v relatif kecil dibandingkan m, maka
x() dari pengukuran tersebut cukup baik untuk m. Dalam konteks ini,
dapat dikatakan bahwa rataan dari random variabel x adalah m dan va-
riannya
2
. Hal ini dapat dinyatakan dalam bentuk pertidaksamaan Tche-
bycheff sbb:
P(|x m| < ) > 1

2
2
(2.1)
Jika varian x relatif kecil dibanding atau maka probabilitas |x
m| < akan menuju 1,atau P(|x m| < ) 1. Hal ini berarti bahwa
suatu hasil pengamatan terhadap panjang benda m tersebut hampir pasti
(almost certainly) terletak antara m dan m + . Akibatnya parameter m
terletak antara x() dan x() + .
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 X
n
= (x
1
, x
2
, ..., x
n
), dengan rata-rata sampel x =
n
i=1
(x
1
+x
2
+ ... +x
n
), juga merupakan variabel random dengan rata-
rata m dan varian

2
n
. Jika n cukup besar sehingga
2
n.m
2
maka nilai
x() merupakan estimasi yang baik untuk parameter (yang tak diketahui)
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

2
.n
m
2
=
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

2
2
, dengan = 0, 1.m
P(| x m| < = 1
10
4
.m
2
10
2
n.m
2
= 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 X
1
, X
2
, ... X
n
barisan variabel random
dengan distribusi bersama yang terletak pada ruang sampel yang sama
dan X variabel random yang lain yang juga terletak pada ruang sampel
. Selanjutnya masalah dapat dirumuskan menjadi: Bagaimana jenis dan
sifat konvergensi dari barisan variabel random X
n
tersebut?.
2.3.3 Jenis-Jenis Konvergensi Variabel Random
2.3.3.1 Konvergen dalam Distribusi
Denisi
Misalnya X
1
, X
2
, ..., X
n
adalah barisan variabel randomyang didenisikan
atas ruang sampel yang sama S. Jika F
n
(x) fungsi distribusi dari variabel
random X
n
, kita katakan X
n
konvergen ke X dalam distribusi dan ditulis
X
n
d
X jika ada fungsi distribusi dari X sehingga
lim
n
F
n
(x) = F(x) (2.2)
untuk setiap titik x dimana F(x) kontinu. X
n
konvergen ke X dalam dis-
tribusi juga dikatakan X
n
mempunyai limit distribusi dengan fungsi dis-
tribusi F(x).
Teorema KekontinuanLevy :
Misal Y
n
variabel random dengan fungsi distribusi F
n
(y) dan M
n
(y) ada
untuk t . Jika F(y) fungsi distribusi yang bersesuaian dengan M(t)
sehingga M
n
(t) M(t) maka Y
n
d
Y .
Catatan :
Lim
n
{1 +b/n + (n)/n}
cn
= e
bc
, jika (n) = 0 (2.3)
Teorema Limit Pusat
Jika X
1
, X
2
, ..., X
n
(,
2
), > 0 maka Y
n
=
n(X
n
)/
d
Y, dimana
Y N(0, 1)
Bukti
Dalam pembuktian berikut, diasumsikan fpm dari x ada. Misal fpm dari
X dan X adalah M(t) dan m(t) maka m(t) = E(e
t(X)
) = e
t
M(t)
juga ada. Karena m(t) merupakan fpmdari X maka m(0) = 1, m
(0) =
E(X ) = 0, m
(0) = E(X )
2
=
2
. Menurut teorema Taylor, ada
bilangan antara 0 dan t sehingga m(t) = m(0)+ m
(0)t+ m
()t
2
/2 =
1 + m
()t
2
/2. Di ruas kanan ditambah dan dikurangkan dengan
2
t
2
/2
maka
m(t) = 1 +
2
t
2
/2 +
[m
()
2
] t
2
2
.
Pandang
M
n
(t) = E
_
exp
_
t
_
n
i=1
X
i
n
_
/
n
__
(2.4)
=
_
E
_
exp
_
t
X
n
___
n
(2.5)
=
_
m
_
t
n
__
n
; h < t < h (2.6)
Menurut di atas diperoleh:
m
_
t
n
_
= 1 +
t
2
2n
+
[m
()
2
] t
2
2n
2
(2.7)
dengan 0 < <
t
n
dan h
n < t < h
n sehingga
M
n
(t) =
_
1 +
t
2
2n
+
[m
()
2
] t
2
2n
2
_
n
(2.8)
Karena m
(t) kontinu di t = 0 dan jika n maka 0 maka diperoleh

(m
()
2
) 0 akibatnya M
n
(t) e
t
t
/2
. Jadi Y
n
d
Y dimana Y N(0, 1)
Contoh
Misalkan X
1
, X
2
, ..., X
n
adalah n buah variabel random yang saling bebas
berdistribusi seragam pada (0, ), > 0. Jika Y
n
= max (X
1
, X
2
, ..., X
n
)dan
variabel random Z didenisikan sebagai P(Z = ) = 1, maka buktikan
Y
n
d
Z
Jawab :
Fungsi kepadatan peluang dari X adalah:
f(x) =
1
; 0 < x <
= 0 ; lainnya
Fungsi distribusi dari Y
n
adalah:
F
Yn
(y
n
) = P(Y
n
y
n
= P(max (X
1
, X
2
, ..., X
n
) y
n
= P(X
1
y
n
, X
2
y
n
, ..., X
n
y
n
)
= P(X
1
y
n
).P(X
2
y
n
)....P(X
n
y
n
)
= [P(X
1
y
n
)]
n
_
_
yn
f(x)dx
_
Untuk y
n
< 0 maka F
Yn
(y
n
) = 0
Untuk 0 y
n
< ,
F
Yn
(y
n
) =
_
_
0
f(x)dx +
_
yn
0
f(x)dx
_
n
=
_
_
0
0dx +
_
yn
0
1
dx
_
n
=
_
yn
n
Untuk y
n
,
F
Yn
(y
n
) =
_
_
0
f(x)dx +
_
0
f(x)dx +
_
yn
0
f(x)dx
_
n
=
_
_
0
dx +
_
yn
0
1
dx +
_
yn
0
0dx
_
n
= 1
Jadi
F
Yn
(y
n
) = 0 ; y
n
< 0
=
_
yn
n
; 0 y
n
<
= 1 ;
_
yn
n
Lim
n
F
Yn
(y
n
) = 0 ; y
n
< 0
= 1 ; y
n

Karena didapat Lim
n
F
Yn
(y
n
) = F(z), dengan F(z) adalah fungsi dis-
tribusi dari Z.
Jadi Y
n
d
Z
Contoh Diketahui barisan fungsi distribusi
F
n
(x) =
_
0, x < n
1, x n
(2.9)
Jelaslah bahwa lim
n
F
n
(x) = 0 = F(x) , karena F(x) = 0, X bukan
fungsi distribungsi maka X
n
tidak konvergen dalam distribusi.
Contoh Diketahui fungsi distribusi dari variabel random x
n
sbb:
F
n
(x) =
x
_
1
(2)
1/2
(1/n)
1/2
e
nw
2/2
dw (2.10)
Apakah variabel random x
n
mempunyai limit distribusi?
Jawab Misal v =
nw, sehingga
F
n
(x) =
nx
_
2
e
v
2
/2
dv (2.11)
dan
Lim
n
F
n
(x) =
_
_
0, x < 0
1
2
, 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 = 0
lim
n
F
n
(x) = F(x) (2.13)
Jadi variabel random x
n
mempunyai limit distribusi dengan fungsi distri-
busi F(x) atau x
n
d
x.
Contoh Diketahui X
n
barisan variabel random dengan
f
n
(x) =
_
1; x = 2 +
1
n
0; xyang lain
diperoleh lim
n
f
n
(x) = 0, untuk setiap x. Karena f(x) = 0 bukan
merupakan fkp, maka f
n
(x) tidak konvergen ke suatu fkp. Tetapi
F
n
(x) =
_
0; x < 2 +
1
n
1; x 2 +
1
n
(2.14)
dan
lim
n
F
n
(x) = F(x) =
_
0; x < 2
1; x 2
(2.15)
Karena lim
n
F
n
(x) = F(x) di setiap titik kontinu dari F(x) maka x
n
d
x. Ini berarti limit distribusi tidak dapat ditentukan oleh fkp.

2.3.3.2 Konvergen dalam Probabilitas
Misalkan F
n
(y) menunjukkan fungsi distribusi dari variabel random Y
n
yang distribusinya bergantung pada n bilangan bulat positif. Jika c sebuah
konstanta yang tidak bergantung pasa n, maka Y
n
dikatakan konvergen
stokastik ke-c jika dan hanya jika untuk setiap > 0 berlaku:
Lim
n
P [|Y
n
c| < ] = 1
Konvergen stokastik ke parameternya atau ke suatu konstanta, sering
dinyatakan sebagai konvergen dalam peluang.
Definisi
Misalkan Z
1
, Z
2
, ..., Z
n
adalah barisan variabel random yang didenisikan
atas ruang sampel S. Misalkan pula Z adalah variabel random lain yang
didenisikan atas ruang sampel S. Kita katakan Z
n
konvergen ke-Z dalam
peluang (ditulis Z
n
p
Z), jika untuk setiap > 0 berlaku:
Lim
n
P [|Z
n
Z| ] = 0 (2.16)
Karena
P {|Z
n
Z| } + P {|Z
n
Z| < } = 1
maka
P {|Z
n
Z| } 0 P {|Z
n
Z| < } 1 (2.17)
Penyelesaian masalah konvergen dalam peluang digunakan ketidak-
samaan Chebysev, yaitu:
P [|X
x
| k
x
]
1
k
2
atau
P [|X
x
| < k
x
] 1
1
k
2
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 modikasi terhadap nilai di dalam harga mutlaknya,
sedemikian hingga nilai tersebut sesuai dengan yang diharapkan.
5. Misalkan k
x
= dengan
x
sudah disubstitusikan dan diperoleh ni-
lai k. Kemudian tentukan nilai k
2
.
6. Beri limit untuk n pada kedua ruasnya.
Contoh Misalkan X
1
, X
2
, ..., X
n
adalah sebuah sampel acak dari distribusi
eksponensial dengan fungsi kepadatan peluang berbentuk:
f(x) =
1
e
x/
; x > 0
= 0 ; lainnya
Perlihatkan bahwa x konvergen stokastik
ke-.
Jawab :
Dari ketidaksamaan Chebysev: P [|X
x
| k
x
]
1
k
2
Kita mengetahui bahwa E(X
i
) = dan Var(X
i
) =
2
.
Karena x =
1
n
n
i=1
X
i
=
1
n
[X
1
+ X
2
+ ... + X
n
] , maka
(i) E (x) = E
_
1
n
[X
1
+ X
2
+ ... + X
n
]
=
1
n
[E (X
1
) + E (X
2
) + ... + E (X
n
)]
E (x) =
1
n
( + ... + ) =
(ii) V ar (x) = V ar
_
1
n
[X
1
+ X
2
+ ... + X
n
]
= n
2
[V ar (X
1
) + V ar (X
2
) + ... + V ar (X
n
)]
= n
2
(
2
+
2
... +
2
) =

2
n
Jadi:
P
_
n
_
1
k
2
Misalkan
= k.

n
k =

k
2
=

2
n
2
Sehingga:
P
_
2
n
Lim
n
P
_
Lim
n
2
n
= 0
Dengan demikian X konvergen stokastik ke-.
Contoh Misalkan barisan variabel random (X
1
, X
2
, ..., X
n
) (,
2
). Tun-
jukkan apakah X
n
p
?
Jawab
Diberikan > 0
P {|X
n
| } = P
_
|X
n
| k/
n
_
(2.18)
dengan k =
n/. Dengan menggunakan ketaksamaan Chebyshev dipe-

roleh
P
_
|X
n
| k/
n
_
1/k
2
=
2
/(n
2
) (2.19)
P {|X
n
| } 0; jika
2
nit dan n (2.20)
Karena > 0; P {|X
n
| } 0 maka X
n
p
Catatan Syarat lim

n
P(|Y
n
c| < ) = 1 sering digunakan sebagai de-
nisi konvergen dalam probabilitas dan orang mengatakan bahwa Y
n
konvergen ke c dalam probabilitas. Tipe konvergen yang terkuat di-
berikan oleh P( lim
n
Y
n
= c) = 1. Dalam kasus ini kita katakan Y
n
konvergen ke c dengan probabilitas 1. Sehubungan dengan ini, me-
an sampel X
n
konvergen dengan probabilitas 1 ke mean 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 F
n
(u) menunjukkan fungsi distribusi dari variabel random
U
n
yang distribusinya bergantung pada bilangan bulat positif n. Jika
U
n
konvergen stokastik ke-c (c = 0), maka
Un
c
konvergen stokastik
ke-1.
2. Misalkan F
n
(u) menunjukkan fungsi distribusi dari variabel random
U
n
yang distribusinya bergantung pada bilangan bulat positif n. Ke-
mudian U
n
konvergen stokastik ke-c, c > 0) dan P(U
n
< 0) = 0untuk
setiap n. Dalam hal ini,
U
n
konvergen stokastik ke-
c.
3. Jika variabel random U
n
dan V
n
konvergen stokastik masing-masing
ke konstanta c dan d, maka:
(a) variabel random U
n
V
n
konvergen stokastik ke konstanta cd
(b) variabel random
Un
Vn
konvergen stokastik ke konstanta c/d, den-
gan d = 0
Contoh Misalkan variabel random Y
n
berdistribusi b(n, p), dengan 0 < p <
1. Jika U
n
=
Ynnp
np(1p)
,maka:
1. Tentukan disribusi penndekatan dari U
n
.
2. Perlihatkan bahwa
Yn
n
konvergen stokastik ke-p
Yn
np
konvergen stokastik ke-1
_
1
Yn
n
konvergen stokastik ke-(1 p)

Penyelesaian : Fungsi pembangkit momen dari Y
n
adalah: M
Yn
(t) = ((1
p) + pe
t
)
n
1. Fungsi pembangkit momen dari U
n
adalah:
M(t; n) = M
Un
(t) = E
_
e
tUn
= E
_
e
t
Ynnp
np(1p)
_
= e
t
np
1p
E
_
e
tYn
np(1p)
_
= e
t
np
1p
M
Yn
_
t
np(1p)
_
= e
t
np
1p
_
(1 p) + pe
t
np(1p)
_
n
=
_
(1 p)e
t
n
np
1p
+ pe
t
np(1p)
t
n
np
1p
_
n
=
_
(1 p)e
t
p
n(1p)
+ pe
ttp
np(1p)
_
=
_
(1 p)e
t
p
n(1p)
+ pe
t
q
1p
np
_
n
Kemudian kita akan menguraikan e
t
p
n(1p)
dan pe
t
q
1p
np
menggunakan
perluasan deret MacLaurin, yaitu:
(i) e
x
= 1 x +
x
2
2

x
3
6
+ ...dengan x = t
_
p
n(1p)
(ii) e
x
= 1 x +
x
2
2

x
3
6
+ ...dengan x = t
_
1p
np
Jadi:
M(t; n) =
_
(1 p)
_
1 t
_
p
n(1p)
+
t
2
2n(1p)

t
3
p
6n(1p)
_
p
n(1p)
+ ...
_
+
p
_
1 +t
_
1p
np
+
t
2
(1p)
2np
+
t
3
(1p)
6np
_
1p
np
+ ...
__
n
=
_
1 t
_
p
n(1p)
+
t
2
p
2n(1p)

t
3
p
6n(1p)
_
p
n(1p)
+ ... p+
pt
_
p
n(1p)
+
t
2
p
2
2n(1p)

t
3
p
2
6n(1p)
_
p
n(1p)
... + p+
pt
_
1p
np
+
t
2
(1p)
2n
+
t
3
(1p)
6n
_
1p
np
+ ...
_
n
Kita akan menguraikan suku-suku yang mengandung
t, t
2
, dan t
3
satu persatu .
(i) pt
_
p
n(1p)
t
_
p
n(1p)
+ pt
_
1p
np
= t
_
p
n(1p)
+2pt
_
p
n(1p)
= t(1 2p)
_
p
n(1p)
(ii)
t
2
p
2n(1p)

t
2
p
2
2n(1p)
+
t
2
(1p)
2n
=
t
2
2n
(iii)
t
3
p
6n(1p)
_
p
n(1p)
+
t
3
p
2
6n(1p)
_
p
n(1p)
+
t
3
(1p)
6n
_
1p
np
=
t
3
(2p1)
6n
np(1p)
Sehingga:
M(t; n) =
_
1 t(1 2p)
_
p
n(1p)
+
t
2
2n

t
3
(2p1)
6n
np(1p)
+ ...
_
n
=
_
1 +
t
2
2n
t(1 2p)
_
p
n(1p)

t
3
(2p1)
6n
np(1p)
+ ...
_
n
Lim
n
M(t; n) =
= Lim
n
_
1 +
t
2
2n
t(1 2p)
_
p
n(1p)

t
3
(2p1)
6n
np(1p)
+ ...
_
n
= Lim
n
_
1 +
t
2
2n
_
n
Lim
n
M(t; n) = e
t
2
2
disribusi normal standar. Jadi distribusi pendekatan dari U
n
adalah
N(0; 1)
2.
Yn
n
Untuk menyelesaikannya akan digunakan ketidaksamaan Cheby-
shev, yaitu:
P [|Y
n
Yn
| < k
Yn
] 1
1
k
2
Karena Y
n
berdistribusi b(n; p), maka:
Yn
= np
2
Yn
= np(1 p)
atau
Yn
=
_
np(1 p)
Jadi:
P
_
|Y
n
np| < k
_
np(1 p)
_
1
1
k
2
P
_
n
_
Y
n
n
p
_
< k
_
np(1 p)
_
1
1
k
2
P
_
Y
n
n
p
< k
_
np(1 p)
_
1
1
k
2
Misalkan: = k
_
p(1p)
n
dan k
2
=
n
2
1p
Sehingga:
P
_
Y
n
n
p
<
_
1
p(1 p)
n
2
Lim
n
P
_
Y
n
n
p
<
_
Lim
n
_
1
p(1 p)
n
2
_
= 1
Jadi
Yn
n
3. Variabel random
Yn
np
shev, yaitu:
P [|Y
n
Yn
| < k
Yn
] 1
1
k
2
P
_
|Y
n
np| < k
_
np(1 p)
_
1
1
k
2
P
_
np
_
Y
n
np
1
_
< k
_
np(1 p)
_
1
1
k
2
P
_
_
Y
n
np
1
_
< k
_
1 p
np
_
1
1
k
2
Misalkan : = k
_
1p
np
dan k
2
=
np
2
1p
Sehingga :
P
_
_
Y
n
np
1
_
<
_
1
1 p
np
2
Lim
n
P
_
_
Y
n
np
1
_
<
_
Lim
n
_
1
1 p
np
2
_
= 1
Jadi
Yn
n
4. Variabel random
_
1
Yn
n

shev, yaitu
P [|Y
n
Yn
| < k
Yn
] 1
1
k
2
P
_
|Y
n
np| < k
_
np(1 p)
_
1
1
k
2
P
_
n
_
Y
n
np
p
_
< k
_
np(1 p)
_
1
1
k
2
P
_
_
Y
n
np
p
_
< k
_
p(1 p)
n
_
1
1
k
2
P
_
_
Y
n
np
+ 1 1 p
_
< k
_
p(1 p)
n
_
1
1
k
2
P
_
_
1
Y
n
np
_
(1 p)
< k
_
p(1 p)
n
_
1
1
k
2
Misalkan: = k
_
p(1p)
n
dan k
2
=
n
2
p(1p)
Sehingga:
P
_
_
1
Y
n
np
_
(1 p)
<
_
1
p(1 p)
n
2
Lim
n
P
_
_
1
Y
n
np
_
(1 p)
<
_
Lim
n
_
1
p(1 p)
n
2
_
Lim
n
P
_
_
1
Y
n
np
_
(1 p)
<
_
1
Jadi
_
1
Yn
np
_
1. Diketahui variabel random X
1
, X
2
, ... X
n
i.i.d dengan fungsi kepa-
datan peluang:
f(x) =
_
1
; 0 < x < , 0 < <

0; untuk xyang lain
(2.21)
Misalkan dibentuk variabel random Y
n
= max(X
1
, X
2
, ...,X
n
), Tun-
jukkan apakah F
n
w
F, dan Y
n
d
Y untuk suatu variabel random
Y !
Jawab:
Karena f(x) =
1
untuk 0 < x < maka per denisi fungsi distribusi

variabel random X didapat sbb:
F
X
(x) = P(X x)
=
x
_
0
1
dt =
x
, 0 < x < (2.22)

Mengingat Y
n
adalah maksimum dari barisan variabel random
X
1
, X
2
, ... X
n
yang i.i.d, maka fungsi distribusi variabel random
Y
n
didapat dengan sbb:
F
Yn
(y) = P(Y
n
y)
= P(X
1
y, ...X
n
y)
= P(X
1
y)...(X
n
y)
= [F(y)]
n
mengingat 2.22 maka didapat
F
Yn
(y) =
_
[
y
]
n
, 0 < y <
1, y
(2.23)
Untuk 0 < y < dan jika n maka [
y
]
n
0, sehingga didapat:
lim
n
F
Yn
(y) =
_
0, 0 < y <
1, y
= F
Y
(y)
dengan F
Y
(y) merupakan suatu fungsi distribusi. Jadi dapat disim-
pulkan bahwa:
F
Yn
w
F
Y
(y) dan Y
n
d
Y , dimana Y adalah variabel randomdengan

distribusi F
Y
(y).
2. Diketahui {Y
n
} barisan variabel random dengan fungsi massa pelu-
ang (fmp). P {Y
n
= n} = 1; n = 1, 2, ... Selidiki apakah Y
n
konver-
gen dalam distribusi ke suatu variabel random?
Jawab :
Perhatikan bahwa, M
n
(t) = E(e
tYn
) = e
tn
P(Y
n
= n) = e
tn
. Se-
hingga jika n diperoleh
M
n
(t)

n M(t) =
_
_
0; t > 0
1; t = 0
; t < 0
Karena ada t sehingga M(t) = , maka M(t) bukan fpm. Misal
F
n
(y) fungsi distribusi yang berkaitan dengan Y
n
, maka
F
n
(y) =
_
0; y < n
1; y n
Jadi F
n
(y) F(y) = 1, y dengan F(y) bukan fungsi distribusi se-
hingga Y
n
tidak konvergen ke suatu fungsi distribusi.
3. Diketahui X
n
dengan fmp P {X
n
= 1} = 1/n, P {X
n
= 0} = 1 1/n.
Tunjukkan bahwa X
n
d
X
Jawab :
Perhatikan bahwa, M
n
(t) = 1/ne
t
+ (1 1/n) ada t . M
n
(t) 1.
Jadi M(t) = 1 adalah fpm dari variabel random x yang degenerate di
x = 0. Menurut teorema di atas maka X
n
d
X
4. Diketahui Y
n
B(n, p) maka = np dan p = /n. Apakah Y
n
d
Y ?
Jawab
M
n
(t) = E(e
tYn
) (2.24)
=
Yn=0
e
tYn
_
n
Y
n
_
P
Yn
(1 p)
nYn
(2.25)
=
n
Yn=0
_
n
Y
n
_
_
Pe
t
_
Yn
(1 p)
nYn
(2.26)
=
_
pe
t
+ (1 p)
n
(2.27)
=
_
1 +
(e
t
1)
n
_
n
(2.28)
Jadi M
n
(t) (e
t
1) ; t. Karena ada distribusi poisson dengan
mean mempunyai fpm (e
t
1) maka menurut teorema di atas
Y
n
d
Y.
5. Diketahui Z
n

2
(n). maka fpm dari Z
n
adalah(1 2t)
n/2
; t < 1/2.
Mean dan variansi dari Z
n
adalah n dan 2n. Tentukan limit distribusi
dari Y
n
= (Z
n
n)/
2n
Jawab :
fpm dari
Y
n
= E(e
tyn
) = e
[t((Znn)/
2n)]
(2.29)
= e
tn/
2n
E(e
tzn/
2n
) (2.30)
= e
h
(t
2/n)
n
2
ih
12
t
2n
i
n/2
; t < (
2n)/2 (2.31)
=
_
e
t
2
n
t
_
2
n
e
t
2
n
_
n/2
; t <
_
n
2
(2.32)
Menurut teorema Taylor ada bilangan (n) antara 0 dan t
2/n se-
hingga
e
t
2
n
= 1 +t
_
2
n
+ 1/2(t
_
2
n
)
2
+ 1/6e
(n)
(t
_
2
n
)
3
(2.33)
dan diperoleh
e
t
2
n
= (1
t
2
n
+
(n)
n
)
n/2
(2.34)
dengan
(n) =
2t
3
e
(n)
3
2t
3
n

2t
4
e
(n)
3n
; n (n) 0 (2.35)
akibatnya
M
n
(t) e
t
2
/2
; t (2.36)
Jadi Y
n
d
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 P
_
0, 45 < X < 0, 55
_
Jawab
E(X) = 1/2 dan E(X
2
) = 1/3 maka = 1/2 dan
2
= 1/12.
P
_
0, 45 < X < 0, 55
_
= P(
n(0, 45 )/ <

n(X )/ <
n(0, 55 )/ = 0, 866.
7. Jika
X
n
p
a dan Y
n
p
b X
n
+ Y
n
(a + b)
Bukti
Diberikan > 0, P {|X
n
+ Y
n
(a + b)| } P {|X
n
a| /2} +
P {|Y
n
b| /2} .
2
Karena kedua suku diruas kanan mendekati 0 untuk n , maka
diperoleh > 0 P {|X
n
+ Y
n
(a + b)| } 0. Jadi X
n
+ Y
n

(a + b)|
8. Diketahui Y
n
B(n, p), 0 < p < 1. Tentukan limit distribusi dari
Y
n
np
_
n(Y
n
/n)(1 Y
n
/n)
Jawab :
Perhatikan bahwa, menurut TLP
U
n
=
Y
n
np
_
np(1 p)
d
N(0, 1) (2.38)
Y
n
/n
p
p dan 1 Y
n
/n
p
1 p (Y
n
/n)(1 Y
n
/n)
p
p(1 p)
(Yn/n)(1Yn/n)
p(1p)
1
dan
V
n
=
_
(Y
n
/n)(1 Y
n
/n)
p(1 p)
_
1/2
p
1 (2.39)
Menurut teorema
W
n
= U
n
/V
n
=
Y
n
np
_
n(Y
n
/n)(1 Y
n
/n)
d
N(0, 1) (2.40)
2
gunakan ketaksamaan segitiga
9. Diketahui X
n
dan S
2
n
mean dan variabel sampel random yang ber-
ukuran n dari distribusi N(,
2
),
2
> 0. Tentukan limit distribusi
dari W
n
= X
n
/S
n
.
Jawab :
Telah dibuktikan bahwa X
n
dan S
2
n
berturut-turut konvergen dalam
probabilitas ke dan
2
. Menurut teorema, S
n
konvergen dalampro-
babilitas ke dan menurut teorema 1, S
n
/ konvergen ke 1. Menurut
teorema variabel random W
n
= X
n
/S
n
mempunyai limit distribusi
yang sama dengan X
n
. Jadi W
n
p
.
1. Tuliskan denisi dari:
(a) X
n
konvergen ke X dalam distribusi (ditulis X
n
d
X
(b) X
n
konvergen ke X dalam probabilitas (ditulis X
n
p
X)
2. Misalkan x
n
mean sampel random yang berukuran n dari distribusi
N(,
2
). Tentukan limit distribusi dari x
n
3. Misalkan Y
1
statistik terurut pertama dari sampel random yang ber-
ukuran n dari distribusi yang mempunyai f.k.p f(x) = e
(x)
, <
x < dan bernilai 0 untuk x yang lain. Jika Z
n
= n(Y
1
), tentukan
limit distribusi dari Z
n
.
4. Diketahui f.k.p dari Y
n
adalah
f
n
(y) =
_
1; y = n
0; y = n
(2.41)
Perlihatkan bahwa Y
n
tidak mempunyai limit distribusi.
5. Diketahui X
1
, X
2
, ..., X
n
sampel random yang berukuran n dari dis-
tribusi N(,
2
) dengan > 0. Perlihatkan bahwa Z
n
=
n
i=1
X
i
tidak
mempunyai limit distribusi.
6. Diketahui X
n
G(n, ), dengan bukan fungsi dari n. Tentukan
limit distribusi dari Y
n
= X
n
/n
7. Diketahui Z
n

2
(n) dan W
n
= Z
n
/n
2
. Tentukan limit distribusi
dari W
n
.
8. Buktikan teorema kekontinuan Levy; Misal Y
n
variabel random de-
ngan fungsi distribusi F
n
(y) dan M
n
(t) ada untuk t . JikaF(y)
fungsi distribusi ysng bersesuaian dengan M(t) sedemikian sehing-
ga M
n
(t) M(t) maka Y
n
d
Y
9. Buktikan teorema limit pusat berikut: Jika X
1
, ..., X
n
(,
2
), > 0
maka Y
n
=
n(X
n
)/
d
Y dimana Y N(0, 1).
10. Diketahui variabel random Y
n
mempunyai distribusi B(n, p).
(a) Buktikan bahwa Y
n
/n konvergen dalam probabilitas ke p. (Hal
ini merupakan suatu bentuk hukum lemah dari bilangan besar).
(b) Buktikan bahwa1 Y
n
/n konvergen dalam probabilitas ke 1 p
11. Misalkan S
2
n
variansi sampel yang berukuran n dari distribusi
N(,
2
). Buktikan bahwa nS
2
n
/(n 1) konvergen dalam probabili-
tas ke
2
.
12. Diketahui W
n
variabel random dengan mean dan varians
b
n
p
de-
ngan p > 0, dan b konstanta (bukan fungsi dari n). Buktikan bahwa
W
n
konvergen dalam probabilitas ke . (petunjuk gunakan ketaksa-
maan Chebyshev).
13. Misalkan Y
n
menyatakan statistik terurut ke-n dari sampel random
berukuran n dari distribusi uniform pada interval (0, ). Buktikan
bahwa Z
n
=
Y
n
konvergen dalam probabilitas ke
.
14. Diketahui X
n
G(, 1). Buktikan bahwa limit distribusi
n(X
n

)/
_
X
n
adalah N(0, 1)
15. Misal Y
1
, ..., Y
n
dan X
1
, ..., X
n
dua sampel random yang independen
dengan mean
1
dan
2
dan variansi bersama
2
. Tentukan limit dis-
tribusi dari
(Y
n
X
n
) (
1
2
)
_
2
n
(2.42)
(Petunjuk : misalkan Z
n
=
n
i=1
Z
i
/n dengan Z
i
= Y
i
- X
i
16. Diketahui X
n
berdistribusi gamma dengan parameter = n dan ,
dengan bukan fungsi dari n. Jika Y
n
= X
n
/n, tentukan limit distri-
busi dari Y
n
.
17. Diketahui Z
n
berdistribusi
2
(n) dan W
n
= Z
n
/n
2
. Tentukan limit
distribusi dari W
n
.
18. Misalkan Z berdistribusi
2
(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 Z
n
mempunyai distribusi poisson de-
ngan parameter = n. Perlihatkan bahwa limit distribusi dari vari-
abel random Y
n
= (Z
n
n)/
n N(0, 1)
21. Diketahui X
n
mean dari sampel random berukuran n dari distribusi
poisson dengan parameter = 1.
(a) Buktikan bahwa fungsi pembangit moment dari Y
n
=
n(X
n
)/ =
n(X
n
1) adalah exp
_
t
n + n(e
t/
n
1)
(b) Ekspansikan e
t/
n
kedalam deret Maclaurin, kemudian tentuk-
an limit distribusi dari Y
n
22. Diketahui X mean sampel random berukuran 100 dari distribusi
2
(50). Hitunglah P(49 < X < 51)
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) =
_
3x
2
; 0 < x < 1
0, yang lain
Tentukan
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 3
Estimasi Titik
Memahami konsep dasar estimasi titik dan mampu menerapkannya, baik
dalam pemecahan masalah matematika, ilmu lain maupun dalam kehi-
dupan sehari-hari
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
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 x
1
, ..., x
n
akan digunakan untuk melakukan inferensi tentang parameter . Namun
pada umumnya data-data yang terobservasi dari sampel x
1,
x
2
, ..., x
n
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 mendenisikan 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 sufciency principle) menyatakan bahwa statistik cu-
kup (A suffcient statistic) untuk parameter adalah statistik yang bisa me-
nyerap sejumlah informasi tentang yang termuat dalam sampel. Setiap
informasi tambahan dalam sampel, di samping harga statistik cukup, ti-
dak memuat informasi tambahan tentang . 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
T(x) adalah statistik cukup untuk , jika setiap inferensi tentang 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 harus sama, tidak tergantung apakah X = x
atau Y = y yang terobservasi.
Teorema
Bila f(x | ) adalah densitas dari x dan q(t | ) adalah densitas dari T(x),
maka T(x) adalah statistik cukup untuk jhj untuk setiap x dalam ruang
sampel, rasio f(x | )/q(T(x) | ) tidak tergantung pada .
Catatan :
P
(X = x|T(X) = t(x)) =
P
(X = x dan T(x) = t(x))

P
(T(x) = t(x))
(3.1)
=
P
(X = x dan T(x) = t(x))

P
(T(x) = t(x))
=
P
(X = x)
P
(T(X) = t(x)
=
f (x | )
q(T (x))
Contoh
Misalkan X
i
, ..., X
n
adalah variabel random i.i.d berdistribusi Bernoulli
dengan parameter , 0 < < 1. Akan ditunjukkan bahwa T(X) =
X
i
+... +X
n
adalah statistik cukup untuk . Perhatikan bahwa T(X)
merupakan jumlah harga-harga X
i
sedemikian sehingga T(X) mem-
punyai ditribusi Binomial (n, ), sehingga:
f (x())
q(T (x)()0
=
n
i

xi
(1 )
1xi
_
n
t
_
t
(1-)
nt
, (t =
x
i
) (3.2)
=

P
xi
(1 )
P
(1xi)
_
n
t
_

t
(1 )
nt
, (
n
xi
=
P
xi
)
=

t
(1 )
nt
_
n
t
_

t
(1-)
nt
=
1
_
n
t
_
=
1
_
n
x
i
_
Karena rasio di atas tidak tergantung pada , maka T(x)adalah statistik
cukup untuk .
Contoh
Misalkan X
i
, ..., X
n
adalah i.i.d. N(,
2
) dengan
2
diketahui adalah
statistik cukup untuk . Tunjukkan bahwa mean sampel, T(x)=
X
=
x1+...+xn
n
adalah statistik cukup untuk .
f(x | ) =
n
i=1
(2
2
)
1/2
exp((x
i
)
2
/2
2
) (3.3)
= (2
2
)
n/2
exp(
n
i=1
(x
i
)
2
/2
2
)
= (2
2
)
n/2
exp(
n
i=1
(x
i
x + x )
2
/2
2
)
= (2
2
)
n/2
exp(
n
i=1
(x
i
x)
2
+ n(x )
2
/2
2
)
Karena X N(,
2
/n), maka:
f (x | )
q(T (x) | )
=
( 2
2
)
n/2
exp
_
(
n
(x
i
x)
2
+ n(x )
2
) / 2
2
_
(2
2
/ n )
1/2
exp( n (x )
2
/(2
2
))
(3.4)
= n
1/2
(2
2
)
(n1) / 2
exp(
n
i=1
(x
i
x)
2
/2
2
)
yang tidak tergantung pada . Dengan menggunakan teorema sebelum-
nya, maka mean sampel adalah statistik cukup untuk .
Dengan menggunakan denisi, 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 . Cara tersebut memang kurang praktis.
3.3.1.2 Teorema Halmos & Savage
Misalkan f(x|) adalah densitas bersama dari sampel X. T(X)adalah sta-
tistik cukup untuk jhj terdapat fungsi g(t|) dan h(x) sedemikian hingga
untuk semua titik sampel x dan semua parameter berlaku;
f(x|) = g (T (x)|) h(x)) (3.5)
Bukti :
Misalkan T(X) adalah statistik cukup. Pilih g (t()) = P
0
(T (x) = t) dan
h(x) = P (X = x|T(X) = T(x)) . Karena T(X) statistik cukup, maka dis-
tribusi probabilitas yang mendenisikan h(x) tidak tergantung pada . Ja-
di, pemilihan h(x)dan g((t(x)) dapat dibenarkan dan untuk pemilihan ini
di dapat
f(x|) = P
(X x) (3.6)
= P
0
(X = x dan T(X) = T(x))
= P
0
(T(X) = T(x)) P (X = x|T(X) = T(x))
= g (T (x)|) h(x)
Sekarang andaikan faktorisasi di atas berlaku. Misalkan q(t|) adalah den-
sitas dari T(x). Untuk menunjukkan bahwa T(X) merupakan statistik cu-
kup, kita selidiki rasio f(x|) /q (T(x)|)
Denisikan
A
T (x)
= {Y : T(Y ) = T(x)} (3.7)
maka
f(x|)
q (T(x)|)
=
g (T (x)|) h(x)
q (T(x)|)
(3.8)
=
g (T (x)|) h(x)
A
T (x)
g (T (Y )|) h(y)
(definisi densitas dari T)
=
g (T (x)|) h(x)
g (T (x)|)
A
T (x)
h(y)
(karena T konstan padaA
T (x)
)
=
h(x)
A
T (x)
h(y)
Karena rasio ini tidak tergantung pada , maka T(X) adalah statistik cu-
kup untuk .
Contoh
Untuk distribusi normal dalam contoh di atas, dapat dilihat bahwa densi-
tas dapat difaktorkan sebagai:
f(x | ) = (2
2
)
n/2
exp
_
i=1
(x
i
x)
2
/2
2
_
exp
_
n(x )
2
/2
2
_
(3.9)
Kita dapat mendenisikan:
h(x) = (2
2
)
n/2
exp
_
i=1
(x
i
x)
2
/2
2
_
(3.10)
dan bentuk ini tidak tergantung pada parameter .
Faktorisasi di atas yang memuat tergantung pada sampel x hanya mela-
lui T(X) = X. Sehingga didapat
g(t | ) = exp
_
n(t )
2
/2
2
_
(3.11)
dan perhatikan bahwa
f(x | ) = h(x)g (T (x) | ) (3.12)
Jadi, dengan menggunakan teorema Faktorisasi; T(X) = x adalah statistik
cukup untuk .
Dalam contoh-contoh di atas, statistik cukup adalah suatu fungsi berhar-
ga real dari sampel. Semua informasi tentang 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) =
_
T
1
(
x), ..., T
n
(
x)
_
. Keadaan ini sering terjadi bila parameter juga
merupakan vektor, katakanlah
= (
1
, ...,
s
); biasanya r = s, walaupun
tidak selalu teorema faktorisasi juga dapat digunakan untuk menentukan
statistik cukup bernilai vektor.
Contoh
Andaikan kembali bahwa x
1
, x
2
, ..., x
n
. adalah i.i.d N(, ) tetapi
tidak seperti contoh di muka. Misalkan dan
2
kedua-duanya tidak
diketahui, sehingga vektor parameter adalah
= (,
2
). Sekarang,
bila menggunakan Teorema Faktorisasi, setiap bagian densitas yang
tergantung pada dan
2
harus dimasukkan dalamfungsi g. Terlihat
bahwa densitas tergantung pada sampel

x hanya melalui
T
1
(
x) =
_
X (3.13)
dan
T
2
(
x) = s
2
(3.14)
=
n
(x
i
X)
2
/(n 1)
Jadi, kemudian dapat mendenisikan h(
x) = 1 dan
g(t|) = g(t
1
, t
2
|,
2
) (3.15)
= (2
2
)
n/2
exp
_
_
n(t
1
)
2
+ (n 1)t
2
_
/ 2t
2
_
maka, dapat dilihat bahwa
f(
x| ,
2
) = g
_
T
1
(
X), T
2
(
X)|,
2
_
h(
X) (3.16)
Jadi, dengan menggunakan Teorema Faktorisasi,
T(
X) =
_
T
1
(
X), T
2
(
X)
_
= (
X, S
2
) (3.17)
adalah statistik cukup untuk (,
2
) dalam distribusi normal.
Untuk keluarga eksponensial, dengan menggunakan Teorema Fak-
torisasi, penentuan statistik cukup sangat mudah untuk dilakukan.
Contoh
Misalkan x
1
, x
2
, ..., x
n
. adalah i.i.d dengan densitas f(x|). Andaikan
f(x|) adalah keluarga eksponensial dengan densitas
f(x|) = h(x)c() exp
_
k
i=1
W
i
() t
i
(x)
_
(3.18)
Maka
T(
X) =
_
n
i=1
t
1
(X
j
)...
n
i=1
t
k
(X
j
)
_
(3.19)
adalah statistik cukup untuk .
3.3.2 Estimasi Titik
Kuantitas-kuantitas pada populasi, seperti mean () atau varian (
2
) yang
umumnya tak diketahui. Kuantitas tersebut disebut dengan parame-
ter populasi. Karakteristik (distribusi) suatu populasi tergantung pada
parameter-parameter ini. Misalnya, distribusi Exponensial P() tergatung
pada parameter , distribusi Normal N(,
2
) tergantung pada 2 parame-
ter mean dan variansi
2
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 digunakan sebagai lambang parameter
populasi, sehingga distribusinya dapat tulis f(x; ); . Dalam hal ini
himpunan disebut ruang parameter dan {f(x; ); } disebut keluar-
ga parametrik.
Jika pada populasi digunakan istilah parameter, maka pada sampel digu-
nakan istilah statistik. Statistik didenisikan sebagai kuantitas-kuantitas
pada sampel. Contohnya; X
n
dan S
2
n
masing-masing merupakan statis-
tik atau kuantitas (mean dan varian) dari sampel yang berukuran n yang
mungkin diambil dari populasi berdistribusi f(x; ) dengan tidak dike-
tahui.
Dalam contoh ini, untuk mengestimasi parameter , diambil sampel ran-
dom X
1
, ..., X
n
. Fungsi T = T(X
1
, ..., X
n
) disebut statistik. Statistik T yang
digunakan untuk mengestimasi disebut estimator dari dan ditulis

.
Estimator
adalah suatu variabel random yang mempunyai fungsi proba-

bilitas tertentu yang disebut distribusi sampling.
Contoh
Misal X
1
, ..., X
n
sampel random yang diambil dari populasi b(1, p) dengan
p tidak diketahui. Maka X =
1
n
n
i=1
X
i
adalah estimator untup p. Estima-
tor yang lain misalnya T = 1/3, T = X
1
, dan T = (X
1
+ X
2
)/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, esien, dan
konsisten?
Ada beberapa jenis estimator penting berdasarkan sifat-sifatnya yang ak-
an dibahas pada bagian ini, yaitu estimator tak bias, estimator konsisten,
estimator essien, dan estimator minimum
3.3.2.1 Estimator Tak Bias
Definisi
Suatu statistik

disebut estimator tak bias untuk , jika E(
) = , untuk
setiap . Jika E(
) = , maka
disebut estimator bias.

Contoh
Jika X berdistribusi B(n, ), tunjukkan bahwa X/n adalah estimator tak
bias untuk !
Jawab
Karena E(X) = n, maka E(X/n) = 1/nE(X) = 1/n.n = . Jadi

= X/n
adalah estimator tak bias untuk
Contoh
Jika S
2
=
1
n1
n
i=1
(X
i
X)
2
adalah varian sampel random dari populasi
N(,
2
), tunjukkan bahwa E(S
2
) =
2
Bukti
E(S
2
) = E
_
1
n 1
n
i=1
(X
i
X)
2
_
(3.20)
=
1
n 1
E
_
n
i=1
_
(X
i
) (X )
_
2
_
=
1
n 1
_
n
i=1
E
_
(X
i
)
2
_
nE(X )
2
_
=
1
n 1
_
n
i=1
2
n.
2
/n
_
=
2
Jadi

2
= S
2
adalah estimator tak bias untuk
2
Contoh
Misal X
1
, ..., X
n
berdistribusi i.i.d uniform U(0, ). Kita ingin menentuk-
an estimator untuk dengan statistik maksimum. Jadi T = maks(
X
1
, ..., X
n
) = X
max
=

. Terlebih dahulu kita tentukan distribusi dari T.
U(0, ) f(x, ) =
1
; 0 < x < (3.21)

P(T t) = P(X
max
t) = P(X
1
t, X
2
t, ..., X
n
t) (3.22)
Karena X
1
, ..., X
n
independen maka
P(T t) = P(X
1
t) P(X
2
t) ...P(X
n
t) (3.23)
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)]
n1
.f(t) (3.24)
Dari f(x, ) =
1
; 0 < x < diperoleh F(x) =

x
, 0 < x < sehingga

g(t) = n[t/]
n1
.1/ =
nt
n1
n
; 0 < t < (3.25)
Sekarang kita tentukan
E(T) =
_
0
tg(t)dt (3.26)
=
_
0
t
nt
n1
n
=
n
n + 1
Karena E(T) = maka T adalah estimator bias. Tetapi jika dipilih

T
1
=
n+1
n
X
max
maka T
1
adalah estimator tak bias untuk , sebab E(T
1
) =
n+1
n
n
n+1
=
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 T
n
= T
n
(X
1
, ..., X
n
) disebut estimator konsisten dari
jika untuk setiap > 0
P {|T
n
| } 0 (3.27)
Denisi di atas menyatakan bahwa estimator konsisten pasti juga konver-
gen dalam probabilitas. Karena menurut ketaksamaan Chebyshev
P {|T
n
| }
E(T
n
)
2
2
(3.28)
maka E(T
n
)
2
0 adalah syarat cukup suatu estimator konsisten.
Akibat denisi tadi, bila estimator dari yang memenuhi
1. T
n
estimator tak bias
2. V ar(T
n
) 0
maka T
n
adalah estimator konsisten
Contoh
Diketahui X
1
, ..., X
n
berdistribusi i.i.d N(, 1). Perlihatkan bahwa X
n
ada-
lah barisan estimator konsisten.
Bukti
1. E(X
n
) = 1/n.n = . Jadi X
n
estimator tak bias untuk
2. V ar(X
n
) = 1/n 0. Menurut akibat denisi di depan, maka
X
n
estimator konsisten.
3.3.2.3 Estimator Esien
Berikut ini kita akan membandingkan dua estimator berdasarkan variansi
dari estimator tersebut.
Definisi
Misalkan
1
dan
2
dua estimator tak bias untuk parameter . Estimator

1
dikatakan lebih esien daripada
2
jika
V ar(
1
) < V ar(
2
) (3.29)
Contoh
Perhatikan kembali contoh T
1
=
n+1
n
X
max
maka T
1
adalah estimator tak
bias untuk . Dengan transformasi variabel diperoleh distribusi T
1
g(t
1
) =
n
n+1
(n + 1)
n
n
t
n1
1
; 0 < t
1
<
n + 1
n
(3.30)
Selanjutnya akan dicari V ar(T
1
)
E(T
2
1
) =
b
_
0
t
2
1
n
n+1
(n + 1)
n
n
t
n1
1
dt
1
, dengan b =
n + 1
n
(3.31)
=
(n + 1)
2
2
n(n + 2)
V ar(T
1
) = E(T
2
1
) {E(T
1
)}
2
(3.32)
=
(n + 1)
2
2
n(n + 2)

2
=

2
n(n + 2)
Kita dapat mencari estimator tak bias yang lain dengan menggunakan sta-
tistik minimum, namakan W = X
min
. Distribusi W sbb:
g(w) =
n
(1
w
)
n1
; 0 < w < (3.33)
dan
E(w) =
_
0
w
n
(1
w
)
n1
dw =

n + 1
(3.34)
Jika dipilih T
2
= (n + 1)X
min
sebagai estimator untuk maka T
2
adalah
estimator tak bias untuk . Sehingga diperoleh distribusi T
2
g(t
2
) =
n
(n + 1)
(1
t
2
(n + 1)
)
n1
; 0 < t
2
< (n + 1) (3.35)
dan
E(T
2
2
) =
2(n + 1)
2
n + 2
(3.36)
V ar(T
2
) =
2(n + 1)
2
n + 2

2
=
n
2
n + 2
(3.37)
nampaklah bahwa V ar(T
1
)=

2
n(n+2)
<
n
2
n+2
= V ar(T
2
), untuk n > 1. Jadi T
1
lebih esien daripada T
2
.
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 adalah kuantitas atau besaran te-
tap yang tidak diketahui. Sampel random x
1
, ..., x
n
diambil dari populasi
berindeks dan berdasarkan harga-harga terobservasi dalam sampel, di-
dapat pengetahuan tentang .
Dalam pendekatan Bayesian, 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 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 () dan distribusi sampling den-
gan f(x | ), maka distribusi posterior, yaitu distribusi bersyarat diberi-
kan x adalah
( | x) =
f (x | ) ()
m(x)
(3.38)
Perhatikan bahwa f(x,) = f(x | ) () dimana m(x) adalah distribusi
marginal dari x yaitu m(x) =
_
f(x | )()d
Jadi distribusi posterior adalah distribusi bersyarat, yaitu bersyarat ter-
hadap observasi sampel. Sekarang distribusi posterior digunakan untuk
memberi pernyataan tentang , yang dipandang sebagai besaran random.
Sebagai contoh, mean distribusi posterior dapat digunakan sebagai titik
estimator dari .
Contoh
Misalkan X
1
, ..., X
n
adalah distribusi Bernoulli (1, p), maka Y =
X
i
adalah Binomial (n, p). Kita andaikan bahwa distribusi prior dari p adalah
Beta (, ). Distribusi bersama dari Y dan p adalah
f(Y, p) = [
_
n
y
_
p
Y
(1 p)
nY
][
P( + )
P()P()
p
1
(1 p)
1
] (3.39)
=
_
n
y
_
P( + )
P()P()
p
Y +1
(1 p)
nY +1
Densitas marginal dari Y adalah
f(Y ) =
_
1
0
f(Y, p)dp =
_
n
y
_
P( + )
P()P()
P(Y + ) P(n Y + )
P(n + + )
(3.40)
Sehingga (p | Y ) =
f(Y,p)
f(Y )
=
P(+)
P(+)
P(n++)
P(n+)
p
Y +1
(1 p)
nY +1
Yang merupakan distribusi Beta (Y +, ny+). Estimator alami untuk p
adalah mean dari distribusi posterior, dan ini memberikan estimator Bayes
untuk p adalah
p
= =
Y +
++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.
Definisi
Misalkan F adalah kelas densitas f(x | ). Kelas dari distribusi prior
disebut keluarga konjugat untuk F, bila distribusi posterior berada dalam
kelas untuk semua f F,semua prior dalam , dan semua x .
Contoh
Jika X N(,
2
) dan misalkan distribusi prior dari X adalah N(,
2
).
Distribusi posterior dari juga normal dengan mean dan variansi
= E( | x) =

2
2
+
2
x +

2
2
+
2
(3.41)
V ar(x | ) =

2
2
+
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
Galat kuadrat rata-rata (MSE) dari estimator T(
_
x) terhadap parameter
adalah fungsi yang didenisikan dengan E
(T(
_
x) )
2
. Dengan mudah
dapat kita lihat bahwa:
E
(T(
_
x) )
2
= V arT(x) + (Bias(T(x))
2
(3.43)
dengan Bias T(
_
x) = E
T(
_
x) .
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 = E
(T(x) )
2
=
V ar
_
T(
_
x)
_
.
Contoh
Misalkan X
1
, ..., X
n
adalah i, i, d N(,
2
).
_
X dan S
2
kedua-duanya adalah
estimator tak bias untuk dan
2
, karena E(
_
X) = dan E(S
2
) =
2
.
MSE dari kedua estimator adalah
E(
_
X )
2
= V ar(
_
X) =

2
n
(3.44)
E(s
2
2
)
2
= V arS
2
=
2
4
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
2
adalah estimator maksimum likelihood
2
=
1
n
n
(x
i
_
x)
2
=
n 1
n
s
2
Dengan mudah dapat dilihat bahwa E(
2
) = E(
n1
n
s
2
) =
n1
n
s
2
sehingga
2
adalah estimator yang bias untuk
2
. Variansi
2
dapat dihi-
tung sebagai
V ar

2
= V ar(
n 1
n
s
2
) = (
n 1
n
)
2
V ar(s
2
) =
2(n 1)
n
2

4
Karena itu, MSE
(
2
) adalah
E(
2
) =
2(n 1)
4
n
2
+ (
n 1
n

2
2
)
2
= (
2n 1
n
2
)
4
Jadi kita mempunyai
E(
2
) = (
2n 1
n
2
)
4
< (
2
n 1
)
4
= E(s
2
2
)
2
.
Yang menunjukkan bahwa

2
mempunyai MSE yang lebih kecil dari S
2
.
Jadi dengan mengadakan timbal balik antara variansi dan bias, MSE dapat
diperbaiki.
Catatan
Hasil di atas tidak berarti bahwa S
2
tidak dapat dijadikan sebagai estima-
tor dari
2
. Hal di atas hanya mengatakan bahwa secara rata-rata
2
lebih
dekat ke
2
dibandingkan dengan bila MSE digunakan sebagai uku-
ran kebaikan. Pada umumnya, karena MSE adalah fungsi dari parameter,
maka tidak ada estimator terbaik untuk . 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(). Dalam hal ini kita hanya memba-
tasi kelas estimator.
C
T
= {T : ET = g()}
Untuk setiap T
1
, T
2
C
T
, Bias T
1
=Bias T
2
sehingga
MSE(T
1
) MSE(T
2
) = V arT
1
V arT
2
.
Ini berarti bahwa, dalam kelas C
T
, 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 denisikan kemudian. Estimator terbaik menu-
rut pandangan klasik adalah estimator dengan variansi minimum dalam
kelas (himpunan) estimator tak bias untuk parameter tersebut. Sifat e-
siensi estimator hanya membandingkan dua estimator tak bias, akibatnya
estimator yang lebih esien belum tentu merupakan estimator terbaik.
Definisi
Misalkan T merupakan estimator tak bias untuk g() atau E(T) = g().
Jika untuk setiap estimator T yang memenuhi E(T) = g() berlaku
V ar(T) V ar(T) untuk setiap maka Tdisebut 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 X
1
, X
2
..., X
n
adalah iid Poisson(). Jika
_
x dan s
2
masing-masing
adalah mean dan variansinya maka dengan mudah dapat dicari:
_
E(X) =
dan E(S
2
) = yang kedua-duanya merupakan estimator tak bias untuk
. Di sini kita tak cukup membandingkan
_
V ar(X) dan V ar(S
2
) saja. Ka-
rena untuk setiap konstanta a berlaku T(
_
X,S
2
) =
_
aX +(1 a)S
2
adalah
estimator tak bias untuk . Jadi dalam hal ini ada tak terhingga estimator
tak bias.
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() dari densitas f(x| ) kita dapat
menentukan batas bawah, variansi dari setiap estimator tak bias, katak-
anlah B(). Bila kemudian kita dapat menemukan estimator tak bias T
sedemikian hinggaV ar(T) = B() maka berarti kita mendapatkan UM-
VUE estimator.
3.3.3.3 Teorema Batas Bawah Cramer-Rao
Misalkan X
1
X
n
, ..., X
n
adalah sampel dengan densitas f(x| ) dan misal-
kan T(
_
X) = T(X
1
, ..., X
n
) adalah sebarang estimator dengan E(T(
_
X)) ter-
deferensialkan dalam. Andaikan densitas bersama f(x| ) = f(x
1
, ..., x
n
|
) menentukan:
d
d
_
...
_
h(
_
x)f(
_
x| )d
_
x=
_
...
_
h(
_
x)

f(
_
x| )d
_
x (3.45)
untuk setiap fungsi h(
_
x) dengan E | h(
_
x) | < . Maka
V ar (T(
_
x))
d
d
E
T(
_
x)
E
_
_
log f (
_
x | )
_
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)
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|)
Pertama-tama kita harga harap:

log f(
_
x|)
.
E
_
log f(
_
x| )
_
= E
_
f(
_
x|)
f(
_
x| )
_
(sifat log)
=
_
...
_
f(
_
x|)
f(
_
x| )
f(
_
x| )d
_
x (definisi)
=
_
...
_
f(
_
x| )
d
_
x (coretf(
_
x| ))
=
d
d
_
...
_
f(
_
x| )d
_
x (sifat3.1)
=
d
d
1
= 0
Karena itu
Cov
_
T(
_
X).
log f(
_
x| )
_
= E
_
T(
_
X).
log f(
_
x| )
_
(3.48)
= E
_
T(
_
X)
f(
_
x|)
f(
_
x| )
_
=
_
...
_
f(
_
x| )
d
_
x
=
d
d
_
...
_
T(
_
X)f(
_
x| )d
_
x
=
d
d
E(T(X)
Juga, karena E
_
log f(
_
x|)
_
= 0 didapat
V ar
_
log f(
_
x| )
_
= E
_
_
log f(
_
x| )
_
2
_
(3.49)
karena itu
V ar
_
T(
_
X)
_
_
d
d
ET(
_
X)
_
2
E
_
_
log f(
_
x|)
_
2
_
qed
1
.
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 X
1
, ..., X
n
adalah iid dengan densitas f(
_
x| ), misalkan
_
T(X) =
T(x
1
, ..., x
n
) sembarang estimator dari g() dengan E(T(
_
X)) fungsi yang
terdeferensialkan. Bila densitas bersama f(
_
x| ) = f(x
i
| ) memenuhi
(3.1), maka
V ar
_
T(
_
X)
_
_
d
d
ET(
_
X)
_
2
nE
_
_
log f(
_
x|)
_
2
_ (3.50)
1
terbukti (qed = Qound Eart Demonstrandum)
Bukti
Kita hanya perlu menunjukkan bahwa
E
_
_
log f(
_
x| )
_
2
_
= nE
_
_
log f(
_
x| )
_
2
_
Karena X
1
, ..., X
n
independen
E
_
log f(
_
x| )
_
2
= E
_
_
log f(x
i
| )
_
2
_
= E
_
n
_
log f(x
i
| )
_
2
_
= E
_
n
_
log f(x
i
| )
_
2
_
+
E
_
log f(x
i
| )
log f(x
i
| )
_
untuk i = j kita mempunyai
E
_
log f(x
i
| )
log f(x
i
| )
_
= E
_
log f(x
i
| )
_
E
_
log f(x
j
| )
_
= 0
Karena itu
n
E
_
_
log f(x
i
| )
_
2
_
= nE
_
_
log f(x
i
| )
_
2
_
dan corollary terbukti.
Besaran E
_
_
log
n
f(x
i
| )
_
2
_
disebut informasi Fisher dari sampel.
Terminologi ini mencerminkan kenyataan bahwa informasi Fisher adalah
balikan dari variansi estimator tak bias terbaik dari . Dengan informasi
Fisher menjadi makin besar, variansi estimator tak bias terbaik menjadi
makin kecil. Ini berarti makin banyaknya informasi tentang .
Untuk sembarang fungsi terdeferensialkan g() sekarang kita mempunyai
batas bawah pada variansi sebaran estimator T(
_
X) yang memenuhi ET(
_
X
) = g(). Batas bawah tergantung pada g() dan f(
_
x| ) 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()
dan mencapai batas bawah ini adalah estimator tak bias terbaik dari g().
Lemma
Bila f(
_
x| ) memenuhi
log f(x | )
_
=
_

__

log f(x | )
_
f(x | )
_
dx (3.51)
(benar untuk kasus eksponensial), maka
E
__
log f(x
i
| )
__
= nE
__
2
log f(x
i
| )
2
__
(3.52)
Contoh
Misalnya diberikan variabel random Poisson. Dalam hal ini g() = .
Sehingga g
1
() = 1. Karena Poisson adalah keluarga eksponensial, maka
lemma berlaku. Karena itu
E
_
_

log
n
f(x
i
| )
_
2
_
= nE
_
2
log
n
f(x | )
2
_
(3.53)
= nE
_

log
e
x
x !
_
= nE
_

2
2
( + x log log x!)
_
= nE(
x
2
)
= n.
1
2
E(x) =
n
2
. =
n
Karena itu untuk sebarang estimator tak bias T(

_
X) harus berlaku V arT(
_
X
)

n
batas bawah C-R
Karena V ar
_
X

n
, maka
_
X adalah UMVUE dari .
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 X
1
, ..., X
n
adalah iid dengan densitas f(x|) = 1/ dan 0 < x <
.
Karena
log f(x|)
= 1/, maka E
_
_
log f(
_
x|)
_
2
_
= 1/
2
Teorema Cramer-Rao mengindikasikan bahwa bila T adalah sebarang esti-
mator tak bias dari , maka V ar(T)

2
n
Akan dicari estimator yang tak bias dan variansinya lebih kecil. Sebagai
dugaan pertama pandang statistik cukup Y = Maks(X
1
, ..., X
n
). Densitas
dari Y adalah
f(Y |) = nY
n1
/
n
, 0 < Y < , maka E[Y ] =
_
0
n Y
n1
n
dy =
n
n+1

Ini menunjukkan bahwa
n
n+1
Y adalah estimator tak bias untuk . Sekarang
kita hitung
V ar(
n
n+1
Y ) =
_
(
n
n+1
)
2
V ar Y
_
= (
n
n+1
)
2
_
EY
2
(
n
n+1
)
2
= (
n
n+1
)
2
_
n
n+1

2
(
n
n+1
)
2
=

2
n ( n+2)
Yang secara seragam lebih kecil dari

2
n
.
Ini menunjukkan bahwa Teorema Cramer-Rao tidak dapat diterapkan pa-
da densitas ini. Untuk menunjukkan ini, gunakan aturan Leibnitz.
d
d
_
0
h(x) f (x|)dx =
d
d
_
0
h(x)
1
dx =
d
d
(
1
0
h(x))dx
=
h()
+
_
0
h(x)

(
1
) dx
=
_
0
h(x)
f ( x | )
dx.
Kecuali
h ( )
= 0 untuk semua . 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|) adalah
keluarga eksponensial parameter satu regular maka hal ini akan tidak ter-
jadi yaitu bila estimator tak bias dari g() 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 X
1
, ..., X
n
adalah iidN(,
2
), dan pandang estimator
2
dalam
hal tidak diketahui. densitas normal memenuhi andaian Teorema
Cramer-Rao, sehingga
2
(
2
)
2
log
_
1
(2
2
)
1/2
e
1
2
(
x
)
2
_
=
1
2
4

( x )
2
6
dan
E
_

2
(
2
)
2
log f(x|,
2
)
_
= E
_
1
2
4

( x )
2
6
_
=
1
2
4
Jadi, setiap estimator tak bias T dari
2
harus memenuhi V ar(T)
2
4
n
Kita telah mengetahui bahwa V ar(S
2
) =
2
4
n1
. Jadi S
2
tidak mencapai
CRLB
Dalamcontoh di atas sebenarnya kita mempunyai pertanyaan yang belum
terjawab, yaitu apakah ada estimator dari
2
yang lebih baik dari S
2
atau
CRLB tak bisa dicapai?
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 X
1
, ..., X
n
adalah iid f(x| ) memenuhi syarat-syarat Teorema
Cramer-Rao. Misalkan L(|
_
x)=
n
i=1
f(x
i
|) menyatakan fungsi likelihood.
Bila T(
_
X) = T(X
1
, ..., X
n
). adalah sembarang estimator tak bias dari g(),
maka T(
_
X) mencapai Cramer-Rao Lower Bound jhj
a()[T(
_
X) g()] =
log L( |
_
x )
untuk suatu fungsi a().

Bukti
Ketaksamaan Cramer-Rao dapat ditulis sebagai
_
Cov
_
T(
_
X),

log
n
i=1
f(x
i
|))
__
2
V arT(
_
X)V ar
_

log
n
i=1
f(x
i
|))
_
Dengan mengingat E(T) = g() dan E
_
log
n
i=1
f(x
i
|)
_
= 0 dan
menggunakan hasil teorema yang mengatakan bahwa korelasi T dan
log
n
i=1
f(x
i
|) harus 1
maka T(
_
X) g() harus sebanding dengan

log
n
i=1
f(x
i
|).
Contoh
Di sini kita mempunyai
L
_
,
2
|
_
x
_
=
1
(2
2
)
n/2
e
1
2
P
(X
i
)
2
2
Karena itu
log L ( ,
2
|
_
x )

2
=
n
2
4
_
n
(X
i
)
2
n

2
_
Jadi dengan mengambil (
2
) =
n
2
4
menunjukkan bahwa estimator tak bisa
terbaik dari
2
adalah
(X
i
)
2
/n, yang dapat dihitung bila diketa-
hui. Bila tak diketahui, CRLB tidak dapat dicapai
Akibat
Jika

adalah estimator tak bias untuk dan
V ar(
) =
1
n.E [( ln f(x)/)
2
]
(3.54)
maka
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
x
1
, x
2
, ..., x
n
adalah sampel dari populasi dengan densitas f(x |
1
, ...,
k
).
Estimator metode momen didapat dengan menyamakan k momen sam-
pel pertama pada k momen sampel populasi, dan menyelesaikan sistem
persamaan simultan yang dihasilkan.
Denisi
Misalkan X
1
, ..., X
n
adalah sampel random populasi yang i.i.d dengan dis-
tribusi f(x/
1
, ...,
k
). Estimator metode momen adalah solusi dari persa-
maan
r
= m
r
(r = 1, 2, ..., k). Dalam hal ini
r
= E(X
r
) adalah momen
populasi ke-r dan m
r
= 1/n
n
i=1
X
r
i
adalah momen sampel ke-r,
Lebih tepatnya untuk j = 1, 2...., k denisikan:
m
1
=
1
n
n
i=1
X
1
i
,
1
= EX
1
(3.55)
m
2
=
1
n
n
i=1
X
2
i
,
2
= EX
2
.
.
.
m
r
=
1
n
n
i=1
X
k
i
,
k
= EX
r
Momen populasi
j
biasanya merupakan fungsi dari
1
, ...,
r
,katakanlah
j
(
1
, ...
r
). Estimator metode momen
(
1
, ...,
k
) dari (
1
, ...,
r
) dalam ben-
tuk (m
1,
..., m
r
), di mana:
m
1
=
1
(
1
, ...,
k
) (3.56)
m
2
=
2
(
1
, ...,
k
)
.
.
.
m
r
=
k
(
1
, ...,
r
)
Contoh
Misalkan X
1
, ..., X
n
adalah i.i.d N(,
2
). Dalam hal ini
1
= dan
2
=
2
. Kita mempunyai m
1
=
X, m
2
=
1
n
X
2
i
,
1
= ,
2
=
2
+
2
. Di sini
kita harus menyelesaikan
X = dan
1
n
X
2
i
=
2
+
2
Contoh
Misalkan X
1
, ..., X
n
adalah i.i.d Binomial (k, p), yaitu,
P(X
i
= x | p) =
_
k
x
_
p
x
(1 p)
kx
, 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
X
2
i
= kp(1 p) + k
2
p
2
(3.59)
Hasilnya adalah:
k=
X
2
X
1
n
(X
i
X)
2
dan
p
=
k
(3.60)
3.3.4.2 Metode MaksimumLikelihood
Metode maksimum likelihood adalah metode yang paling populer dalam
menghasilkan estimator yang ditemukan oleh R.A Fisher.
Definisi
Misalkan X
1
, ... X
n
adalah i.i.d sampel dari populasi dengan densitas f(x |
1
, ...,
k
). Fungsi likelihood didenisikan sebagai:
L(
X) = L(
1
, ...,
k
| X
1
, ...X
n
) =
n
f(x
i
|
1
, ...,
k
) (3.61)
Untuk setiap titik sampel
_
x, misalkan
_
(
_
x) adalah harga parameter di
mana L(
|
_
X) sebagai fungsi
_
dengan menganggap
_
x konstan mencapai
maksimumnya. Estimasi maksimum likelihood (MLE) dari
_
berdasarkan
sampel
_
x adalah
_
(
_
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 (
1
, ...,
k
) sedemikian hingga
dL ( |
_
x)
d
i
= 0, i = 1, 2, ..., k (3.62)
Perhatikan bahwa 3.62 hanyalah syarat perlu untuk terjadinya maksi-
mum.
Contoh
Misalkan X
1
, ..., X
n
adalah i.i.d N(, 1), dan misalkan:
L(
|
_
X) =
n
i=1
1
(2)
1/2
e
1
2
(xi)
2
=
1
(2)
n/2
e
1
2
P
(xi)
2
(3.63)
Persamaan
dL ( |
_
x)
di
= 0 menghasilkan
n
i=1
(x
i
) = 0 hasilnya adalah
_
=
_
x .
Karena itu
_
x adalah calon MLE untuk membuktikan bahwa
_
x benar-benar
maksimum global, harus ditunjukkan bahwa
d
2
L( |
_
x)
d
2
|
=
_
x
< 0 (3.64)
Catatan
Untuk setiap bilangan a berlaku
n
i=1
(x
i
a)
2
i=1
(x
i
_
x)
2
(3.65)
kesamaan berlaku bhb a =
_
x . Ini berati bahwa untuk setiap berlaku
e
1
2
P
(xi)
2
e
1
2
P
(xi
_
x)
2
dengan kesamaan bhb
_
=
_
x. Karena itu
_
x adalah
MLE.
Dalambanyak kasus, di mana deferensiasi digunakan. Kita akan lebih mu-
dah bekerja pada logaritma alam dari L( |
_
x) yaitu logL( |
_
x). Dikenal se-
bagai log likelihood dari pada L( |
_
x) nya sendiri. Hal ini dimungkinkan
karena fungsi log naik tegas pada (0, ), yang berarti bahwa L( |
_
x) dan
log L( |
_
x) mempunyai ekstrem yang sama.
Contoh
Misalkan x
1
, ..., x
n
adalah i.i.d Bernoulli (p).
Maka fungsi likelihood adalah
L(p |
_
x) =
n
i=1
p
xi
(1 p)
1xi
= p
y
(1 p)
ny
(3.66)
di mana y =
x
i
. 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)
Bila 0 < y < n, mendeferensialkan Log L(p |
_
x) dan menyamakannya den-
gan nol memberikan hasil
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) = {
nlog(1p), bila y=0
nlog p, bila y=n
(3.68)
Dalam keadaan bagaimanapun Log L(p |
_
x) fungsi monoton dari p, dan
mudah dilihat bahwa
p
= y/n.
Hal penting yang perlu diperhatikan dalam mendapatkan MLE, adalah
jelajah ruang parameter.
Contoh:
1. Misalkan x
1
, ..., x
n
adalah i.i.d N(, 1), tetapi diketahui bahwa
0.
(a) Bila tidak ada batasan pada , kita telah mengetahui bahwa
_
x
adalah MLE dari . Tetapi bila
_
x< 0, maka harga tersebut berada
di luar ruang parameter.
(b) Bila
_
x< 0, maka L( |
_
x) fungsi turun dari untuk 0 dan
mencapai maksimum untuk
= 0. Karena itu,
=
_
x bila
_
x 0
dan
= 0 bila
_
x< 0.
2. Misalkan x
1
, ..., x
n
adalah iid dengan distribusi seragam pada (0, ).
L( |
_
x) = {
0 untuk <maks xi
n
untuk maks xi
(3.69)
Maka
= maks x
i
.
3. MLE belum tentu tunggal.
Misalkan x
1
, ..., x
n
adalah i, i, d dengan distribusi seragam pada (
1
2
, +
1
2
).
f(x | ) = {
1 (
1
2
x +
1
2
).
0 yang lain
(3.70)
L( |
_
x) = {
1 bila maks xi
1
2
min xi +
1
2
0 yang lain.
(3.71)
Jadi setiap diantara maks x
i
1
2
dan min x
i
+
1
2
adalah MLE.
Barangkali salah satu sifat yang paling berguna dari MLE adalah si-
fat invariannya. Misalkan dalam hal ini kita tertarik pada estimasi
g() dengan g() fungsi satu-satu. Sifat invarian mengatakan
bahwa kalau
adalah MLE dari maka g(
) juga MLE dari g().

Misalkan = g(). Maka g
1
() = . Selanjutnya
L
(|
_
x) =
n
i=1
f
_
(x
i
| g
1
()
_
(3.72)
= L
_
g
1
() |
_
x
_
(3.73)
dan
Sup
( |
_
x) = Sup
L
_
g
1
() |
_
x
_
= Sup
L( |
_
x) (3.74)
Jadi, maksimum dari L
( |
_
x) dicapai pada = g() = g(
), yang
menunjukkan bahwa MLE dari g() adalah g(
).
Bila
_
= (
1
, ...,
k
) 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 X
1
, ..., X
n
adalah i.i.d N(, )
2
dengan dan
2
kedua-
duanya tak diketahui, maka
L(,
2
|
_
x) =
1
(2
2
)
n
2
e
1
2
n
P
(xi)
2
/
2
(3.75)
dan
log L(,
2
|
_
x) =
n
2
log 2n
n
2
log
2
1
2
n
i=1
(x
i
)
2
/
2
(3.76)
Turunan-turunan parsial terhadap dan
2
adalah:
log L(,
2
|
_
x) =
1
2
n
i=1
(x
i
)
dan
2
log L(,
2
|
_
x) =
n
2
2
+
1
2
4
n
i=1
(x
i
)
Dengan menyamakan kedua turunan parsial tersebut dengan nol di-
dapat penyelesaian:
=
_
x dan
2
= n
1
n
i=1
(x
i
)
2
untuk membuktikan bahwa penye-
lesaian ini adalah maksimum global, pertama-tama perhatikanlah:
bila =
_
x, maka
(x
i
)
2
(x
i
_
x)
2
. Karena itu untuk setiap
harga
2
.
1
(2
2
)
n
2
e
1
2
P
(xi
_
x)
2
/
2
1
(2
2
)
n
2
e
1
2
P
(xi)
2
/
2
Sekarang persoalannya menjadi persoalan satu dimensi dan
(
2
)
1
2 exp
_
1
2
(x
i
_
x)
2
/
2
_
mencapai global maksimum pada
2
= n
1
(x
i
_
x)
2
.
Jadi kesimpulannya (
_
x, n
1
(x
i
_
x)) adalah MLE.
1. Jika x
1,
x
2
, ...x
r
variabel random independen berdistribusi Poisson
P(
i
); dengan
i
= a
i
, diketahui (a
i
> adiketahui), tunjukkan
T(x) = x
i
adalah statistik cukup untuk
Penyelesaian:
X
i
P(a
i
), berarti fungsi pembangkit momen dari X
i
adalah:
M
xi
(t) = e
ai(e
t
1)
dan fungsi padat peluangnya adalah:
f(x
i
| ) =
(a
i
)
xi
e
ai
x
i
; x
i
= 0, 1, 2, ..
Selanjutnya fungsi pembangkit momen dari distribusi Poisson
a
i
adalah:
M
T(x)
(t) = M
xi
(t) =
r
i=1
M
xi
(t) : karena x
i
independen.
=
r
i=1
e
ai(e
t
1)
= e
(e
t
1)ai
Jadi: T(x) = x
i
berdistribusi P(a
i
)dengan fungsi padat peluang:
f(x
i
= t | ) =
(a
i
)
t
e
ai
t
; t = 0, 1, 2, ..
Sekarang perbandingan dari:
f(x|
V
)
f(xi=t|
V
)
=

r
i=1
[e
a
i
(ai)
x
i
xi!]
(ai)
t
e
a
i t!
; dengan t = x
i
=
e
a
i
x
i
r
i=1
a
x
i
i
r
i=1
x
i
!
e
a
i
t
(a
i)
t
t!
=
e
a
i
x
i
r
i=1
a
x
i
i
r
i=1
xi!
.
t!
e
a
i
t
(ai)
t
=
t!
(ai)
t
.
r
i=1
a
x
i
r
i=1
xi!
=
t!
(ai)
t
.
r
i=1
a
x
i
i
xi!
bebas dari parameter
Terlihat bahwa hasil terakhir ini tidak bergantung pada parameter .
Dengan demikian disimpulkan T(x) =
r
i=1
x
i
adalah statistik cukup
untuk
2. Misalkan f fungsi integrabel yang positif terdenisi pada (0, ), dan
misalkan P
(x) adalah fungsi kepadatan peluang pada (0, )dengan

denisi:
P
(x) =
_
C()f(x) ; 0<x<0
0 ; otherwise
Jika x
1
, x
2
, ...x
n
variabel random iid dengan densitas P
, tunjukkan
x
(n)
adalah statistik cukup untuk
Penyelesaian
Misalkan: Z = x
(n)
= maximum x
i
;1 i n, maka: P(Z z) =
P(x
1
z, x
2
z, ..., x
n
z)
F(z) ={P(x z)}
n
, sebab x
i
idd
f(z) =
__
z
0
P
(x)dx
_
n
=
__
z
0
c()f(x)dx
_
n
= [c()]
n
__
z
0
f(x)dx
_
n
P
(z) = F
(z) = [c()]
n
d
dz
__
z
0
f(x)dx
_
n
(3.77)
Karena X
i
iid maka:
P
(x) =
n
i=1
P
(x
i
) =
n
i=1
c()f(x) = [c()]
n
{f(x)}
n
(3.78)
Sekarang diambil rasionya diperoleh:
P
(x)
P
(Z=x
(n)
)
=
[C()]
n
{f(x)}
n
[C()]
n d
dz
{
R
z
0
f(x)dx}
n
=
{f(x)
n
}
d
dz
{
R
z
0
f(x)dx}
n
Ternyata rasio ini independen dari , berarti dapat disimpulkan Z=
X
(n)
adalah statistik. cukup untuk parameter .
3. Misalkan x
1
, x
2
, ...x
n
variabel random iid dengan N(,
2
) ; > 0,
Tentukan himpunan dari statistik cukup minimal
Penyelesaian:
Fungsi padat peluang bersama dari x
i
adalah:
f (x | ) = (2
2
)
n2
e
1
2
(xr)
2
dengan =
2
dan y
i
adalah :
f
_
y |
_
= (2
2
)
n2
e
1
2
(y)
2
Rasio dari kedua persamaan ini adalah:
f(x,v|)
f(u,v|)
=
(2
2
)
n2
e
1
2
(xr)
2
(2
2
)
n2
e
1
2
(y)
2
= e
1
2
(x)
2
+
1
2
(yr)
2
= e
1
2
(x
2
2x+
2
)
2
+
1
2
(y
2
2y+
2
)
2
= e
1
2
(x
2
y
2
)+
2
2
2
e
x

2
2
2
2
2
2
y+

2
2
2
2
= e
1
2
(x
2
y
2
)+
1
x
1
y
= e
1
2
(x
2
y
2
)+
1
(xy)
Jelas rasio ini independen dari =
2
x = ydan
x
2
, y
2
. Dengan demikian T (x) = (x, x
2
)adalah himpun-
an statistik cukup minimal untuk =
2
4. Misalkan x
1
, x
2
, ...x
n
variabel random independen berdistribusi
U ( a, + b), dengan a,b>o diketahui dan = IR.
(a) Tentukan momen estimator untuk
(b) Hitung variansinya
Penyelesaian:
(a) x U ( a, + b) , berarti f (x | ) =
1
b+a
dengan
( a x + b). Dihitung ekpektasi dari x, yaitu
f (x) =
_
+b
a
x.
1
b+a
=
1
b+a
_
+b
a
xdx
=
1
b+a
_
1
2
x
2
+b
a
=
1
2(b+a)
_
( + b)
2
( a)
2
_
=
1
2(b+a)
{
2
+ 2b + b
2
2
+ 2a a
2
}
=
1
2(b+a)
{2b + 2a + b
2
+a}
=
1
2(b+a)
{2 (b + a) + (b
2
a
2
)}
=
1
2(b+a)
{2 (b + a) + (b + a) (b a)}
= +
ba
2
Persamaan metode memennya adalah:
1
n
n
i=1
x
i
= x =
+
ba
2
,
sehingga, momen estimator untuk parameter adalah
= x
+
ba
2
(b) Untuk menghitung variansinya, terlebih dahulu dihitung
E (x
2
)sebagai berikut:
E (x
2
) =
_
+b
a
x.
1
b+a
dx
=
1
b+a
_
1
3
x
3
+b
a
=
1
3(b+a)
_
( + b)
3
( a)
3
_
=
1
3(b+a)
{(
3
+ 3
2
b + 3b
2
+ b
3
) (
3
3
2
a + 3a
3
+ a
2
)}
=
1
3(b+a)
{(3
2
b + 3
2
a + 3b
2
3a
2
+ b
3
+ a
3
)}
=
1
3(b+a)
{3 (b + a + b
2
3a
2
) + (b
3
+ a
3
)}
=

2
(b+a)
(b+a)
+

2
(b
2
a
2
)
(b+a)
+
(b
3
+a
3
)
3(b+a)
=
2
+
(ba)(b+a)
(b+a)
+
(b+a)(b
2
ab+a
2
)
3(b+a)
=
2
+ (b a) +
(b
2
ab+a
2
)
3
Selanjutnya, dihitung variansi estimator , yaitu
_
_
V
_
_
= 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
n
n
i=1
x
i
_
=
1
n
2
.V (
n
i=1
x
i
)
=
1
n
2
.nV (x) =
1
n
V (x) =
1
n
_
E
_
x
2
_
_
E
_
x
2
___
=
1
n
_
_
2
+ (b a) +
b
2
ab + a
2
3
_
_
+
b a
2
_
2
_
=
1
n
_
_
2
+ (b a) +
b
2
ab + a
2
3
_
_
+ (b a) +
(b a)
2
4
__
=
1
n
_
b
2
ab + a
2
3

(b a)
2
4
_
=
1
n
_
4b
2
4ab 4a
2
3 (b a)
2
12
_
=
1
n
_
4b
2
4ab 4a
2
3b
2
6ab 43a
12
_
=
1
n
_
4b + 2ab + a
2
12
_
=
1
12n
(a + b)
2
=
(a + b)
2
12n
5. Jika x
1
, x
2
, ...x
n
variabel independen berdistribusi U (, )dengan
=(0, )
apakah metode momen memberikan suatu estimator untuk ?
Penyelesaian:
X U (, ), berarti f (x | ) =
1
2
; x
Jadi:
E (x) =
_
f (x | ) dx =
_
1
2
xdx
=
1
2
_
1
2
x
2
=
1
4
_
2
()
2
_
= 0
Sehingga diperoleh persamaan metode momennya yaitu:
E (x) =
1
n
ni
i=1
X
i
= X = 0, karena E (x) =
1
4
.0 = 0
maka = 0atau
= 0, dengan demiian metode momen tidak mem-

berikan suatu estimator untuk .
6. Jika x
1
, x
2
, ...x
n
variabel random iid berdistribusi binomial negatif de-
ngan parameter (0, 1)
Tunjukkan bahwa :
r
r+x
adalah MLE untuk
Penyelesaian:
X
i
= binomial negatif, berarti :
f (x | ) =
_
_
_
r + x 1
x
_
_
_
r
(1 )
x
dengan 0 < 1; x = 0, 1,
Fungsi likehoodnya adalah:
L(x | ) =
n
i=1
_
_
_
_
_
r + x 1
x
_
_
_
_
_
nr
(1 )
n
i=1
xi
=
_
_
n
i=1
_
_
_
r + x 1
x
_
_
_
_
_
nr
(1 )
n
i=1
xi
Logaritma fungsi likehood adalah:
logL(x | ) = log
_
_
_
_
n
i=1
_
_
_
r + x 1
x
_
_
_
_
_
_
nr
(1 )
n
i=1
xi
=
n
i=1
log
_
_
_
r + x 1
x
_
_
_+ nr log +
n
i=1
x
i
log (1 )
d
d
[logL(x | )] =
nr

n
i=1
xi
1
persamaan likehoodnya adalah:
nr

n
i=1
xi
(1
)
= 0atau
nr
_
1
n
i=1
x
i
(1
)
= 0 nr
_
1
n
i=1
x
i
= 0
nr nr
n
i=1
x
i
= 0 nr =
(nr+)
n
i=1
x
i
=
nr
nr +
n
i=1
x
i
=
nr
nr +

n
i=1
xi
n
=
r
r + x
; dengan

n
i=1
x
i
n
= x
Jadi calon MLE untuk parameter adalah: =
r
r+x
7. Jika x
1
, x
2
, ...x
n
variabel random iid berdistribusi exponensial negatif
dengan parameter (0, ), Tunjukkan bahwa
1
x
adalah MLE bagi
parameter .
Penyelesaian:
X
i
exponensial negatif, berarti fungsi kepadatan peluangnya
adalah:
f (x | ) = e
x
; > 0; x > 0
0 ; x 0; > 0
Logaritma fungsi likehood adalah: L(x | ) =
n
i=1
e
x
=
n
e
x
d
d
[logL(x | )] =
n

n
i=1
x
i
;
d
d
[logL(x | )] =
n
2
< 0
Persamaan likehoodnya adalah :
n

n
i=1
x
i
= 0 atau
n
n
i=1
x
i
= 0 n
n
i=1
x
i
= 0
=
n
n
i=1
x
i
=
nn
n
i=1
xi
n
=
1
x
: dengan

n
i=1
x
i
n
= x
Jadi MLe untuk parameter adalah
=
1
x
8. Misalkan x
1
, x
2
, ...x
n
variabel random iid dengan p.d.f f (.;
1
,
2
)
yang diberikan oleh: f (x;
1
,
2
) =
1
2
exp
_
(x1)
2
_
; x >
1
dimana
= (
1
,
2
) = Rx (0, ). Tentukan MLE dari
1
dan
2
.
Penyelesaian:
Fungsi padat peluang x
1
adalah:
f (x |
1
,
2
) =
1
2
exp
_
(x
1
)
2
_
; x >
1
Fungsi likehoodnya adalah:
L( | x) =
n
i=1
1
2
exp
_
(x1)
2
_
=
1
n
2
exp
_
1
2
n
i=1
(x
1
)
_
=
n
2
exp
_
1
2
n
i=1
(x
1
)
_
Logaritma fungsi likehoodnya adalah:
logL( | x) = nlog
2
n
i=1
(x
1
1
) ; dan
d
d
1
[logl] ( | x) =
n
2
Karena
d
d1
[logl ( | x)] =
n
2
,maka metode pendiferensialan ti-
dak dapt digunakan untuk memperoleh MLE dari
1
, oleh se-
bab itu digunakan cara berikut.
Telah diketahui bahwa x
i
>
1
;
i
, jadi L( | x) =
n
2
exp
_
1
2
n
i=1
(x
1
)
_
akan mencapai maksimum apabila
1
2
n
i=1
(x
1
1
)minimum, ini hanya dicapai apabila
1
= x
(i)
.
Jadi parameter
1
adalah
1
= x
(i)
.
Selanjutnya,
d
d1
[logl ( | x)] =
n
2
+

n
i=1
(x1)
2
2
Persamaan likehoodnya adalah:
n
2
2
+
2

n
i=1
(x
1
)
3
=n
2
2
+
2

n
i=1
(x
1
) = 0
atau
n
2
+
n
i=1
(x
1
) = 0
2
=

n
i=1
(x
1
)
n
atau

2
=

n
i=1
xin1
n
=

n
i=1
xinx
(1)
n
=
n
n
i=1
xinnx
(1)
n
=
nxnx
(1)
n
= x x
(1)
Untuk membuktikan bahwa
2
= x x
(1)
benar-benar maksi-
mum global, harus ditunjukkan:
d
d
1
[logL( | x)]
2=
2
< 0; sebagai berikut
d
d1
[logL( | x)]
2=
2
=
n
n
2
2
2
n
i=1
(x1)
n
=
1
2
2
[n
2
2
n
i=1
(x
1
)]
=
1
(
xx
(1))
3
_
n
_
x x
(1)
_
2x
i
+ 2nx
(1)
=
1
(
xx
(1))
3
_
nx nx
(1)
2x
i
+ 2nx
(1)
=
1
(
xx
(1))
3
_
nx 2nx + nx
(1)
=
1
(
xx
(1))
3
_
nx + nx
(1)
=
n
(
xx
(1))
3
Karena n > 0dan
_
x x
(1)
_
> 0, maka
d
d1
[logL( | x)]
2=
2
=
n
(
xx
(1))
3
< 0.
Dengan demikian disimpulkan bahwa MLE untuk parameter
2
adalah:
2
= x x
(1)
9. Jika y
1
, y
2
, ...y variabel random iid berdidstribusi Poisson dengan
mean dan distribusi Prior adalah gamma dengan parameter ,
( | , ) =

1
r ()
e
; > 0
Pertanyaan:
(a) tentukan distribusi posterior dari ; posterior mean dan varian-
sinya.
(b) Myatakan posterior mean, sebagai rata-rata tertimbang dari
MLE dan prior mean
(c) Tentukan behaviour dari posterior mean dengan membuat va-
riasi dan n, serta MLE dan prior mean tetap.
Penyelesaian:
y
i
P () , berarti densitas dari y adalah f (y | ) =

y
e
y!
; y =
0, 1, 2...
Distribusi bersama dari y adalah: f (y | ) =

y
i e
n
yi!
jadi distri-
busi posterior dari adalah:
(y | ) =
f
_
y |
_
. (y | , )
_
0
f
_
y |
_
(y | , ) d
(3.79)
Dihitung dulu:
_
0
f
_
y |
_
(y | , ) d =
_
y
i e
n
yi!
.
1
r()
e
=
_
y
i e
n
yi!
.
1
r()
e
=
_
y
i e
n
yi!
.
1
r()
e
=
_
y
i e
n
yi!
.
1
r()
e
=
_
y
i e
n
yi!
.
1
r()
e
(3.80)
Substitusi 2 ke 1 diperoleh:
a
_
| y
_
=
y
i e
n
y
i
.
1
r()
.e
r(y
i
+)
y
i
!r()(+)
y
i
+
=
(n+)
y
i
+
r(yi+)
.
yi+1
e
(n+)
Atau distribusi Posterior diatas dapat juga dihitung dengan
cara sebagai berikut:
_
| y
_
f
_
y |
_
()
k.
1
e
r()
.
y
i
y!
k
1
yi+1
e
n(n+)
e
n
(3.81)
Karena:
k
1
_

0
yi+1
e
u
d, maka :
k
i
(n + )
yi+
_

0
yi+1
e
u
du = 1
k
i
(n + )
yi+
r (y
i
+ ) = 1 k
1
=
(n + )
yi+
r (y
i
+ )
(3.82)
4 ke 3 diperoleh:
_
| y
_
=
(n + )
yi+
r (y
i
+ )

yi+1
e
(n+)
Sekarang dihitung posterior mean dari
E ( | y) =
_
0
( | y) d
=
_
0
(n+)
y
i
+
r(yi+)
.
yi+
.e
(n+)
d
=
(n+)
y
i
+
r(yi+)
.
_
0
_
u
n+
_
y+
.e
u
.
du
(n+)
=
1
r(yi+)(n+)
_
0
u
y+
e
u
du
=
r(yi++1)
(n+)r(yi+)
=
(yi+)(yi+1)
(n+)(yi+1)
E ( | y) =
(yi+)
(n+)
Selanjutnya dihitung Variansi Posterior dari
E (
2
| y) =
(n+)
y
i
+
r(yi+)
_
0

yi++1
e
(n+)
d
=
(n+)
y
i
+
r(yi+)
_
0
_
u
n+
_
yi++1
.e
u
.
d
n+
=
1
(n+)
2
r(yi+)
_
0
u
yi++1
e
u
du
=
r(yi++2)
(n+)
2
r(yi+)
=
(yi++1)(yi+)
(n+)
2
Jadi variansi posterior dari adalah:
V ( | y) = E (
2
| y)
_
E ( | y)
2
_
=
(yi++1)(yi+)
(n+)
2

_
yi+
n+
_
2
=
(yi++1)(yi+)(yi+)
2
(n+)
2
=
yi+
(n+)
2
b. Dinyatakan Posterior mean, sebagai rata-rata tertimbang dari
MLE dan prior mean.
Estimator maksimum likehood dari adalah:
Fungsi likehood dari y: L( | y) =
n
i=1
f (y
i
| ) =

y
i e
n
n
i=1
yi!
Logaritma dari fungsi likehood y adalah: logL( | y) = y
i
og
n logy
i
,dan
d
d
{logL( | y)} =
yi
n, syarat perlu adanya maksimum

d
d
{logL( | y)} = 0, sehingga persamaan likehoodnya adalah:
yi
n = 0 y
i
= n
= 0. Jadi calon MLE dari adalah:
=
yi
n
= y karena
d
2
d
2
{logL( | y)}]
=
=
yi
< 0, maka
MLE dari parameter adalah
=
yi
n
= y.
Prior Mean dari adalah:
E () =
_
1
r()
e
d
=
_
r()
e
d
=

r()
_
0
_
u
e
u du
=
1
r()
_
0
u
e
u
du
=
1
r()
r ( + 1)
=
r()
r()
.
=

Telah diperoleh: Posterior mean dari : E ( | y) =

yi+
(n+)
, MLE
dari : =
yi
n
= y Prior mean dari : E () = . Jadi
Posterior dapat dinyatakan seabgai rata-rta tertimbang dari
MLE dan Prior mean, sebagai berikut:
yi+
(n+)
= a
yi
n
+ b
yi+
n+
=
ayi+nb
n

ny
i
+ nb = (n + ) ay
i
+
(n + ) nb
atau ini dapat disajikan sebagai:
n = (n + ) adan n = (n + ) n
atau
a =
n
(n + )
dan b =

(n + )
Sehingga diperoleh:
y
i
+
(n + )
=
n
(n + )
_
y
i
n
_
+

(n + )
() (3.83)
Dari persamaan * dapat diamati bahwa.
(i) Jika n besar dengan tetap, maka Posteriormean sama
dengan MLE dari , yaitu
E ( | y) = lim
n
_
n
n+
_
yi
n
_
+

n+
()
_
= (1)
yi
n
+ (0) ()
=
yi
n
= y
(ii). Jika besar dengan n tetap, maka posterior mean sama
dengan mean prior dari , yaitu
E ( | y) = lim
n
_
n
n+
_
yi
n
_
+

n+
()
_
= (0)
yi
n
+ (1) ()
=
= E ()
Atau Posterior mean E ( | y) diatas dapat dinyatakan sebagai
berikut:
yi+1
n+
=
n.
y
i
n
+
n+
=
n.
y
i
n
+
n+.
=
n.y+
n+
1
E()
.
=
n
n+

E()
(y) +

n+

E()
()
Dari persamaan terakhir ini dapat dilihat bahwa
(i). Jika n besar dan tetap, maka Posterior mean sama dengan
MLE dari , yaitu:
E ( | y) = lim
n
_
n
n + E ()
(y) +

n + E ()
()
_
= y
(ii). Jika besar dan n tetap, maka posterior mean sama dengan
mean prior, yaitu
E ( | y) = lim
n
_
n
n+E()
(y) +

n+E()
()
_
=
= E ()
10. Misalkan y
1
, y
2
, ...y
n
variabel random iid berdistribusi Poisson de-
ngan mean , dan distribusi prior adalah Gamma dengan parameter
,
( | , ) =

1
r ()
e
Pertanyaan: tentukan estimator Bayes dari untuk fungsi-fungsi ke-

rugian berikut,
(i). L(a, ) = (a, )
2
(ii). L(a, ) = (a, )
12
(iii). L(a, ) = (a )
4
(iv). L(a, ) =| a |
11. Diketahui:x
1
, x
2
, ...x
n
variabel randomiid berdistribusi B(l, ) , =
(0, 1). Tunjukkan x adalah UMVU estimator untuk .
Penyelesaian:
X
i
B(l, )maka densitas dari X
i
adalah:
f (x
i
| ) =
xi
(1 )
1xi
; x
i
= 0, 1; i = 1, 2, ..., n
Densitas bersama dari x
i
adalah:
f (x | B) =
n
i=1
f (x
i
| )
=
xi
(1 )
nxi
=
xi
(1 )
n
(1 )
xi
= (1 )
n
_

1
_
xi
=
Berdasarkan teorema faktorisasi, T (x) = x
i
adalah statistik cu-
kup untuk parameter
Sekarang ditunjukkan T (x) = x
i
adalah statistik cukup dan
lengkap
x
i
B(1, ),Mgfnya adalah M
x
(t) = (1 ) + e
t
Mgf dari T (x) = x
i
adalah:
M
T(x)
(t) = M
xi
(t) = {M
x
(t)}
n
, karena x
i
iid
= {(1 ) + e
t
} ini adalah Mgf dari distribusi Binomial (n, ).
Jadi diperoleh: x
i
B(1, ) T (x) = x
i
B(n, )
Sehingga: densitas dari T (x) = x
i
adalah
f (x
i
| ) =
_
n
t
_
t
(1 )
nt
; dengan t = x
i
, dan t = 0, 1, 2, ..., n
Keluarga distribusi f (x
i
= t | ) =
_
n
t
_
t
(1 )
nt
adalah
lengkap sebab:
E
[g (t)] =
n
t=0
g (t)
_
n
t
_
t
(1 )
nt
= (1 )
n
n
t=0
g (t)
_
n
t
_
t
(1 )
t
= (1 )
n
n
t=0
g (t)
_
n
t
_
_

1
_
t
: 0 < < 1.
Karena (1 )
n
= 0 maka
n
t=0
g (t)
_
n
t
_
_

1
_
t
=
n
t=0
g (t)
_
n
t
_
y
t
= 0; dengan y =

1
, dan ini adalah poli-
nomial derajat n dalam y. Koesien y
t
adalah g (t)
_
n
t
_
, kare-
na polinomial berniali nol y, maka setiap koesien harus = 0.
Karena
_
n
t
_
= 0, berarti g (t) = 0, dengan t = 0, 1, 2, ..., n. De-
ngan demikian, T (x) = x
i
adalah statistik cukup dan lengkap.
Selanjutnya, E [T (x)] =
n
i=1
{x
i
} =
n
i=1
E (x
i
) =
n
i=1
= n
Sekarang, misalkan:
(T) =
T
n
=

n
i
n
= x, maka
E [(T)] = E
_
x
i
n
_
=
1
n
n
i=1
E (x
i
) =
1
n
.n
Berdasarkan teorema 1, disimpulkan (T) =
T
n
= xadalah
UMVU Estimator untuk parameter
12. Misalkan x
1
, x
2
, ..., x
n
variabel random berdistribusi gamma dengan
diketahui dan = = (0, )tidak diketahui.
Tentukan, bahwa UMVUE dari adalah:
u (x
1
, x
2
, ..., x
n
) =
1
n
n
j=1
x
j
Dan tentukan variannya, serta batas cramer-Rao.
Penyelesaian:
X
i
Gamma (, = ),maka densitas dari x
i
adalah:
f (X
i
| = ) =
1
r ()
x
1
i
e
xi
; x
i
> 0, diketahui , > 0
i
adalah:
f (x | = ) =
n
i=1
1
r()
x
1
i
e
xi
=
1
[r()]
n
n
i=1
x
1
i
e
1
n
j=1
xi
=

n
i=1
x
1
i
[r()]
n
n
e
1
n
j=1
xi
Berdasarkan teorema faktorisasi, berarti T (x) =
n
1
x
i
adalah statistik
cukup untuk = .
Ditentukan distribusi dari T (x) =
n
1
x
i
sebagai berikut.
Diketahui bahwa:
X
i
G(, =)maka, Mgf dari distribusi ibi adalah: M
xi
(t) =
(1 t)
.
Selanjutnya Mgf dari T (x) =
n
1
x
i
adalah:
2
M
T(x)
(t) = M
n
1
xi
(T)
= [M
xi
(t)]
n
=
_
(1 t)
n
= (1 t)
n
Bentuk terakhir ini menyatakan T (x) = x
i
G(n, =)
Sehingga densitas dari T (x) = x
i
adalah:
f (x
i
= t | = ) =
1
r (n)
n
t
n1
e
t
; t > 0 (3.84)
Sekarang ditunjukkan keluarga distribusi * adalah lengkap, yaitu:
E {g (t)} = 0 g (t) = 0
E {g (t)} =
_
u
0
g (t)
1
r(n)
n
t
n1
e
t
dt
=
1
r(n)
n
_
u
0
g (t) t
n1
e
t
dt
Karena r (n) > 0,
n
> 0, maka
1
r(n)
n
> 0,jadi
_
u
0
g (t)
1
r (n)
n
t
n1
e
t
dt (3.85)
Karena persamaan * merupakan transformasi Laplace da-
ri fungsi g (t) t
n1
, maka menurut sifat tranformasi ini,
2
karena x
i
iid
haruslah:g (t) t
n1
= 0.
Dengan demikian statistik T (x) = x
i
adalah statistik cukup dn
lengkap.
Dihitung
E (T (x)) = E (x
i
) =
n
i=1
Ex
i
=
n
i
= n
Misalkan (T) =
T
n
=
1
n
n
j=1
x
j
= U (x
1
, x
2
, .., x
n
)
Maka:
E {(T)} = E {U (x
1
, x
2
, .., x
n
)}
= E
_
1
n
x
j
_
=
1
n
n
j=1
(x
j
)
=
1
n
n
=
Ternyata (T) = U (x
1
, x
2
, .., x
n
) =
1
n
n
j
x
j
adalah estimator tidak
bias bagi
Dengan demikian, U (x
1
, x
2
, .., x
n
) = (T) =
1
n
n
j
x
j
adalah UMVU
estimator untuk
Selanjutnya duhitung variansi dari U (x
1
, x
2
, .., x
n
) =
1
n
n
j
x
j
yaitu:
V ar (U (x
1
, x
2
, .., x
n
)) = V ar
_
1
n
x
j
_
=
1
n
2
2
V ar (x
j
)
=
1
n
2
2
=
1
n
2
2
n
2
=

2
n
Dihitung batas Cramer-Rao:
f (x | = ) =
1
r ()
x
1
e
x
; x > 0logf (x | )
= log1 log
_
r ()
()
_
+ ( 1) logx x
= logr () log + ( 1) logx x
d
d
[logf (x | )]
=
+
x
2
_
d
d
[logf (x | )]
_
2
=
_
+
x
2
_
2
=

2
2

2x
3
+
x
2
4
E
_
d
d
[logf (x | )]
_
2
=

2
2

2
3
E (x) +
1
4
E
_
x
2
_
=

2
2

2
3
+
1
4
_
2
+
2
_
=

2
2

2
3
+

2
+

2
2
=

2
Karena distribusi gamma memenuhi Teorema Cramer-Rao maka un-
tuk sembarang estimator tak bias untuk, sebut saja w = h (x), berla-
ku:
V ar (w)
1
nE{
d
d
[logf(x|)]}
2
=
1
n

2
=

2
n
Jadi batas Crame-Rao adalah

2
n
.
Terlihat bahwa varians dari estimator tak bias U (x
1
, x
2
, .., x
n
) =
1
n
n
j=1
x
j
sama dengan batas Cramer-Rao, yaitu:
V ar (U (x
1
, x
2
, .., x
n
)) = V ar
_
1
n
n
j
x
j
_
=

2
n
= batas Cramer-Rao
Dengan demikian: U (x
1
, x
2
, .., x
n
) =
1
n
n
j
x
j
adalah UMVUestimator
bagi .
13. Misalkan x
1
, x
2
, .., x
n
variabel random iid, dengan E (x
i
) = ; E |
x
i
|
2
< ,dan V ar (x) =
2
.
Tunjukkan: T (x
1
, x
2
, .., x
n
) = 2 [(n + 1)]
1
n
i
ix
i
estimator konsisten
untuk .
Penyelesaian:
T (x
1
, x
2
, .., x
n
) =
2
2(n+1)
n
i
ix
i
=
2
2(n+1)
{x
1
+ 2x
2
+ 3x
3
+ .. + nx
n
}
=
2
2(n+1)
E {x
1
+ 2x
2
+ 3x
3
+ .. + nx
n
}
=
2
2(n+1)
{E (x
1
) + 2E (x
2
) + 3E (x
3
) + .. + nE (x
n
)}
=
2
2(n+1)
{ + 2 + 3 + ... + n}
=
2
2(n+1)
{1 + 2 + 3 +... + n}
=
2
2(n+1)
_
1
2
n(n + 1)
_
=
Jadi T (x
1
, x
2
, .., x
n
)adalah estimator tak bias untuk . Dengan kata
lain bias T (x
1
, x
2
, .., x
n
) = E (T (x
1
, x
2
, .., x
n
)) = = 0.
Jadi :
lim
n
{bias T (x
1
, x
2
, .., x
n
)} = 0 (3.86)
selanjutnya dihitung V ar [T (x
1
, x
2
, .., x
n
)].
V ar T (x
1
, x
2
, .., x
n
) = V ar
_
2
2(n+1)
0
i
ix
i
_
=
4
[n(n+1)]
V ar {x
1
+ 2x
2
+ 3x
3
+ .. + nx
n
} ,
=
4
n
2
(n+1)
2
{V ar (x
1
) + 2V ar (x
2
) + ... + nV ar (x
3n
=
4
n
2
(n+1)
2
{
2
+ 4
2
+ 9
2
+ ... + n
2
2
}
=
4
n
2
(n+1)
2
{1
2
2
+ 2
2
2
+ 3
2
2
+ ... + n
2
2
}
=
4
2
n
2
(n+1)
2
{1
2
+ 2
2
+ 3
2
+ ... + n
2
}
=
4
2
n
2
(n+1)
2
_
1
6
n(n + 1) (2n 1)
_
=
2
2
3
_
2n+1
n(n+1)
_
Sekarang diambil limit dari V ar {T (x
1
, x
2
, .., x
n
)}untuk n ,
yaitu:
lim
n
_
2
3
2
_
2n 1
n(n + 1)
__
=
2
3
2
lim
n
2n 1
n(n + 1)
= 0 (3.87)
Dari 1 dan 2, berdasarkan teorema, disimpulkan bahwa
T (x
1
, x
2
, .., x
n
) = 2 [n(n + 1)]
1
n
i
ix
i
adalah barisan estimator
yang konsisten terhadap parameter .
14. Misalkan X
1
, ..., X
n
sampel random dari populasi N(,
2
). Tunjuk-
kanlah bahwa X adalah UMVUE untuk
Bukti
E(X) = 1/n.n = . Jadi X estimator tak bias untuk . V ar(X) =
2
/n. Sekarang akan dicari batas bawah Cramer-Rao
f(x) =
1
(2)
1/2
e
2
1
2
(x)
2
; < x < (3.88)
ln f(x) = ln (2)
1/2
1
2
2
(x )
2
(3.89)
ln f(x)
=
1
2
(x ) (3.90)
Sehingga
E
_
_
ln f(x)
_
2
_
=
1
2
E
_
_
(x )
_
2
_
=
1
2
.1 =
1
2
(3.91)
1
n.E
_
( ln f(x)/)
2
=

2
n
(3.92)
Jadi batas bawah Cramer-Rao adalah

2
n
.
Karena X estimator tak bias untuk dan V ar(X) =

2
n
sama dengan
batas bawah Cramer-Rao maka menurut akibat teorema Cramer-Rao
X adalah UMVUE
15. Misalkan X
1
, ..., X
n
i.i.d N(, 1). Tunjukkan bahwa barisan estimator
X
n
=
Xi
n
. adalah konsisten.
Jawab:
Perhatikan bahwa
_
X
n
N(,
1
n
), sehingga untuk n:
=
_
(
n
2
)
1/2
e
n/2 y
2
dy =
_
n
(
1
2
)
1/2
e
1/2 t
2
dt = P(
n < z <
n) 1
Karena itu
_
X
n
adalah barisan estimator konsisten untuk .
Secara umum perhitungan mendetail seperti di atas tidak perlu dila-
kukan untuk membuktikan konsistensi. Ingat untuk suatu estimator
T
n
ketaksamaan Chebychev mengatakan bahwa P(

X
n
)
E(Tn)
2
2
sehingga limit E(T
n
)
2
= 0 adalah syarat cukup agar suatu
barisan Tn konsisten. selanjutnya kita dapat menulis
E(T
n
)
2
= E(T
n
ET
2
n
+ E T
n
)
2
=E(T
n
ET
2
n
)
2
+ (ET
n
)
2
= V arT
n
+ [Bias T
n
]
2
16. Diketahui X
1
, ..., X
n
adalah i.i.d N(,
2
). Tentukan estimator untuk
dan
2
dengan MME.
Jawab:
Disini kita punya,
n
i=1
X
r
i
, m
1
= X,
1
= dan
2
=
2
+
2
. Solusi
dari sistem persamaan X = dan 1/n
n
i=1
X
r
i
=
2
+
2
diperoleh
estimator metode momen = X dan
2
= 1/n
n
i=1
(X
i
X)
2
17. Diketahui X
1
, ..., X
n
sampel random dari N(, 1), < < . Ten-
tukan MLE untuk
Jawab:
f(x/) = (2)
1/2
e
1/2(x)
2
(3.93)
L(/x) =
n
i=1
f(x
i
/) (3.94)
= (2)
n/2
exp
_
1/2
n
i=1
(X
i
)
2
_
(3.95)
= n/2 ln(2) 1/2
n
i=1
(X
i
)
2
(3.96)
Persamaan
d ln L(/x)
d
= 0 menghasilkan
n
i=1
(X
i
) = 0 atau

= X.
Perhatikan bahwa
d
2
ln L(/x)
d
3
|
=X
< 0 Jadi
= X adalah ELM untuk .

18. Diketahui X
1
, ..., X
n
sampel random dari
f(x; ) =
_
1
; 0 < x dan0 < <

0; untuk x yang lain
(3.97)
Tentukan MLE untuk
Jawab:
Fungsi likelihoodnya, L(; x
1
, ..., x
n
) =
1
n
; 0 < x
i
merupakan
fungsi dari yang monoton turun. Disini kita tidak dapat menen-
tukan ELM denga turunan. Perhatikan bahwa, x
i
i sehingga
max(x
i
). Ini berarti, L maksimum dicapai pada statistik terurut
ke-n yaitu max(x
i
). Jadi
= max(x
i
) adalah MLE untuk
1. Misalkan x
1
, x
2
, ...x
m
; y
1
, y
2
, ...y
n
variabel random independen
masing-masing berdistribusi N(,
2
) dan N(,
2
). Tentukan
statistik cukup untuk ketiga kasus berikut:
a) , , , sembarang dengan < , <, , > 0
b) = dan , , adalah sembarang
c) = dan , , adalah sembarang
2. Diketahui distribusi uniform f(x : ) =
1
,0 x dan bernilai nol

untuk x yang lain. Buktikan bahwa 2X estimator takbias untuk .
3. Diketahui

1
dan

2
adalah dua estimator takbias untuk dari dua
eksperimen yang independent. Buktikan bahwa

= c
1
1
+ c
2
2
de-
ngan c
1
+ c
2
= 1 juga estimator tak bias untuk .
4. Diberikan sampel random yang berukuran n dari populasi yang
mempunyai mean (diketahui) dan variansi
2
. Perlihatkan bahwa
varians sampel S
2
=
1
n
n
i=1
(X
i
)
2
merupakan estimator bias untuk
2
5. Perlihatkan bahwa jika
estimator tak bias untuk dan V ar(
) tidak
sama dengan 0, maka
2
bukan estimator tak bias untuk
2
.
6. Jika

estimator dari dan bias estimator ini diberikan oleh b = E(
) . Perlihatkan bahwa E
_
(
)
2
= V ar(
) + b
2
_
7. Perlihatkan, jika

estimator konsisten untuk maka k
(k = 0) esti-
mator konsisten untuk k
8. Diketahui X
1
, ..., X
n
berdistribusi identik dan independen dengan
E(X
i
) = dan E(|X
i
|
2
) < . tunjukkan bahwa T =
2
n(n+1)
n
i=1
X
i
adalah estimator konsisten untuk .
9. Misalkan X
1
, ..., X
n
sampel dari U(0, ). Perlihatkan bahwa T =
(
n
i=1
X
i
)
1\n
adalah estimator konsisten untuk e
1
10. Jika X
1
, ..., X
n
i.i.d N(,
2
). Buktikan
_
(n 1)/2[(n 1)/2] s/[(n/2)] estimator tak bias untuk
. Petunjuk: gunakan
(n1)S
2
2
berdistribusi
2
(n1)
dengan
S
2
=
1
n1
n
i=1
(X
i
X)
2
11. Ukuran esiensi estimator

1
terhadap

2
ditunjukkan oleh
var(
b
2)
var(
b
1)
.
Tentukan esiensi estimator =
X1+2X2+X3
4
terhadap X jika
X
1,
X
2
dan X
3
sampel random dari N(,
2
)
12. Apakah estimator pada soal no.10 konsisten?
13. Diketahui X
1
, ..., X
n
sampel random yang berdistribusi identik dan
independen N(, ); > 0. Tentukan estimator tak bias dan konsis-
ten untuk
2
.
14. Buktikan bahwa proporsi sampel
x
n
adalah UMVUEuntuk parameter
Binomial .
15. Diketahui X
1
, ..., X
n
sampel random i.i.d Gama(, ); diketahui
dan 0 < < . tentukan UMVUE untuk
16. Diketahui X
1
, ..., X
n
sampel random i.i.d Binomial (1, p); p (0, 1).
Tentukan UMVUE untuk p.
17. Diketahui: x
1
, x
2
, ...x
n
variabel random iid berdistribusi exponensial
negative, dengan parameter = (0, ). Gunakan teorema untuk
menemukan UMVU Estimator dari parameter .
18. Misalkan x variabel random berdistribusi binomial negatif dengan
parameternya = (, 1) .Tentukan UMVU estimator dari g () =
1 dan cari variansnya.
19. Diketahui: x
1
, x
2
, ...x
n
variabel random iid berdistribusi exponensial
negative, dengan parameter = (0, ). Gunakan teorema untuk
menemukan UMVU Estimator dari parameter .
20. Misalkan x variabel random berdistribusi binomial negatif dengan
parameternya = (, 1) .Tentukan UMVU estimator dari g () =
1 dan cari variansinya.
21. Jika x
1
, ..., x
n
nilai-nilai sampel random yang berukuran n dari popu-
lasi dengan distribusi
f(x; ) =
_
2(x)
2
; 0 < x <
0; untuk xyang lain
Tentukan estimator untuk dengan metode momen
22. Diketahui X
1
, ..., X
n
berdistribusi identik dan independen (i.i.d) de-
ngan distribusi seperti berikut :
(a) f(x; ) = x
1
; 0 < x < 1, 0 < < , dan nol untuk x yang
lain
(b) f(x; ) = (1/) exp [x/] , 0 < x < , 0 < < , dan nol
untuk x yang lain
(c) f(x; ) = exp [(x )] , 0 < x , < < , dan nol un-
tuk x yang lain. Dalam setiap kasus diatas, tentukan estimator
untuk dengan metode likelihood maksimum
23. Misalkan x
1
, x
2
variabel random dengan fungsi padat peluang
f (.; )yang diberikan oleh:
f (x | ) =
2
( x) I
(0,)
(x) ; = (0, )
Tentukan estimator momen untuk .
24. Tentukan estimator momen untuk dan , jika x
1
, x
2
, ...x
n
variabel
random iid berdistribusi Beta dengan parameter dan .
25. Diketahui X
1
, ..., X
n
berdistribusi identik dan independen poisson
(). Tentukan estimator untuk dengan metode momen dan like-
lihood maksimum.
26. Diketahui X
1
, ..., X
n
berdistribusi identik dan independen dengan
distribusi f(x; ) = ( + 1)x
;0 < x < 1 dan nol untuk x yang lain.

Tentukan estimator untuk dengan metode momen dan likelihood
maksimum.
27. Diketahui X
1
, ..., X
n
berdistribusi identik dan independen gama
(, ). Tentukan dan

dengan metode momen dan likelihood
maksimum.
28. Diketahui sampel random berukuran n dari populasi normal dengan
mean diketahui, tentukan estimator untuk dengan metode likeli-
hood maksimum
29. Diketahui Sampel random berukuran n dari populsi yang mempu-
nyai distribusi f(x; ) = e
(x)
untuk x > dan nol untuk x yang
lain. Tentukan estimator untuk 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 x
1
, x
2
, ...x
n
variabel random independen
dengan distribusi N (, ) : (0, ).
Tunjukkan bahwa: MLE dari parameter adalah:
=
1
2
_
_
1 +
4
n
n
i=1
x
2
j
_
2
1
_
Bab 4
Estimasi Interval
Memahami konsep dasar estimasi interval dan mampu menerapkan baik
dalam pemecahan masalam matematika, ilmu lain, maupun dalam kehi-
dupan sehari-hari.
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
4.3 Uraian Materi
4.3.1 Konsep Dasar Estimasi Interval
Sejauh ini telah dibicarakan estimasi titik untuk parameter populasi , di
mana inferensinya adalah pendugaan harga tunggal terhadap . Estima-
tor titik mempunyai kelemahan prinsip yaitu tidak memberikan informasi
tentang ketepatan atau keakuratannya. Misalnya, = X adalah estimator
terbaik untuk dari N(,
2
). Jika sampel random yang berukuran n di-
ambil, dan diperoleh X = 3, 5. Apakah dapat diyakini bahwa 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 c dengan c dan c = c(
_
x).
Ini merupakan himpunan yang ditentukan oleh
_
X=
_
x yang terobservasi.
Bila berharga real, maka estimator himpunan c adalah interval.
Definisi
Estimasi interval untuk parameter adalah pasangan fungsi L(x
1
, ..., x
n
)
dan U(x
1
, ..., x
n
) dan sampel yang memenuhi L(
_
X) U(
_
X)untuk se-
mua
_
x . Bila
_
X=
_
x terobservasi, dibuat inverensi L(
_
X) U(
_
X).
Interval random [L(
_
X),U(
_
X)] disebut estimator interval. Seperti denisi
terdahulu,[L(
_
X), U(
_
X)] untuk estimator interval berdasar sampel ran-
dom
_
X= (x
1
, ..., x
n
) 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 adalah interval yang berbentuk L(
_
X
) < < U(
_
X) dengan L(
_
X)dan U(
_
X) adalah suatu kuantitas yang tak
Bab 4. Estimasi Interval 114 ISBN 978-602-8310-02-4
tergantung pada nilai dan distribusi sampling dari . Dengan kata lain,
berdasarkan distribusi sampling kita pilih L(
_
X)dan U(
_
X) sehingga
P(L(
_
X) < < U(
_
X)) = 1 dengan 0 < < 1 (4.1)
Interval L(
_
X) < < U(
_
X) disebut interval kepercayaan (1 )100%
dan (1 ) disebut koesien kepercayaan. L(
_
X)dan U(
_
X) berturut-
turut disebut limit kepercayaan bawah dan limit kepercayaan atas. Mi-
salnya = 0, 05 memberikan koesien kepercayaan 0, 95 dan interval ke-
percayaan 95%. Perhatikan bahwa yang lain bisa dipilih berdasarkan
pertimbangan-pertimbangan statistik. Idealnya, dipilih sedemikian se-
hingga panjang interval kepercayaan terpendek, tetapi cakupan probabi-
litas (1 ) mendekati nilai 1 (kepastian)
Contoh
Untuk sampel X
1
, X
2
, X
3
, X
4
dan N(, 1), estimator interval dari adalah
[
_
x 1,
_
x +1]. Ini berarti kita menyatakan bahwa berada dalam interval
ini. Bila kita mengestimasi dengan
_
x, P( x = ) = 0. Tetapi dengan esti-
mator interval, kita mempunyai probabilitas positif untuk benar. Probabi-
litas bahwa tercakup oleh interval [
_
x 1,
_
x +1]dapat dihitung sebagai
P [ [
_
x 1,
_
x +1]] = P(
_
x 1
_
x +1)
= P(1
_
x 1)
= P(2
_
x
1/4
2)
= P(2 < z < 2)
= 0, 9544.
Artinya; lebih dari 95% peluang untuk mencakup parameter () 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 dikuantikasikan dalam denisi berikut.
Definisi
Untuk estimator interval [L(
_
x), U(
_
x)]dari parameter cakupan probabi-
litas dari [L(
_
x), U(
_
x)] adalah probabilitas bahwa interval random. [L(
_
x
), U(
_
x)] mencakup parameter . Dalam notasi ini dinyatakan dengan
P
( [L(
_
x), U(
_
x)|]) atau P ( [L(
_
x), U(
_
x)|]).
Definisi
Estimator interval [L(
_
x), U(
_
x)] untuk parameter , koesien keperca-
yaan dari [L(
_
x), U(
_
x)]adalah inmum probabilitas cakupan atau inf
([L(
_
x), U(
_
x)]).
Ada beberapa hal yang perlu diperhatikan dari denisi tersebut.
1. Sangat penting untuk di ingat bahwa interval adalah besaran
random, bukan parameter. Akibatnya, bila kita menulis pernya-
taan probabilitas seperti P
( [L(
_
x), U(
_
x)|]), pernyataan proba-
bilitas tersebut menunjuk ke x bukan . Dengan perkataan lain,
pikirkan P
( [L(
_
x), U(
_
x)|]) yang seperti pernyataan tentang
random , sebagai sesuatu yang secara aljabar ekivalen dengan
P
([L(
_
x) , U(
_
x) ) yaitu pernyataan tentang variabel random
_
X. Estimator interval, bersama dengan ukuran kepercayaan, (biasa-
nya koesien kepercayaan) dikenal dengan nama interval keperca-
yaan. Interval kepercayaan dengan koesien kepercayaan sama den-
gan (1 ) disebut (1 ) interval kepercayaan.
2. Hal penting lain berhubungan dengan cakupan probabilitas dan ko-
esien kepercayaan. Karena kita tidak mengetahui harga sebenarn-
ya dari , kita hanya dapat menjamin probabilitas cakupannya sa-
ma dengan inmum koesien kepercayaan. Dalam beberapa kasus
hal ini tidak menjadi soal karena cakupan probabilitas merupakan
fungsi konstan dari . Tetapi, dalam kasus yang lain cakupan proba-
bilitas merupakan fungsi dari .
Contoh
Jika X
1
, ..., X
n
adalah sampel random populasi seragam (0, ) dan misal-
kan Y = maks{X, ..., X
n
}, jika ingin mencari estimator interval untuk .
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 perlu lebih besar
dari Y ). Untuk interval pertama didapat:
P
( [aY, bY ]) = P
(aY bY )
= P
_
1
b

y

1
a
_
= P
_
1
b
T
1
a
_
; (T =
y
)
Jadi, P
_
1
b
T
1
a
_
=
_ 1
a
1
b
nt
n1
dt = (
1
a
)
n
(
1
b
)
n
Cakupan probabilitas interval pertama independen dengan harga . Jadi
(
1
a
)
n
(
1
b
)
n
adalah koesien kepercayaan dari interval.
Untuk interval lain, untuk d, perhitungan sejenis menghasilkan:
P
( [Y + c, Y + d]) = P
(Y + c Y + d])
= P
_
1
d
T 1
c
_
=
_
1
c
1
d
nt
n1
dt
= (1
c
)
n
(1
d
)
n
untuk keadaan ini, cakupan probabilitas tergantung pada .
Selanjutnya Lim
(1
c
)
n
(1
d
)
n
= 0 yang menunjukkan koesien
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 umumda-
pat dinyatakan bahwa setiap interval kepercayaan berkorespondensi den-
gan uji hipotesis dan sebaliknya. Jadi dari uji hipotesis dapat diturunkan
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, ) = Q(x
1
, ..., x
n
, ) disebut besaran pivot bila dis-
tribusi dari Q(
_
X, ) independen (tak mengandung) parameter populasi.
Dengan kata lain: Jika
_
X F(
_
x |) maka Q(
_
X, ) mempunyai distribusi
yang sama untuk semua harga .
Fungsi Q(
_
X, ) biasanya secara eksplisit memuat parameter dan statistik,
tetapi untuk sembarang himpunan A, P
Q(
_
X, ) A tidak dapat tergan-
tung pada . Cara mengkonstruksikan himpunan kepercayaan dari pivot
tergantung pada kemampuan mendapatkan pivot dan himpunan A sede-
mikian hingga himpunan { : Q(
_
X, ) A} adalah himpunan estmatator
(interval kepercayaan) dari .
Contoh
Dalam kasus lokasi dan skala terdapat banyak besaran pivot. Di sini akan
ditunjukkan beberapa. Misalkan x
1
, ..., x
n
adalah sampel random densitas
( dalam tabel ) dan misalkan
_
x dan s adalah mean sampel dan deviasi
standar.
Tabel 4.1: Besaran Pivot
Bentuk Densitas Jenis Densitas Besaran Pivot
f(x ) lokasi
_
x
1
f(
x
) skala
_
x
f(
x -
) lokasi/skala
_
x
Untuk membuktikan bahwa besaran-besaran di atas merupakan pivot, da-

pat ditunjukkan bahwa densitasnya independen dari parameter.
Contoh
Jika x
1
, ..., x
n
sampel random dari populasi N(,
2
), maka statistik t =
_
x -
s /
n
adalah pivot, karena distribusi statistik t tidak tergantung pada pa-
rameter dan
2
.
Contoh
Misalkan x
1
, ..., x
n
iid eksponensial (). Maka T =
x
i
adalah statistik
cukup untuk dan T Gamma(n, ). Dalam pdf gamma t dan muncul
bersama-sama sebagai
t
dan kenyataannya bentuk pdf :

Gamma(n, ) = (P(n)
n
)
1
t
n1
e
t
adalah keluarga skala.
Jika Q(T, ) =
2T
maka Q(T, ) gamma

_
n, (
2
)
_
= gamma(n, 2) yang
tidak tergantung pada . Besaran Q(T, ) =
2T
adalah pivot dengan

gamma(n, 2) atau distribusi
2
.
Kadang-kadang kita dapat melihat bentuk pdf untuk melihat apakah ada
besaran pivot. Dalam contoh di atas, besaran
t
terlihat dalam pdf dan ia

menjadi pivot. Dalampdf normal, besaran
_
x -
terlihat dan besaran ini juga

merupakan pivot.
Secara umum, misalkan pdf statistik T, f(t, ) dapat dinyatakan
dalam bentuk f(t, ) = g (Q(t, )) |
Q(t,)
t
| untuk suatu fungsi g
dan fungsi monoton Q (dalam t untuk setiap ). Maka Q(t, )
merupakan pivot.
Begitu mendapat pivot, selanjutnya bagaimana menggunakannya untuk
membangun himpunan kepercayaan?. Bila Q(
_
x, ) merupakan pivot, ma-
ka untuk harga tertentu dapat ditemukan bilangan-bilangan adan b yang
tidak tergantung pada dan memenuhi:
P
(a Q(t, ) b) 1
Maka untuk setiap
0
, A(
0
) = {
_
x: a Q(
_
x,
0
) b}adalah daerah
penerimaan untuk uji taraf dari H
0
: =
0
. Hal ini memberikan hasil
bahwa himpunan kepercayaan (1 ) untuk adalah:
C(
_
x) = {
0
: a Q(
_
x,
0
) b}
Contoh
Dalam contoh di muka telah didapatkan interval kepercayaan untuk
dari pdf eksponensial dengan menginversikan LRT taraf dari H
0
: =
0
vs H
1
: =
0
. Sekarang kita juga melihat bila kita mempunyai sampel
X
1
, ..., X
n
kita dapat mendenisikan T =
X
i
dan Q(T, ) =
2 T
X
2
2n
.
Bila kita memilih konstantq a dan b sedemikian hingga memenuhi P(a
X
2
2n
b) = 1 , maka
P
(a
2 T
b) = P
(a Q(T, ) b)
= P(a X
2
2n
b)
= 1
Dengan menginversikan himpunan:
A() = {t : a
2T
b}
memberikan C(t) = { :
2 t
b

2 t
a
} yang merupakan interval keperca-
yaan (1 ). Bila n = , interval kepercayaan 95% adalah { :
2 T
34,17

2 T
9,59
}. Untuk persoalan lokasi dengan kondisi variansi tidak diketahui pun
pembangunan dan perhitungan interval pivot relatif mudah.
Contoh
Jika X
1
, ..., X
n
iid N(,
2
) maka
(
_
x )
/
n
adalah pivot. Bila
2
diketahui, ki-
ta dapat menggunakan pivot ini untuk menghitung interval kepercayaan
untuk . Untuk sebarang konstanta a
P(a
(
_
x )
/
n
a) = P(a Z a)
Sehingga interval kepercayaan adalah { :
_
x a

n

_
x +a

n
}.
Bila
2
tidak diketahui, kita dapat menggunakan pivot skala-lokasi
(
_
x )
s /
n
.
Karena
(
_
x )
s /
n
mempunyai distribusi
P(a
(
_
x )
/
n
a) = P(a Z a).
Jadi untuk tertentu bila kita mengambil a = t
n1,
2
, kita mendapatkan
bahwa interval kepercayaan (1 ) adalah
{ :
_
x t
n1,
2
s
n

_
x +t
n1,
2
s
n
}
dan ini merupakan interval kepercayaan (1 ) klasik untuk berdasar
distribusit.
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,
ukuran yang paling banyak digunakan adalah kelakuan koesien keperca-
yaan, yaitu inmum cakupan probabilitas ukuran dan probabilitas caku-
pan. Permasalahan dapat dirumuskan sbb: diberikan probabilitas cakupan
tertentu, carilah interval kepercayaan terpendek.
Contoh
Misalkan X
1
, ..., X
n
iid N(,
2
)dengan diketahui. Telah kita ketahui
bahwa Z =
_
x -
/
n
adalah besaran pivot dengan distribusi normal baku
dan setiap anggota yang memenuhi P(a Z b) = 1 akan memberi-
kan interval kepercayaan (1 )
{ :
_
x b

n

_
x a

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 - )?. Perhatikan
bahwa panjang interval kepercayaan sama dengan
(ba)
n
. Karena faktor
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 dan meminimumkan (b a).
Biasanya diambil a = z z
2
dan b = z
2
tanpa menyebutkan apa yang
membuat optomal. Jika diambil 1 = 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 z
2
dan z
2
.
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
a
f(x)dx = 1
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 [a
1
, b
1
] adalah sebarang interval dengan b
1
a
1
< b a.
Akan ditunjukkan bahwa ini mengakibatkan
_
b
1
a
1
f(x)dx < 1 . Hasil ini
akan dibuktikan hanya untuk a
1
< a. Untuk kasus a < a
1
dapat dibuktik-
an secara analog. Juga dua kasus yang perlu diperhatikan adalah b
1
a
dan b
1
> a.
Bila b
1
a maka a
1
b
1
a x
dan
_
b
1
a
1
f(x)dx f(b
1
)(b
1
a
1
) f(a
1
)(b
1
a
1
) < f(a)(ba)
_
b
a
f(x)dx = 1
Bila b
1
> a maka a
1
a b
1
< b, karena bila b
1
lebih besar atau sama
dengan b, maka b
1
a
1
lebih besar atau sama dengan ba. Dalam keadaan
ini, dapat ditulis:
_
b
1
a
1
f(x)dx =
_
b
a
f(x)dx + [
_
a
a
1
f(x)dx
_
b
b
1
f(x)dx]
= 1 + [
_
a
a
1
f(x)dx
_
b
b
1
f(x)dx]
dan teorema terbukti bila dapat ditunjukkan bahwa pernyataan dalam
kurung negatif. Sekarang, dengan menggunakan unimodalitas f, urutan
a
1
a b
1
b, dan didapat:
_
a
a
1
f(x)dx f(a)(a a
1
) dan
_
b
b
1
f(x)dx f(b)(b b
1
)
Jadi
_
a
a
1
f(x)dx
_
b
b
1
f(x)dx f(a)(a a
1
) f(b)(b b
1
)
= f(a) [(a a
1
) (b b
1
)]
= f(a) [(b
1
a
1
) (b a)]
bernilai negatif. q.e.d
Contoh
Untuk interval kepercayaan normal berdasarkan pivot
_
x -
s /
n
, kita menge-
tahui bahwa interval kepercayaan (1 ) yang mempunyai panjang ter-
pendek mempunyai bentuk
_
x b
s
n

_
x a
s
n
mempunyai a = t
n1,
2
dan b = t
n1,
2
. 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 ) untuk meminimumkan.
E
(panjang (S) ) = (b a)
E S
n
= (b a)C(n)
S
n
.
Maka Teorema di depan berlaku dan pemilihan a = t
n1,
2
dan b = t
n1,
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 , dengan variansi
2
diketahui. Misalnya X vari-
abel random yang berdistribusi N(,
2
), dengan tidak diketahui.
Jika X adalah nilai mean sampel dari populasi normal dengan me-
an dan variansi
2
(diketahui). Tunjukkan interval kepercayaan
(1 )100% untuk diberikan oleh:
X z
/2
.

n
< < X + z
/2
.

n
(4.2)
Penjelasan:
X N(,
2
) X N(,
2
/n) Z =
X
/
n
N(0, 1) (4.3)
Perhatikan bahwa P
_
z
/2
< z < z
/2
_
= 1 dengan z
/2
adalah
kuantitas sehingga P(Z > z
/2
) = /2
Karena itu
P
_
z
/2
<
X
/
n
< z
/2
_
= 1 (4.4)
atau
P(X z
/2
.

n
< < X + z
/2
.

n
) = 1 (4.5)
Jadi interval kepercayaan (1 )100% untuk adalah:
X z
/2
.

n
< < X + z
/2
.

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 , dengan variansi
2
tidak diketahui. Jika x adalah
nilai mean sampel dari populasi normal dengan mean dan variansi
2
tidak diketahui, maka interval kepercayaan (1 )100% untuk
adalah:
X t
/2,n1
.
S
n 1
< < X + t
/2,n1
.
S
n 1
(4.7)
Penjelasan:
Karena variansinya
2
tidak diketahui maka dapat diganti dengan
variansi sampel:
S
2
=
1
n
n
i=1
(X
i
X)
2
(4.8)
sebagai estimator untuk
2
. Sebab jika x
i
berdistribusi N(,
2
) maka
nS
2
/
2
berdistribusi
2
(n1)
dan
n(x )/ berdistribusi t
(n1)
.
4.3.4.2 Interval Kepercayaan untuk Perbedaan Mean
Sering kali lebih memungkinkan untuk melakukan estimasi interval untuk
selisih parameter populasi
1
2
daripada untuk masing-masing. Misalk-
an X
1
, X
2,
..., X
n
dan Y
1
, Y
2,
..., Y
m
dua sampel random dari dua populasi
yang independen N(
1
,
2
) dan N(
2
,
2
); > 0 tidak diketahui. Masalah
yang dihadapi sekarang, bagaimana inferensi interval untuk parameter
perbedaan mean yaitu
1
2
?
Interval untuk mean
1
2
dengan variansi
2
> 0 tidak diketahui.
Jika X dan Y berturut-turut mean sampel berukuran n dan m yang saling
independen dari populasi N(
1
,
2
) dan populasi N(
2
,
2
) ;
2
> 0 tidak
diketahui, maka interval kepercayaan (1 )100% adalah:
_
X Y
_
aR <
1
2
<
_
X Y
_
+ aR (4.9)
dengan a = t
(/2;n+m2)
dan R =
_
(1/n + 1/m)
(nS
2
1
+nS
2
2
(n+m2)
Penjelasan:
Variansi sampelnya berturut-turut S
2
1
dan S
2
2
. Perhatikan bahwa
X
i
(i = 1, 2, ..., n) N(
1
,
2
) X N(
1
,
2
/n) (4.10)
dan
Y
j
(j = 1, 2, ..., m) N(
2
,
2
) Y N(
2
,
2
/m) (4.11)
akibatnya,
X Y N(
1
2
,
2
/n +
2
/m)
X Y (
1
2
)
_
2
/n +
2
/m
N(0, 1) (4.12)
Karena nS
2
1
/
2

2
(n1)
dan mS
2
2
/
2

2
(m1)
maka (nS
2
1
+ mS
2
2
)/
2
2
(n+m2)
. Diperoleh
T =
X Y (
1
2
)
_
2
/n +
2
/m
:
_
(nS
2
1
+ mS
2
2
)/
2
(n + m2
1/2 (4.13)
=
X Y (
1
2
)
_
(1/n + 1/m
nS
2
1
+mS
2
2
n+m2
t
(n+m2)
(4.14)
Interval kepercayaan (1 )100% adalah P(a < T < a) = 1 ; dengan
a = t
/2;n+m2
dan
P(
_
X Y
_
aR <
1
2
<
_
X Y
_
+ aR) = 1 (4.15)
dengan
R =
(1/n + 1/m
nS
2
1
+ mS
2
2
n + m2
(4.16)
Jadi interval kepercayaan (1 )100% untuk perbedaan mean adalah
_
X Y
_
aR <
1
2
<
_
X Y
_
+ aR
_
X Y
_
aR <
1
2
<
_
X Y
_
+ aR (4.17)
4.3.4.3 Interval Kepercayaan untuk Variansi
Setelah di drpan dibahas interval kepercayaan untuk mean , maka kini
dibahas interval kepercayaan untuk variansi
2
.
Interval untuk variansi
2
dengan mean yang tidak diketahui.
Jika X
1
, X
2,
..., X
n
sampel random dari distribusi N(,
2
) dengan tidak
diketahui maka interval kepercayaan (1 )100% untuk
2
adalah:
ns
2
2
(1/2,n1)
<
2
<
ns
2
2
(/2;n1)
(4.18)
Penjelasan:
Dengan menggunakan metode likelihood maksimum diperoleh
2
= S
2
=
1/n
n
i=1
(X
i
X)
2
dan variabel random nS
2
/
2
berdistribusi
2
(n1)
karena
itu,
P(
2
(/2,n1)
< nS
2
/
2
<
2
(1/2,n1)
= 1 (4.19)
atau
P
_
ns
2
2
(1/2,n1)
<
2
<
ns
2
2
(/2;n1)
_
= 1 (4.20)
Jadi interval kepercayaan untuk
2
adalah
ns
2
2
(1/2,n1)
<
2
<
ns
2
2
(/2;n1)
(4.21)
4.3.4.4 Interval Kepercayaan untuk Rasio Dua Variansi
Interval kepercayaan untuk
2
2
/
2
1
dengan
1
dan
2
tidak diketahui.
Jika X
1
, X
2,
..., X
n
dan Y
1
, Y
2,
..., Y
n
dua sampel random yang saling inde-
penden dari populasi N(
1
,
2
) dan populasi N(
2
,
2
) dengan
1
dan
2
tidak diketahui, maka interval kepercayaan (1 )100% untuk
2
2
/
2
1
ada-
lah
1
F
(1/2;m1;n1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
<

2
2
2
1
< F
(1/2;n1;m1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
(4.22)
Penjelasan:
Dengan metode likelihood diperoleh:

1
= X,
2
1
= S
2
1
= 1/n
n
i=1
(X
i
X)
2
(4.23)
dan

2
= X,
2
2
= S
2
2
= 1/n
n
i=1
(Y
i
Y )
2
(4.24)
nS
2
1
/
2
1

2
(n1)
.mS
2
2
/
2
2

2
(m1)
dan independen
F =
nS
2
1
/ [
2
1
(n 1)]
mS
2
2
/ [
2
2
(m1)]
F
(n1;m1)
(4.25)
Karena itu
P
_
F
(/2;n1;(m1)
<
nS
2
1
/ [
2
1
(n 1)]
mS
2
2
/ [
2
2
(m1)]
< F
(1/2;n1;m1)
_
= 1 (4.26)
atau
P
_
F
(/2;n1;(m1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
<

2
2
2
1
< F
(1/2;n1;(m1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
_
= 1
(4.27)
atau
P
_
1
F
(1/2;m1;n1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
<

2
2
2
1
< F
(1/2;n1;m1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
_
= 1
(4.28)
Jadi interval kepercayaan (1 )100% untuk
2
2
/
2
1
adalah
1
F
(1/2;m1;n1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
<

2
2
2
1
< F
(1/2;n1;m1)
mS
2
2
/(m1)
nS
2
1
/(n 1)
(4.29)
1. Tentukan interval kepercayaan 95 %untuk mean dari N(, 9) dengan
sampel berukuran 100 dan x = 5
Jawab:
(1 )100% = 95% (1 ) = 0, 95
Berdasarkan tabel Z, untuk (1 ) = 0, 95 diperoleh z
/2
= 1, 96.
Untuk
2
= 9 dan n = 100 diperoleh z
/2
.

n
= 1, 96.3/10 = 0, 588
Menurut teorema 8, interval kepercayaan 95% untuk adalah X
z
/2
.

n
< < X + z
/2
.

n
5 0, 588 < < 5 + 0, 588 4, 412 <
< 5, 588
2. Diketahui X
1
, X
2,
..., X
10
sampel random dari N(,
2
) ; dan
2
ke-
duanya tidak diketahui. Misalnya dari hasil eksperimen diperoleh
x = 3, 22 dan s = 1, 05. Tentukan interval kepercayaan 90% untuk .
Jawab:
Berdasarkan Tabel t, diperoleh t
(0,05;9)
= 1, 833. Interval kepercayaan
90%untuk adalah 3, 222, 833.1, 05/3 < < 3, 22+1, 833.1, 05/3
2, 56095 < < 3, 87905
3. Diketahui dua sampel random yang independen yang masing-
masing berukuran 10 dan 7 yang diambil dari dua populasi berdistri-
busi N(
1
,
2
) dan N(
2
,
2
). Misalkan x = 4, 2, y = 3, 4, dan S
2
2
= 32,
tentukan interval kepercayaan 90% untuk
1
2
.
Jawab:
R =
(1/n + 1/m
nS
2
1
+ mS
2
2
n + m2
=
_
(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, 81, 753.3, 4 <
1
2
< 0, 8+1, 753.3, 4 5, 16 <
1
2
< 6, 76
(4.31)
Jadi interval kepercayaan 90% untuk
1
2
adalah
5, 16 <
1
2
< 6, 76 (4.32)
4. Jika dari data yang diobservasi dari populasi normal diperoleh s =
2, 2 dan n 16. Tentukan interval kepercayaan 98% untuk
2
!
Jawab:
Dari tabel
2
diperoleh
2
( 0,01;15)
= 5, 23 dan
2
( 0,99;15)
= 30, 6 sehingga
diperoleh
16(2, 2)
2
30, 6
<
2
<
16(2, 2)
2
5, 23
2, 53 <
2
< 14, 81 (4.33)
5. Misalkan dua sampel random yang berukuran 10 dan 5 diambil
dari dua populasi yang independet yaitu N(
1
,
2
) dan populasi
N(
2
,
2
). Dari hasil observasi tersebut diperoleh S
2
1
= 20, 0 dan
S
2
2
= 35, 6. Tentukan interval kepercayaan 95% untuk

2
2
2
1
bila kedua
mean populasi tidak diketahui.
Jawab:
Dalam hal ini, 1 /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
<

2
2
2
1
< (8, 90)
5(35, 6)/4
10(20, 0)/9
(4.34)
atau
0, 4 <

2
2
2
1
< 17, 8 (4.35)
Jadi interval kepercayaan 95% untuk

2
2
2
1
adalah 0, 4 <

2
2
2
1
< 17, 8
1. Diketahui nilai observasi mean x dari sampel random yang beru-
kuran 20 dari distribusi n(, 80) adalah 81, 2. Tentukan 95% interval
kepercayaan untuk
2. Misalkan x mean dari sampel random yang berukuran n dari distri-
busi n(, 9). Tentukan n sehingga P(x 1 < < x + 1) = 0, 90
3. Diketahui sampel random yang berukuran 17 dari distribusi normal
N(,
2
) diperoleh x = 4, 7 dan s
2
= 5, 76. Tentukan 90 % interval
kepercayaan untuk .
4. Jika X
1
, X
2,
..., X
9
sampel random berukuran 9 dari distribusi
N(,
2
)
(a) Jika diketahui, tentukan peluang 95% interval kepercaya-
an untuk jika interval ini didasarkan pada variabel random
9(x )/
(b) Jika tidak diketahui, tentukan nilai harapan dari panjang 95%
interval kepercayaan untuk jika interval didasarkan pada va-
riabel random
8(x )/S
5. Diketahui Y berdistribusi Binomial (n, p). Tentukan interval keper-
cayaan (1 )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 ) 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(
1
,
2
) dan N(
2
,
2
)
dari observasi diketahui x = 4, 8, S
2
1
= 8, 64, y = 5, 6, S
2
2
= 7, 88.
Tentukan inteval kepercayaan 95% untuk
1
2
.
9. Tentukan interval kepercayaan untuk perbedaan
1

2
antara dua
mean dari dua distribusi normal yang independen jika kedua vari-
ansinya diketahui (tidak perlu sama)
10. Diketahui dua variabel random X dan Y yang bebas secara pro-
babilitas dengan distrubusi binomial yang mempunyai parameter
n
1
= n
2
= 100, dan berurut p
1
dan p
2
. Dari observasi diperoleh x = 50
dan y = 40.Tentukan interval kepercayaan 95% untuk p
1
p
2
11. Diketahui X dan Y mean dari dua sampel random yang masing-
masing berukuran n dari distribusi N(
1
,
2
) dan N(
2
,
2
); dengan
diketahui. Tentukan n sehingga
P(
_
X Y
_
/5 <
1
2
<
_
X Y
_
+ /5) = 0, 90 (4.36)
12. Seperti teorema 10, tentukan interval kepercayaan (1)100%untuk
2
bila 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,
2
). Tentukan
interval kepercayaan 90% untuk
2
14. Dari hasil observasi suatu sampel random yang berukuran 15 dari
distribusi N(,
2
) diperoleh x = 3, 2 dan s
2
= 4, 24 . Tentukan inte-
rval kepercayaan 95% untuk
2
15. Diketahui dua sampel random independent yang berukuran n =
16 dan m = 10 diambil dari populasi independent N(
1
,
2
) dan
N(
2
,
2
) . Misal x = 3, 6 dan s
2
1
= 4, 14 dan Y = 13, 6 dan s
2
2
= 7, 26.
Tentukan interval kepercayaan 90% untuk
2
2
2
1
bila kedua mean pupo-
lasi tidak diketahui.
16. Seperti teorema 11, tentukan interval kepercayaan (1 )100% bila
kedua mean pupulasi diketahui.
17. Misalkan S
2
1
dan S
2
2
notasi variansi sapel random yang beru-
kuran n dan m dari dua distribusi independen N(
1
,
2
) dan
N(
2
,
2
).Tentukan interval kepercayaan (1 )100% untuk
2
18. Misalkan X
1
, X
2,
..., X
n
sampel random yang berikuran 6 dari distri-
nusi Gamma(1 ); > 0 tidak diketahui. Tentukan interval keper-
cayaan (1 )100% untuk . Petunjuk : Pertimbangkan distribusi
dari2
6
i=1
X
i
/
19. Diketahui Y
4
= order statistik ke -4 dari sampel random berukuran
4 dari disttribusi uniform (0, ). Tentukan a dan b. Dengan 0 < a <
b 1 sehingga P(a < Y
4
< b) = 0, 95. Kemudian tentukan interval
keperayaan 95% untuk .
Bab 5
Hipotesis Statistik
Memahami konsep dasar uji hipotesis statistik dan mampu menerapkan-
nya baik dalam pemecahan masalah matematika, ilmu lain, maupun da-
lam kehidupan sehari-hari
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
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 didenisikan bahwa Hipotesa adalah pernyataan ten-
tang parameter populasi. Hal ini dapat berupa pernyataan bahwa
1
=
2
vs
1
=
2
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 (H
0
)
dan hipotesis alteratif (H
1
). Misal
H
0
: g(x) N(10,
2
) (5.1)
H
1
: g(x) N(,
2
), = 10 (5.2)
Untuk mempermudah kedua hipotesis statistik ini cukup ditulis sbb:
H
0
: = 10 vs H
1
: = 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 H
0
dan H
1
. Bila menyatakan parameter populasi, format
umum dari hipotesa nol dan alternatif adalah:
Bab 5. Hipotesis Statistik 136 ISBN 978-602-8310-02-4
H
0
:
0
danH
1
:
c
0
dengan
0
suatu himpunan bagian dari ruang parameter dan
c
0
adalah
komplemennya dimana
0

c
0
= = {; < < } .
Dalam uji hipotesa sesudah mengobservasi sampel, harus ditentukan apa-
kah menerima H
0
yang berarti menolak H
1
atau menerima H
1
yang berarti
menolak H
0
.
Definisi
Himpunan bagian ruang sampel dimana H
0
ditolak disebut daerah peno-
lakan atau daerah kritis. Komplemen daerah penolakan disebut daerah
penerimaan. Jika rentang H
1
seluruhnya terletak pada satu sisi dari nilai
H
0
, alternatif itu dikatakan satu sisi. Jika H
1
memuat semua nilai parame-
ter kecuali satu nilai H
0
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: H
0
: 10 vs H
1
: > 10 merupakan hipotesis majemuk. Jika
H
0
diganti dengan = 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 x
1
, ..., x
n
adalah sampel random dari
populasi dengan densitas f(x|) (bisa berupa vektor), fungsi likelihood
didenisikan sebagai
L(|x
1
, ..., x
n
) = f(
_
x |) =
n
i=1
f(x
i
|)
Misalkan dinyatakan ruang parameter. Uji rasio likelihood didenisikan
sebagai berikut.
Definisi
Uji statistik rasio likelihood (LRT ) untuk uji H
0
:
0
vsH
1
:
c
0
adalah
( x
n
) =

Sup
o
L(| x)
Sup
L(| x)
Uji rasio likelihood adalah uji sedemikian hingga daerah penolakan mem-
punyai bentuk:{
_
x: (
_
x) C}dengan C sembarang bilangan yang meme-
nuhi 0 C 1.
Contoh
Misalkan x
1
, ..., x
n
adalah sampel random dari populasi N(, 1). Pandang
uji hipotesa H
0
: =
0
vsH
1
: =
0
. Di sini
0
adalah bilangan tertentu.
Karena H
0
hanya menentukan satu bilangan, maka pembilang dari (
_
x)
adalah L(
0
|
_
x). MLE dari untuk ruang parameter tanpa kendala adalah
mean sampel
_
x. Jadi penyebut dari (
_
x) adalah L(
_
x |x). Sehingga statistik
LRT adalah
(
_
x) =
(2)
n/2
exp [
(x
i
0
)
2
/2]
(2)
n/2
exp [
(x
i
_
x)
2
/2]
= exp
__
(x
i
0
)
2
+
(x
i
_
x)
2
_
/2
_
Pernyataan untuk (
_
x) dapat disederhanakan, karena:
(x
i
0
)
2
=
(x
i
_
x)
2
+ n(x
i
0
)
2
Jadi, statistik LRT adalah
(
_
x) = exp
_
n(x
i
0
)
2
/2
(5.3)
LRT adalah uji yang menolak H
0
untuk harga-harga (
_
x) kecil. Dengan
menggunakan 5.3 didapat daerah penolakan:
{x : (
_
x) C} = {x : |
_
x
0
|
_
2 log c
n
}
dimana 0 < c < 1,dan 0 <
_
2 log c
n
< . Jadi LRT adalah uji yang meno-
lak H
0
bila mean sampel berbeda dengan
0
melebihi harga tertentu yang
ditetapkan.
Bila T(x) statistik cukup antara dengan densitas g(t|), maka dapat di-
pikirkan untuk mengkonstruksikan LRT berdasar pada Tdan fungsi like-
lihoodnya L (|t) = g(t|) sebagai pengganti sampel
_
x dan fungsi likeli-
hoodnya L(|
_
x). Misalkan
(t) menyatakan uji statistik rasio likelihood

berdasar T. Hal ini masuk akal karena semua informasi tentang dari
_
x
termuat dalam T(
_
x).
Teorema
Bila T(
_
x) statistik cukup untuk , sedangkan
(t) dan (t) masing-masing

adalah statistik LRT berdasar T dan
_
x maka
T(
_
x), dimana (
_
x)untuk
setiap
_
x dalam ruang sampel.
Bukti
Dengan teorema faktorisasi, densitas dari
_
x dapat ditulis sebagai f(
_
x |) =
g (T(
_
x |) h(x) dengan g(t|) adalah densitas dan h(x) tidak tergantung pa-
da . Jadi,
( x
n
) =
Sup
o
L(| x)
Sup
L(| x)
=
Sup
o
g(T(
_
x)|) h(
_
x)
Sup
(g(T(
_
x)|) h(
_
x)
=
Sup
o
f( x | )
Sup
f( x | )
=
Sup
o
g(T( x) | )
Sup
g(T( x) | )
=
Sup
o
L
( | x)
Sup
( | x)
=
T(
_
x)
Contoh
Misalkan X
1
, ..., X
n
adalah sampel random dari N(,
2
); H
0
:
0
vs H
1
:
0
.
2
adalah parameter pengganggu.
Statistik LRT adalah
( x) =
maks L(,
2
| x) {,
2
:
0
,
2
> 0}
maks L(,
2
| x)
( x) =
maks L(,
2
| x) {,
2
:
0
,
2
> 0}
maks L( ,

2
| x)
dimana
dan

2
, adalah MLE dari dan
2
. Selanjutnya, bila
0
,
maksimum kendala sama dengan maksimum tanpa kendala, sedang un-
tuk
>
0
, maksimum kendala adalah L(
0
,
2
|
_
x).
Jadi
(
_
x) =
_
_
1; jika

0
L ( 0 ,
2
|
_
x )
L ( ,
2
|
_
x )
; jika
>
0
_
_
_
5.3.3 Metode Uji Evaluasi Hipotesis
Untuk prosedur uji hipotesa (x), fungsi uji adalah fungsi pada ruang
sampel dengan nilai 1 bila
_
x dalam daerah penolakan, dan nilai 0 bila
_
x
dalam daerah penerimaan.
Tabel 5.1: Kesalahan dalam Uji Hipotesis
Keputusan
Menerima H
0
Menolak H
0
Hipotesis Benar H
0
Keputusan Benar Kesalahan Tipe I
H
1
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 H
0
:
0
vs H
1
:
c
0
dapat terjadi salah satu dari
dua jenis kesalahan, yaitu kesalahan tipe I() dan kesalahan II(), sbb:
1. Jika
0
tetapi uji hipotesis menolak H
0
, maka uji telah membuat
kesalahan tipe I.
2. Jika
c
0
tetapi uji menerima H
0
, 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
0
uji membuat kesalahan bila X C, sehingga probabilitas kesa-
lahan tipe I adalah P(X C). Untuk
0
c probabilitas kesalahan tipe
II adalah P(X C
c
). Karena P(X C
c
) = 1 P(X C) maka P(X C)
merupakan fungsi memuat semua informasi tentang uji dengan daerah
kritis C.
Selanjutnya didapat:
P(X C) =
_
P(kesalahantipe I), jika
0
1 P(kesalahantipe II), jika
c
0
Definisi
Fungsi kuasa (power function) dari uji hipotesis dengan daerah penolakan
C adalah fungsi dari yang didenisikan
K() = 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
0
dan ber-
nilai satu untuk
c
0
. Namun bentuk ideal ini tidak dapat dicapai. Uji
hipotesis baik bila fungsi kuasa memiliki nilai:
1. mendekati nilai 1 untuk
c
0
dan
2. mendekati 0 bila
0
Definisi
Tingkat signikansi dari uji (atau ukuran dari daerah kritis C) adalah sup-
remum dari fungsi kekuatan uji kalau hipotesis nol besar.
Berdasarkan denisi ini, tingkat signikansi uji yang ditulis merupakan
probabilitas kesalahan tipe I. Jadi tingkat signikansi uji merupakan:
P(kesalahantipeI) = P(menolakH
0
|H
0
benar) =
Contoh
Uji hipotesis H
0
: p = 1/2vsH
1
: p > 1/2; dengan p parameter distribusi
binomial. Jika sampel berukuran 18 dan H
0
ditolak untuk x 13. Diper-
timbangkan tingkat signikansi uji atau kekuatan uji bila H
0
benar sbb:
P(menolak H
0
| H
0
benar) = P(X 13|p = 1/2) (5.5)
=
18
x=13
_
18
x
_
(1/2)
x
(1 1/2)
18x
= 0, 05
Jadi tingkat signinkansi uji atau kekuatan uji di p = 1/2 adalah 0, 05
Contoh
Misalkan X
n
Binomial(5, ). Pandang uji H
0
: <
1
2
vs H
1
: >
1
2
.
Fungsi kuasa untuk uji ini adalah:
1
() = P(x R) = P(x = 5) =
5
Grak
1
()dapat kita lihat dalam gambar di bawah.
Dalam menyelidiki fungsi kuasa ini, walaupun pro-
babilitas kesalahan tipe I dapat diterima sebagai kecil
_
1
() (
1
2
)
5
= 0, 0312 untuk semua
1
2
_
, namun probabilitas ke-
salahan tipe II terlalu tinggi
_
1
() terlalu kecil untuk semua >
1
2
_
.
Probabilitas kesalahan tipe II kurang dari
1
2
hanya jika > (
1
2
)
5
= 0, 87.
Untuk mendapatkan probabilitas kesalahan tipe II yang lebih kecil, dapat
dipertimbangkan menggunakan uji yang menolak H
0
bila x = 3, 4, atau5 .
Fungsi kuasa untuk uji ini adalah
2
() = P(x = 3, 4, 5)
=
_
5
3
_
3
(1 )
2
+
_
5
4
_
4
(1 )
1
+
_
5
5
_
5
(1 )
0
.
Grak dari
2
() juga diperlihatkan dalam gambar di atas. Dalam gambar
tersebut terlihat bahwa uji kedua mempunyai probabilitas kesalahan tipe
II lebih kecil dalamkasus
2
() lebih besar untuk >
1
2
. Tetapi probabilitas
kesalahan tipe I lebih besar untuk uji kedua;
2
() lebih besar untuk
1
2
.
Bila harus memilih diantara kedua tes tersebut, pertimbangannya adalah
mana struktur kesalahan yang digambarkan oleh
1
() atau
2
() yang
lebih diterima.
Contoh
Misalkan X
1
, ..., X
n
adalah sampel random dari populasi N(,
2
), dan
2
diketahui. LRT untuk H
0
:
0
vsH
1
: >
0
adalah uji yang menolak
H
0
bila
( x0)
/
n
> c. Fungsi kuasa uji ini adalah
() = P
_
_
x0
/
n
> c
_
= P
_
_
x0
/
n
> c +
0
/
n
_
= P
_
Z > c +
0
/
n
_
dengan Zvariabel random normal baku. Untuk naik dari sampai ,
dapat dilihat bahwa probabilitas normal ini naik dari nilai 0 ke 1. Karena
itu () fungsi naik dari dengan
lim
() = 0,lim
() = 0, dan () = bilaP(Z > c) =

Contoh
Misalkan disyaratkan bahwa kesalahan tipe I maksimum 0, 1 dan kesalah-
an tipe II maksimum 0,2 untuk
0
+ . Hendak ditunjukkan bagai-
mana memilih c dan n, untuk mencapai persyaratan di atas menggunakan
uji yang menolak H
0
:
0
bila
( x0)
/
n
> c. Seperti disebutkan di muka
fungsi kuasa uji sedemikian adalah:
() = P
_
Z > c +

0
n
_
Karena () fungsi naik, maka persyaratannya dipenuhi bila () = 0, 1
dan ( + ) = 0, 8
Dengan memilih c = 1, 28, kita mendapatkan (
0
) = P(Z > 1, 2) = 0, 1
(sebenarnya 0,1003 dari tabel) dan tidak tergantung n. Sekarang ingin
dipilih n sedemikian hingga ( + ) = 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 un-
tuk semua
0
. Demikian juga dengan probabilitas kesalahan tipe II,
yaitu mempunyai fungsi kuasa yang besar untuk
c
0
.
Definisi
Misalkan C adalah kelas uji untuk H
0
:
0
vsH
1
:
c
0
. Uji dalam ke-
las C dengan fungsi kuasa (), disebut uji uniformly most powerfull (UMP)
kelas C bila ()
1
() untuk setiap
c
0
dan setiap
1
() yaitu fungsi
kuasa dari uji dalam kelas C .
Definisi
Daerah kritik C adalah daerah kritik paling kuat seragan ukuran untuk
uji hipotesis H
0
lawan hipotesis alternatif H
1
jika himpunan C adalah da-
erah kritik terbaik ukuran untuk uji H
0
lawan hipotesis sederhana H
1
.
Suatu uji yang didenisikan pada daerah kritik ini disebut uji paling kuat
seragam dengan tingkat signikansi dari uji hipotesis sederhana H
0
law-
an hipotesis gabungan alternatif H
1
. Uji paling kuat seragam tidak selalu
ada, tetapi kalau ada teorema Neyman Person dapat digunakan untuk
mencarinya.
Contoh
Misalkan X
1,
X
2
, ..., X
n
sampel random dari distribusi n(0, ) dengan va-
rian tidak diketahui. Akan diperlihatkan bahwa ada uji paling ku-
at seragam dengan tingkat signikansi untuk uji hipotesis sederhana
H
0
: =
dengan
adalah bilangan bulat posistif lawan hipotesis ga-

bungan alternatif H
1
: >
.Ruang parameter =
_
;
_
. Fungsi
kepadatan peluang bersama dari X
1,
X
2
, ..., X
n
adalah
L(; x
1
, x
2
, ..., x
n
) =
_
1
2
_
n/2
exp
_
x
2
i
2
_
(5.6)
Misalkan
bilangan yang lebih besar dari
, k bilangan posisif dan C

himpunan titik-titik dengan
L(
; x
1
, x
2
, ..., x
n
)
L(
; x
1
, x
2
, ..., x
n
)
k (5.7)
maka diperoleh
_
_
n/2
exp
_
_
n
i=1
x
2
i
_
k (5.8)
atau ekivalen dengan
n
i=1
x
2
i

2
_
n
2
ln
_
_
ln k
_
= c (5.9)
Himpunan
C =
_
(x
1
, x
2
, ..., x
n
) :
n
i=1
x
2
i
c
_
(5.10)
adalah daerah kritik terbaik untuk uji hipotesis sederhana H
0
:
0
=
lawan hipotesis sederhana =
. Sekarang tinggal menentukan c sehing-

ga daerah kritik ini mempunyai ukuran seperti yang diinginkan. Jika
H
0
benar variabel random
n
i=1
x
2
i
/
mempunyai distribusi Khi-kuadrat de-

ngan derajat bebas n. Karena
= P
_
n
i=1
x
2
i
/
c/
; H
0
_
(5.11)
c/
dapat ditentukan dari tabel dan c ditentukan maka C =

_
(x
1
, x
2
, ..., x
n
) :
n
i=1
x
2
i
c
_
adalah daerah kritik terbaik ukuran un-
tuk uji H
0
: =
lawan hipotesis =
. Selain itu, untuk seti-

ap bilangan
yang lebih besar dari
maka argumen otomatis terpe-

nuhi. Jika
adalah bilangan lain yang lebih besar dari
maka C =
_
(x
1
, x
2
, ..., x
n
) :
n
i=1
x
2
i
c
_
adalah daerah kritik terbaik ukuran untuk
uji H
0
: =
lawan hipotesis =
. Oleh karena itu, menurut denisi

diatas maka C =
_
(x
1
, x
2
, ..., x
n
) :
n
i=1
x
2
i
c
_
adalah daerah kritik terbaik
paling kuat seragam ukuran untuk uji H
0
: =
lawan H
1
: >
. Jika
x
1
, x
2
, ..., x
n
nilai eksperimen dari X
1,
X
2
, ..., X
n
maka H
0
: =
ditolak
ditingkat signikansi dan H
1
: >
diterima jika
n
i=1
x
2
i
c.
5.3.3.3 Teorema Neyman-Pearson
Misalkan H
0
: =
0
vs H
1
: =
1
dengan densitas yang bersesuaian de-
ngan
i
adalah f(x|
i
), i = 0, 1. Dengan menggunakan uji dengan daerah
penolakan C yang memenuhi kedua hal berikut:
x C, jika f(x|
1
) > kf(x|
0
) (5.12)
x C
c
, jika f(x|
1
)kf(x|
0
) (5.13)
untuk suatu k 0 dan = P
0
(x R)
maka
1. Syarat cukup setiap uji yang memenuhi 5.12 dan5.13 adalah uji UMP
taraf
2. Syarat perlu, jika terdapat uji yang memenuhi kedua kondisi di atas
dengan k > 0 maka setiap uji UMP taraf adalah uji dengan ukur-
an , kecuali mungkin pada himpunan A yang memenuhi P
0
(X
A) = 0.
AkibatTeorema
Misalkan kondisi teorema Neyman-Person berlaku, dan jika T(

X) adalah
statistik cukup untuk dan g(t|) adalah densitas T bersesuaian dengan
i
, i = 0, 1. Maka setiap uji berdasar T dengan daerah penolakan S (him-
punan bagian dari ruang sampel T) adalah uji UMP taraf bila dipenuhi
kedua hal berikut:
1. t Sbilag(t|
1
) > kg(t|)
2. t S
c
bilag(t|
1
) < kg(t|
0
)
untuk suatu k 0, dengan = P
0
(X S).
Bukti
Dalamsampel asal

X uji berdasar T mempunyai daerah penolakan C =
_
{x:
T(
_
x) S} . Dengan teorema faktorisasi densitas dapat ditulis sebagai
f(
_
x |
i
) = g (T(
_
x)|
i
) 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 |
i
) = g (T(
_
x)|
i
) h(
_
x) > kg (T(
_
x)|
0
) h(
_
x) = kf(
_
x |
0
).
dan
x C
c
bilaf(
_
x |
i
) = g (T(
_
x)|
i
) h(
_
x) < kg (T(
_
x)|
0
) h(
_
x) = kf(
_
x |
0
).
Juga dari pernyataan nomer 2 didapat:
P
0
(X R) = P
0
((T(
_
x) S) = .
Jadi dengan syarat cukup dari Lemma Neyman-Pearson, Uji berdasar T
adalah uji UMP taraf .q.e.d.
Contoh
Misalkan x binomial(2, ). Uji H
0
: = 1/2vsH
1
: = 3/4. Dengan
menghitung rasio densitas didapat:
f(0 | =
3
4
)
f(0 | =
1
2
)
=
1
4
;
f(2 | =
3
4
)
f(2 | =
1
2
)
=
3
4
;
f(1 | =
3
4
)
f(1 | =
1
2
)
=
9
4
Dengan memilih
3
4
< k <
9
4
, maka Lemma Neyman-Pearson mengatak-
an bahwa uji yang menolak H
0
bila x = 1 atau 2 adalah uji UMP taraf
= p(x = 1atau2, = 1/2) =
3
4
. Dengan memilih k <
1
4
atau k >
3
4
menghasilkan UMP taraf = 1atau = 0.
Perhatikan bila k =
3
4
, maka kita harus menolak H
0
untuk titik sampel
x = 2 dan menerima H
0
untuk x = 0 dan untuk x = 1 tak menentu. Tetapi
bila kita menerima H
0
untuk x = 1 kita mendapatkan uji UMP taraf =
1
4
supremium di atas. Bila kita menolak H
0
untuk x = 1 kita mendapatkan
uji UMP taraf =
3
4
seperti di atas.
Definisi
Hipotesa yang menyatakan bahwa parameter univariat besar, sebagai con-
toh H :
0
, atau kecil, sebagai contoh H : <
0
disebut hipotesa satu
sisi. Sedangkan Hipotesa yang menyatakan bahwa parameter bisa besar
atau kecil, sebagai contoh, H : =
0
disebut hipotesa dua sisi. Banyak
persoalan yang mempunyai uji UMP taraf 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 H
0
:
0
vsH
1
: >
0
. Misalkan T adalah statistik
cukup untuk dan keluarga densitas {g(t|) : } dari T mempunyai
sifat MLR (monotone likelihood ratio). Maka untuk t
0
uji yang menolak H
0
bhb T > t
0
adalah uji UMP taraf , dengan = P
0
(T > t
0
).
Bukti
Karena densitas T mempunyai sifat MLR, fungsi kuasa () = P
0
(T > t
0
)
tidak turun. Sehingga Sup
0
() = (
0
) = dan ini adalah uji taraf .
Dengan menggunakan bagian (b) dan (c) akibat teorema Neyman-Person,
dan didapat:
k
1
= inf
t
g(t|
1
)
g(t|
0
)
dengan = {t|t > t
0
}dan g(t|
1
) > 0 atau g(t|
0
) > 0
Jadi menurut akibat teorema Neyman-Person di depan uji adalah UMP
taraf . q.e.d.
5.3.3.5 Daerah Kritik Terbaik
Misal C subset dari ruang sampel. Cdisebut daerah kritik terbaik berukur-
an untuk uji hipotesis sederhana H
0
: =
lawan H
1
: =
jika untuk
setiap subset A dari ruang sampel dengan P [(X
1,
X
2
, ..., X
n
) A; H
0
] =
berlaku
1. P [(X
1,
X
2
, ..., X
n
) C; H
0
] =
2. P [(X
1,
X
2
, ..., X
n
) C; H
1
] P [(X
1,
X
2
, ..., X
n
) A; H
1
]
Cara lain yang dapat digunakan menentukan daerah kritik terbaik adalah
dengan menggunakan teorea Neyman-Pearson.
Teorema Neyman-Pearson
Misalkan X
1,
X
2
, ..., X
n
sampel random dari distribusi yang mempunyai
f.k.p f(x; ). Selanjutnya f.k.p bersama dari X
1,
X
2
, ..., X
n
adalah
L(; x
1
, x
2
, ..., x
n
) = f(x
1
; )f(x
2
; )...f(x
n
; ) (5.14)
Misalkan
dan
nilai tertentu dari yang berbeda sehingga =

{; =
} dan misalkan k bilangan posistif. Jika C subset dari ruang

sampel sedemikian sehingga
1.
L(
;x1,x2,...,xn)
L(
;x1,x2,...,xn)
k ; titik (x
1
, x
2
, ..., x
n
) C
2.
L(
;x1,x2,...,xn)
L(
;x1,x2,...,xn)
> k ; titik (x
1
, x
2
, ..., x
n
) C
3. = P [(X
1,
X
2
, ..., X
n
) C; H
0
]
Maka C adalah daerah kritik terbaik berukuran untuk uji hipotesis se-
derhana H
0
: =
lawan hipotesis sederhana alternatif H

1
: =
Satu hal yang ditegaskan oleh teorema ini adalah bahwa jika C himpunan
dari semua titik-titik (x
1
, x
2
, ..., x
n
) yang memenuhi
L(
; x
1
, x
2
, ..., x
n
)
L(
; x
1
, x
2
, ..., x
n
)
k; k > 0 (5.15)
maka sesuai dengan teorema, C merupakan daerah kritik terbaik. keti-
daksamaanini sering dinyatakan dalam bentuk (dengan c
1
dan c
2
suatu
konstanta)
u
1
(x
1
, x
2
, ..., x
n
;
) c
1
(5.16)
atau
u
2
(x
1
, x
2
, ..., x
n
;
) c
2
(5.17)
Pandang bentuk u
1
c
1
. Karena
dan
suatu konstanta,
u
1
(x
1
, x
2
, ..., x
n
;
) suatu statistik dan jika f.k.p dari statistik ini dapat

ditentukan kalau H
0
benar maka tingkat signikansi dari uji H
0
lawan H
1
dapat ditentukan dari distribusi ini.
Contoh
Diketahui X
1,
X
2
, ..., X
n
sampel random dari distribusi yang mempunyai
f.k.p
f(x; ) =
1
2
exp(
1
2
(x )
2
); < x < (5.18)
Akan diuji hipotesis sederhana H
0
: =
= 0 lawan hipotesis alternatif

H
1
: =
= 1. Perhatikan bahwa
L(
; x
1
, x
2
, ..., x
n
)
L(
; x
1
, x
2
, ..., x
n
)
=
(1/
2)
n
[(
x
2
i
)/2]
(1/
2)
n
exp [(
(x
i
1)
2
)/2]
(5.19)
uji di =
= 1
P(x c
1
; H
1
) =
_
c1
1
2
_
1/n
exp(
(x 1)
2
2(1/n)
dx (5.20)
Untuk contoh di depan, jika n = 25 dan jika = 0, 05 maka dari tabel
ditemukan c
1
=
1,645
25
= 0, 329. Kekuatan dari uji ini dari H
0
lawan H
1
adalah 0, 05 kalau H
0
benar dan
_
0,329
1
2
_
1/25
exp(
(x 1)
2
2(1/25)
dx =
_
3,355
1
2
e
w
2
/2
dw = 0, 999,jika H
1
benar
1. Misalkan hipotesis yang diuji adalah parameter bernoulli p, yakni
H
0
: p = 1/5 lawan H
1
: p = 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 |H
0
benar) = 0, 05
Pembahasan :
Untuk lebih memudahkan perhitungan, kita gunakan teorema limit
pusat, sehingga
P(X X|H
0
benar) = P
_
x 60000(1/5)
_
60000(1/5)(4/5)
_
X 60000(1/5
_
60000(1/5)(4/5)
dengan
x60000(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 H
0
ditolak.
2. Diketahui variabel random X dengan f.k.p,
f(x; ) =
1
e
x/
.
Uji hipotesis H
0
: = 2 vs H
1
: = 4. Dengan menggunakan sam-
pel random X
1
dan X
2
berukuran 2, diputuskan menolak H
0
bila
C = {(x
1
, x
2
); 9, 5 x
1
+ x
2
< } . Tentukan fungsi kekuatan uji dan
tingkat signikani uji.
Pembahasan :
K() = P {(x
1
, x
2
) C}
Jika H
0
benar, = 2 maka fkp bersama dari X
1
dan X
2
adalah
f(x
1
; 2)f(x
2
; 2) = 1/4e
(x1+x2)/2
; 0 < x
1
< , 0 < x
2
<
= 0, untuk x yang lain
dan
P [(x
1
, x
2
) C] = 1 P [(x
1
, x
2
) C
c
]
= 1
9,5
_
0
9,5x2
_
0
1/4e
(x1+x2)/2
dx
1
dx
2

= 0, 05
Jika H
1
benar, = 4, f.k.p bersama dari X
1
dan X
2
adalah
f(x
1
; 4)f(x
2
; 4) = 1/16e
(x1+x2)/4
; 0 < x
1
< , 0 < x
2
<
= 0 ; untuk x yang lain
Sehingga
P [(x
1
, x
2
) C] = 1
9,5
_
0
9,5x2
_
0
1/16e
(x1+x2)/4
dx
1
dx
2

= 0, 31
Jadi, kekuatan uji 0, 05 untuk = 2 dan 0, 31 untuk = 4. Karena
tingkat signikansi adalah kekuatan uji bila H
0
benar, maka tingkat
signikansi tes ini adalah 0, 05.
Cara lain, dengan menggunakan tabel
2
(2). Misalkan x
1
+ x
2
= Y
maka Y berdistribusi
2
(4). Kekuatan uji kalau H
0
benar diberikan
oleh
P(Y 9, 5) = 1 P(Y 9, 5) = 1 0, 95 = 0, 05
Kalau H
1
benar, variabel random X/2 berdistribusi
2
(2) sehingga
variabel random Z = (x
1
+ x
2
)/2 berdistribusi
2
(4). Kekuatan uji
bila H
1
benar adalah
P(x
1
+ x
2
9, 5) = P(Z 4, 75) =
_
4,75
1/4ze
z/2
dz

= 0, 31
Karena tingkat signikansi adalah fungsi kekuatan kalau H
0
benar,
maka = 0, 05
3. Pandang uji H
0
:
0
vsH
1
:
c
0
. Misalkan uji berdasar statistik
cukup T dengan daerah penolakan S memenuhi tiga syarat berikut:
(a) Uji adalah uji taraf
(b) Terdapat
0

0
sedemikian hingga P
0
(T S) =
(c) Misalkan g(t|) menyatakan densitas dari T. Untuk
0
yang sa-
ma seperti dalam (b) dan untuk setiap
1

c
0
terdapat k
1
0
sedemikian hingga
t Sbilag(t|
1
) > k
1
g(t|
0
)dant S
c
bilag(t|
1
) < k
1
g(t|
0
)
Tunjukkan uji ini adalah uji UMP taraf dari H
0
versus H
1
.
Pembahasan :
Misalkan () adalah fungsi kuasa dari uji dengan daerah penolakan
S. Tetapkan
1

c
0
. Pandang uji H
1
0
: =
0
vsH
1
1
: =
1
, menurut
akibat teorema Neyman-Person dan (a), (b), dan (c) mengakibatkan
(
1
)
(
1
) dengan
() fungsi kuasa untuk taraf lain dari H

1
0
,
yaitu setiap uji yang memenuhi () . Tetapi, setiap uji tanpa
dari H
0
memenuhi
(
0
) sup
() .
Jadi (
1
)
(
1
) untuk setiap uji taraf dari H
0
. Karena
1
seba-
rang maka soal terbukti.
4. Jika X
1,
X
2
, ..., X
n
sampel random dari distribusi n(, 1) dengan me-
an tidak diketahui. Perlihatkan bahwa tidak ada uji paling kuat
seragam dari hipotesis sederhana H
0
: =
dimana
tertentu la-
wan hipotesis gabungan alternatif H
1
: =
. Ruang sampelnya
= {; < < } .
Pembahasan :
Misalkan
suatu bilangan yang tidak sama dengan
dan k bilang-
an positif. Perhatikan bahwa
(1/2)
n/2
exp [
(x
i
)
2
/2]
(1/2)
n/2
exp [
(x
i
)
2
/2]
k (5.21)
atau
exp
_
(
)
n
i=1
x
i
+
n
2
_
(
)
2
(
)
2
_
k (5.22)
atau
(
)
n
i=1
x
i

n
2
_
(
)
2
(
)
2
ln k (5.23)
Pertidaksamaan ini ekivalen dengan
n
i=1
x
i

n
2
(
)
ln k
(
)
jika
>
(5.24)
dan ekivalen ke
n
i=1
x
i

n
2
(
)
ln k
(
)
jika
<
(5.25)
Kedua ini mendinisikan daerah kritik terbaik untuk uji H
0
:
0
=
lawan H
1
: =
bila
>
dan
<
. Akan tetapi daerah kritik

terbaik uji hipotesis sederhana lawan hipotesis sederhana alternatif
=
+ 1 tidak seperti daerah kritik terbaik daerah kritik terbaik

H
0
: =
lawan hipotesis sederhana alternatif =
1. Jadi
dalam kasus ini tidak ada uji paling kuat seragam.
5. Tentukan daerah kritik dari uji rasio likelihood untuk uji hipotesis
nol H
0
: =
0
lawan H
1
: =
0
yang didasarkan sampel random
berukuran n dari populasi normal dengan varians
2
diketahui.
Pembahasan :
Karena = {
0
} maka L( ) = L(
0
). Karena = maka dengan
menggunakan metode likelihood maksimum diperoleh = x se-
hingga
L( ) =
_
1
2
_
n
exp
_
1
2
2
n
i=1
(x
i
0
)
2
_
dan
L(
) =
_
1
2
_
n
exp
_
1
2
2
n
i=1
(x
i
x)
2
_
sehingga
= exp
_
n
2
2
(x
0
)
2
_
Daerah kritiknya adalah
exp
_
n
2
2
(x
0
)
2
_
k
atau
(x
0
)
2

2
2
n
ln k
atau
|x
0
|
_
(2
2
ln k) /n
dengan k akan ditentukan sehingga ukuran daerah kritik adalah .
Jadi daerah kritiknya adalah
_
x : |x
0
|
_
(2
2
ln k) /n
_
6. Diketahui X variabel random dengan distribusi n(
1
,
2
) dan misalk-
an ruang parameter = {(
1
,
2
); <
1
< , 0 <
2
< } . Hipo-
tesis gabungan H
0
:
1
= 0,
2
> 0 dan hipotesis gabungan alternatif
H
1
:
1
= 0. Himpunan = {(
1
,
2
);
1
= 0, 0 <
2
< } adalah
subset dari dan H
0
: (
1
,
2
) . Tentukan uji H
0
lawan H
1
.
Pembahasan :
Misalkan X
1,
X
2
, ..., X
n
sampel random yang berukuran n > 1 dari
distribusi ini. Distribusi bersama dari X
1,
X
2
, ..., X
n
disetiap titik da-
lam adalah
L(
1,
2
; x
1
, x
2
, ..., x
n
) =
_
1
2
2
_
n/2
exp
_
(x
i
1
)
2
2
_
2
= L()
Distribusi bersama dari X
1,
X
2
, ..., X
n
disetiap titik dalam adalah
L(0,
2
; x
1
, x
2
, ..., x
n
) =
_
1
2
2
_
n/2
exp
(x
i
)
2
2
2
= L()
Sekarang akan ditentukan L( ) dan L(
). Perhatikan bahwa
d lnL()
d
2
= 0
n
2
2
+
(x
i
)
2
2
2
= 0
Diperoleh
2
=
1
n
n
i=1
(x
i
)
2
Sehingga
L( ) =
_
ne
1
2
(x
i
)
2
_
n/2
Dengan cara analog (dengan metode likelihood maksimum) dipero-
leh
1
= x dan
2
=
n
i=1
(x
i
x)
2
/n
sehingga
L(
) =
_
ne
1
2
((x
i
x)
2
/n)
_
n/2
Karena itu,
=
_
(x
i
x)
2
(x
i
)
2
_
n/2
Jadi daerah kritik rasio likelihood adalah
_
(x
i
x)
2
(x
i
)
2
_
n/2
k
atau _
x :
(x
i
x)
2
(x
i
)
2
k
2/n
_
7. Misalkan x
1
, x
2
, x
3
random variabel independen berdistribusi
B(1, P). Uji hipotesis H
0
: P = 0, 25 dengan tingkat signikasi
berdasarkan LR Test Statistic dan dapatkan distribusinya!
Pembahasan :
x
i
B(1, P) P (x
i
= x
i
) = p
xi
(1 P)
1xi
, x
i
= 0, 1 i = 0, 1, 2, 3
L(P | x) =
3
i=1
P (x
i
= x
i
)
= P
x1
(1 P)
1x1
.P
x2
(1 P)
1x2
.P
x3
(1 P)
1x3
= P
x1+x2+x3
(1 P)
3x1.x2.x3
= P
3
i=1
xi
(1 P)
3
3
i=1
xi
Diuji hipotesis H
0
: P = 0, 25 vs H
1
: P =, 25
Pandang Ruang Parameter:

0
= {P = 0, 25}
= {P | 0 < P < 1}
Di bawah
0
didapat P
= P
0
= 0, 25 , di bawah didapat MLE-P
adalah P
=

3
i=1
xi
3
Sebab:
logL(P | x) =
3
i=1
x
i
.logP + (3
3
i=1
x
i
) logP (1 p)
d.logL(P|x)
dp
=

3
i=1
x
P
+ (3
3
i=1
x
i
) .
1
1.p
0 =
(1P
)
3
i=1
xP
(3
3
i=1
xi)
P
(1P
)
P
=

3
i=1
xi
3
= x
(x) =
SupP
0
L(P|x)
SupPL(P|x)
=
(0,25)
3
i=1
x
i
(0,75)
3
3
i=1
x
i
(
x
i
3
)
x
(1
x
i
3
)
(0,75)
3
3
i=1
x
i
=
_
3(0,25)
3
i=1
xi
_
3
i=1
xi
_
3(0,75)
3
3
i=1
xi
_
3
3
i=1
xi
(x)adalah fungsi ........... dari
3
i=1
x
i
Daerah kritik untuk uji ini adalah
< C
0
atau
_
0, 75
3
i=1
x
i
_
3
i=1
xi
_
2, 25
3
3
i=1
x
i
_
3
3
i=1
xi
< C
0
Dibawah H
0
3
i=1
x
i
B(3, P = 0, 25) maka daerah kritik uji ini
adalah berbentuk pasangan.
x
i
< C
0
dan x
i
> C
0
Dimana C
0
danC
0
dapat ditung berdasarkan tingkat signikasi
yang ditentukan dan distribusi binomial n 3 dan p 0, 25 maka
hubungan:
P
_
3
i=1
x
i
< C
0
_
2 dan
P
_
3
i=1
x
i
> C
0
_
2
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 2logyang
berdistribusi Asimtotik X
2
(1)
.
8. Misalkan X
1
, X
2
, ...., X
30
(n = 30) barisan variabel random berdistri-
busi Gamma dengan = 10 dan tidak diketahui. Kontruksikanlah
MP test dari hipotesis H
0
: = 2 vs H
1
: = 3, pada level signikasi
0, 05.
Pembahasan :
(a) Diketahui X
i
G(, ) maka densitas dari X
i
adalah:
f (X
i
| ) =
1
r()
x
1
e
xi
; x
i
> 0, > 0, dan > 0
Dengan ruang parameter:
0
= {(, ) | = 10; = 2}
= {(, ) | = 10; = 3 >
0
= 2}
(b) Densitas bersama dari x
i
pada
0
adalah
f
0
(x |
0
) =
_
1
r(10)2
10
_
30
30
i=1
x
9
e
1
2
30
i=1
xi
(c) Densitas bersama dari x
i
pada adalah:
f
1
(x |
1
) =
_
1
r(10)3
10
_
30
30
i=1
x
9
e
1
3
30
i=1
xi
(d) Rasio Likehoodnya adalah:
R(Z,
0
,
1
) =
f1(x|1)
f0(x|0)
=
h
1
r(10)3
10
i
30
30
i=1
x
9
e
1
3
30
i=1
x
i
h
1
r(10)2
10
i
30
30
i=1
x
9
e
1
2
30
i=1
x
i
=

30
i=1
x
9
e
1
3
30
i=1
x
i
h
1
r(10)3
10
i
30
.
30
i=1
x
9
e
1
2
30
i=1
x
i
h
1
r(10)2
10
i
30
=
_
2
3
300
.e
1
3
30
i=1
xi+
1
2
30
i=1
xi
=
_
2
3
300
.e
1
6
30
i=1
xi
> C
(e) Dengan C suatu konstantaa tertentu, jadi dapat ditulis:
_
2
3
_
300
.e
1
6
30
i=1
xi
> C atau
_
2
3
_
300
Ambil logaritma kedua ruas, diperoleh:
1
6
30
i=1
x
i
> Log C 300 Log
2
3
= Log C 300 (Log 2 Log 3)
= Log C 300 (0, 3010 0, 4771)
= Log C + 52, 83
30
i=1
x
i
> 6 (Log C + 52, 83) = C
0
Jadi HP testnya berbentuk:
(Z) =
_
1;Jika
30
i=1
x
i
> C
0
0; Jika
30
i=1
x
i
C
0
(f) Karena x
i
G(n, ), maka C
0
dapat dihitung berdasarkan:
_
C0
1
r(300)2
300
Y
299
e
Y 2
dy = 0, 05 dengan Y = x
i
9. Misalkan X
1
, X
2
, ...., X
30
(n = 30) variabel random independen ber-
distribusi N (,
2
)dengan tidak diketahui dan diketahui. Tun-
jukkan sampel size ndapat ditentukan, sehingga uji hipotesis H
0
:
= 0 vs hipotesis H
1
: = 1dapat dilakukan bila nilai-nilai dan
telah ditentukan sebelumnya. Berapakah nilai numeris dari n, jika
= 0, 05, = 0, 9, dan = 1?
Pembahasan
(a) X
i
G(,
2
) maka densitas dari X
i
adalah:
f (X
i
| ) = (2
2
)
12
e
1
2
2
(Xi)
2
;-< x <
0
= {(,
2
) | = 0; > 0}
= {(,
2
) | < < ; > 0, = 1}
(b) Densitas bersama dari x
i
pada
0
adalah:
f
0
(x | = 0) = (2
2
)
n2
e
1
2
2

n
i=1
x
2
i
(c) Densitas bersama dari x
i
pada adalah:
f
1
(x | = 1) = (2
2
)
n2
e
1
2
2

n
i=1
(xi1)
2
(d) Rasio Likehoodnya adalah:
R(Z,
0
,
1
) =
f1(x|=1)
f0(x|=0)
= e
1
2
2

n
i=1
x
2
i
1
2
2

n
i=1
(xi1)
2
= e
1
2
2
n
i=1
x
2
i
1
2
2
n
i=1
(x
2
i
2xi+1)
= e
1
2
2
n
i=1
x
2
i
2
> C
(5.26)
dengan C suatu konstanta tertentu. Bentuk di atas dapat ditulis:
e
1
n
i=1
xi
.e
n
2
> C
e
1
n
i=1
xi
> e
n
2
(5.27)
Ambil logaritma kedua ruas diperoleh:
1
n
i=1
x
i
>
n
2
+ LogC
n
i=1
x
i
>
n
2
+
2
LogC
Atau

n
i=1
xi
n
>
1
2
+

2
n
LogC = C
0
X > C
0
(e) Jadi HP testnya berbentuk:
(Z) =
_
1;Jika X > C
0
0; Jika X C
0
denganX =
1
n
n
i=1
x
i
(5.28)
(f) Karena x
i
N (,
2
), maka x N (
i
,
2
n) ; i = 0, 1..C
0
di-
tentukan dengan:
E
0
[(Z)] = P
0
(x > C
0
) =
1 P
0
(x C
0
) = 0, 05
P
0
(x C
0
) = 1 0, 05
= 0, 95
Atau:
P
0
_
x0x
x
C00x
x
_
= 0, 95
P
0
_
Z
C00x
1n
_
= 0, 95
P
0
(Z C
0
n) = 0, 95
(g) Dengan menggunakan tabel distribusi normal starndard dipe-
roleh:
P
0
(Z 1, 645) = 0, 95 sehingga didapat
C
0
n = 1, 645 (5.29)
Karena = 0, 9dan berdasarkan di atas diperoleh:
E
1
[(Z)] = 1 0, 9 = 0, 1 (1 = P)
tidak menolak H
0
| H
1
salah.
P
1
(x C
0
) = 0, 1
P
1
_
x0x
x
C00x
x
_
= 0, 1
P
1
_
Z
C00x
1n
_
= 0, 1
P
1
(Z C
0
n) = 0, 1
(h) Dengan menggunakan tabel distribusi normal standard dipero-
leh:
P
1
_
Z C
0
n
_
= 0, 1
Sehingga diperoleh:
n(C
0
1) = 1, 28 (5.30)
Dari (3) dan (4) diperoleh:
C
0
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 C
0
= 0, 55 sehingga MP Testnya
adalah:
(Z) =
_
1;Jika X > 0, 55
0; Jika X 0, 55
denganX =
1
n
n
i=1
x
i
Dengan kata lain H
0
ditolak apabila X > 0, 55,H
0
diterima
apabila X 0, 55
10. Misalkan x
1
, x
2
, ..., x
30
variabel random independen berdistribusi
N (,
2
). Jika x = 3, 2, kontruksilah MP test dari hipotesis H
0
: =
3;
2
= 4vs hipotesis alternatif H
1
: = 3, 5;
2
= 4pada level signi-
kasi = 0, 01
Penyelesaian
X
i
N (,
2
)densitas dari X
i
adalah
f (X
i
| ,
2
) = (2
2
)
12
e
1
2
2
(xi)
2
0
= { = 3;
2
= 4}
= {< < ;
2
> 0, = 1}
c
0
= { = 3, 5;
2
= 4}
i
pada
0
adalah:
f
0
(x | ,
2
) = (2.4)
50
e
1
8
100
i=1
(xi3)
2
= (8)
50
e
1
8
100
i=1
(x
2
i
6xi+9)
2
= (8)
50
e
1
8
100
i=1
x
2
i
+
6
8
100
i=1
x
2
i
112,5
i
pada
c
0
adalah:
f
1
(x | ,
2
) = (2.4)
50
e
1
8
100
i=1
(xi3,5)
2
= (8)
50
e
1
8
100
i=1
(x
2
i
7xi+12,25)
2
= (8)
50
e
1
8
100
i=1
x
2
i
+
7
8
100
i=1
x
2
i
153,125
Rasio Likehoodnya adalah:
R(z,
0
,
1
) =
f1(x|,
2
)
f0(x|,
2
)
=
(8)
50
e
1
8
100
i=1
x
2
i
+
7
8
100
i=1
x
2
i
153,125
(8)
50
e
1
8
100
i=1
x
2
i
+
6
8
100
i=1
x
2
i
112,5
= e
1
8
100
i=1
x
2
i
40,62,5
> C
(5.31)
dengan C suatu konstanta tertentu.
Bentuk (1) diatas dapat ditulis sabagai:
e
1
8
100
i=1
x
2
i
> e
40,62,5
.C (5.32)
ambil logaritma kedua ruas pertidaksamaan (2), diperoleh:
1
8
100
i=1
x
2
i
> 40, 62, 5 +LogC
100
i=1
x
2
i
> 325 + 8LogC
Jadi diperoleh:

100
i=1
xi
100
> 325 +
8
100
LogC = C
0
Sehingga MP tes dari uji hipotesis diatas berbentuk,
(Z) =
_
1;Jika X > C
0
0; Jika X C
0
dengan

100
i=1
x
i
100
= 3, 2
Karena x
i
N (,
2
)dengan n=100, maka
x N
_
i
,

2
n
_
= N
_
i
,
4
100
_
: 1 = 0, 1
C
0
ditentukan dengan E
0
[(Z)] = P
0
(x > C
0
) = dengan
=0,01
Jadi:
E
0
[(Z)] = P
0
(x > C
0
) = P
0
(x > C
0
)
1 P
0
_
X C
0
_
= 0, 01
P
0
_
X C
0
_
= 1 0, 01 = 0, 99
Bentuk ini diubah kebentuk distribusi normal standars, sebagai
berikut:
P
0
_
X
0X
C0
0X
X
_
= 0, 99
P
0
_
Z
C03
X
_
= 0, 99
_
C03
210
_
= 0, 99
P
0
(Z 5C
0
15) = 0, 99
dengan
X
=
_
4
100
=
2
10
,
0
= 3
Dengan menggunkan tabel distribusi normal standard dipero-
leh
P
0
(Z 2, 33) = 0, 99, sehingga diperoleh:
5C
0
15 = 2, 33 5C
0
= 17, 33
C
0
=
17,33
5
= 3, 466
Jadi MP test dari uji hipotesis diatas adalah:
(Z) =
_
1;Jika X > 3, 466
0; Jika X 3, 466
Dengan kata lain: Karena X = 3, 2 < C
0
= 3, 466maka H
0
tidak
ditolak pada tingkat signikasi = 0, 01
11. Misalkan X variabel random yang densitasnya uniform
(0, 1)disimbolkan dengan f
0
atau berdistribusi triangular pa-
da interval [0, 1]disimbolkan dengan , dimana f
1
berbentuk:
f
1
=
_
_
4x ; 0 x <
1
2
4 4x ;
1
2
x 1
0 ; otherwise
yang didasarkan pada observasi tungal X. Konstruksilah MP test da-
ri hipotesis H
0
: f = f
0
vs hipotesis H
1
: f = f
1
pada level signikansi
= 0, 05
Penyelesaian:
Diuji hipotesis H
0
: f
0
(x) = 1I
[0,1]
(x) vs H
1
: f
1
(x)
Bentuk: = {
0
,
1
}dengan f (x |
0
) = f
0
(x); 0 x 1dan
f (x |
1
) = f
1
(x); 0 x 1
X (0, 1)maka densitas dari X adalah:
f (x |
0
) = f
0
(x) =
1
1 0
; 0 x 1
Disini: f (x |
0
) = f
0
(x)danf (x |
1
) = f
1
(x)karena observasi
didasarkan pada observasi tunggal pada X.
f (x |
1
)
f (x |
0
)
=
f
1
(x)
f
0
(x)
= f
1
(x) =
_
_
4x ; 0 x <
1
2
4 4x ;
1
2
x 1
0 ; otherwise
Jadi
f
1
(x) > C 4x > C atau 4 4x > C
x > C4 atau x < 1 1/4C
Dengan C suatu konstanta tertentu.
sebut,C4 = C
0
dan 1 1/4Cmaka MP tes dari uji hipotesis
tersebut akan terbentuk:
(Z) =
_
1;Jika X >
C
4
= C
0
atau x < 1 1/4C = C
0
0; Jika X C
0
dan x C
0
Nilai C
0
danC
0
dihitung dengan E
0
[(x)] = dengan =
0, 05, yaitu
E
0
[(x)] = 1.P
0
(x > C
0
) + 1.P
0
(x < C
0
) + 0.P
0
(x C
0
) +
0.P
0
(x C
0
) = 0, 05
= P
0
(x > C
0
) + P
0
(x < C
0
) = 005
= P
0
(x > C
0
) + 1 P
0
(x < C
0
) = 0, 05
=
_
1
c
o
dx + 1
_
1
co
dx = 0, 05
=
_
1
c
4
dx + 1
_
1
1
c
4
dx = 0, 05
= [x]
1
c
4
+ 1
_
1
1
c
4
dx = 0, 05
= 1
c
4
+ 1 [x]
1
1
c
4
= 0, 05
= 1
c
4
+ 1
_
1
_
1
c
4
__
= 0, 05
= 2
c
4
1 + 1
c
4
= 0, 05
= 2
c
4
= 0, 05
atau
c
2
= 2 0, 05 = 1, 95
C = 2 (1, 95) = 3, 9
Jika harga c=3,9 ini disubstitusikan masing-masing ke
C
0
=
c
4
diperoleh C
0
=
3,9
4
= 0, 975dan
C
0
= 1
c
4
= 1 0, 975 = 0, 025.
Jadi diperoleh harga C
0
= 0, 975 dan C
0
= 0, 025. Sehingga MP tes
dari uji hipotesis tersebut adalah:
(x) =
_
_
1 ; Jika x > 0, 975 atau
x < 0, 025
0 ; Jika x 0, 975 dan
x 0, 025
Dengan kata lain: H
0
(Hipotesa nol) ditolak jika x > 0, 975atau
x < 0, 025 dan H
0
diterima pada 0, 025 x 0, 975. Seperti yang
diilustrasikan gambar berikut:
12. Misalkan x
1
, x
2
, ..., x
n
variabel random iid dengan densitas (pdf)
f
0
atau f
1
, diman f
0
berdistribusi P(1) dan f
1
berdistriubusi geome-
tris dengan P =
1
2
. Tentukan MP tes dari hipotesis H
0
: f = f
0
vs
H
1
: f = f
1
pada level signikansi = 0, 05
Penyelesaian:
Diuju hipotesis
H
0
: f = f
0
(x) =
e
1
x!
V S
H
1
: f = f
0
(x) =
_
1
1
2
_
x1
.
1
2
=
_
1
2
_
x1
.
1
2
=
_
1
2
_
x
Bentuk = {
0
,
1
}dengan f (x |
0
) = f
0
(x) =
e
1
x!
dan
f (x |
1
) = f
1
(x) =
_
1
2
_
x1
.
1
2
Densitas bersama dari X
i
untuk
0
adalah:
f (x |
0
) =
e
n
n
i=1
x
i
!
dan densitas bersama dari x
i
untuk
1
adalah:
f (x |
1
) =
_
1
2
_
n
i=1
xin
_
1
2
_
n
=
_
1
2
_
n
i=1
xi
.
_
1
2
_
n
.
_
1
2
_
n
=
_
1
2
_
n
i=1
xi
R(Z, f
0
, f
1
) =
f(x|1)
f(x|0)
=
(
1
2
)
n
i=1
x
i
e
n
n
i=1
x
i
!
=
n
i=1
xi!
1
2
n
i=1
x
i
e
n
dengan C suatu konstanta tertentu. Atau bentuk diatas dapat
ditulis sebagai:
n
i=1
x
i
!
_
1
2
n
i=1
xi
_
> C.e
n
(5.33)
Ambil logaritma kedua ruas dari (1) diperoleh:
Log
n
i=1
x
i
! +
n
i=1
x
i
log
_
1
2
_
> logC n
n
i=1
x
i
logx
i
+
n
i=1
x
i
log
_
1
2
_
> logC n
n
i=1
x
i
logx
i
+
n
i=1
x
i
{log1 log2} > logC n
n
i=1
x
i
logx
i
+
n
i=1
x
i
{0 0, 3010} > logC n
n
i=1
x
i
logx
i
0, 3010
n
i=1
x
i
> logC n
Misalkan: logx
i
= t
i
maka, x
i
= e
ti
Jadi:
n
i=1
t
i
0, 3010
n
i=1
e
ti
> Log n
13. Mislakan x
1
, x
2
, ...., x
n
variabel random iid dengan
densitas (pdf) sebagai berikut: (i). f (x | ) =
r()
x
1
e
x
I
(0,)
(x) ; = (0, ) diketahui > 0 (ii). f (x | ) =
r
_
r + x 1
x
_
(1 )
x
I
A
(x) ; A = {0, 1, 2...} = (0, 1).
Tunjukkan densitas bersama dari (i) dan (ii) mempunyai sifat MLR
(Monotone Likehood Ratio) dalam V (x
1
, x
2
, ..., x
n
).
Penyelesaian:
(i). Densitas bersama dari x
i
adalah:
f (x | ) =
_

r()
_
n
n
i=1
x
1
i
e
n
i=1
xi
Keluarga distribusi ini adalah keluarga distribusi eksponensial,
sebab keluarga tersebut dapat ditulis ke dalam bentuk:
f (x | ) = C () e
Q()T(x)
h (x) (5.34)
dengan:
C () =
_

r()
_
n
; Q() =
T (x) =
n
i=1
x
i
; h (x) =
n
i=1
x
1
i
Jelas Q() = decreasing pada (0, ), sebab Q() = 1 < 0. Jadi
berdasarkan proposisi 1 halaman 277 dari Roussas, keluarga ekpo-
nensial diatas memiliki sifat MLR dalam v (x) = T (x) =
n
i=1
x
i
.
(ii). Densitas bersama dari x
i
adalah:
f (x | ) =
nr
_
r + x 1
x
_
(1 )
n
i=1
xi
=
nr
_
r + x 1
x
_
e
n
i=1
xi
Log (1 )
14. X Bin(, n) . Misalkan (x)adalah uji UMP untuk H
0
:
0
vs H
1
: >
0
. Untuk n=6;
0
= 0, 25 dan = 0, 05; 0, 1 dan 0, 2.
Tentukan uji bersama-sama dengan () fungsi kuasa untuk
0
=
0, 3;
0
= 0, 4.
Penyelesaian:
x Bin(, n), maka densitas dari x adalah:
f (x | ) =
_
n
x
_
x
(1
nx
)
=
_
6
x
_
0, 25
x
(1 0, 25)
6x
=
_
6
x
_
0, 25
x
0, 75
x
Densitas bersama dari x adalah:
f (x | ) =
n
i=1
_
6
x
_
0, 25
x
0, 75
36x
=
6
i=1
_
6
x
i
_
0, 75
36
_
0,25
0,75
_
6
xi
=
6
i=1
_
6
x
_
0, 75
36
_
1
3
_
6
xi
=
6
i=1
_
6
x
i
_
0, 75
36
e
6
xilog(
1
3
)
Jelas bentuk terakhir ini adalah berbentuk keluarga ekponensial
dengan:
c () = 0, 75
36
; h (x) =
6
i=1
_
6
x
i
_
T (x) =
s
x
i
dan Q() = Log
_
1
3
_
Jadi bentuk UMP tes diatas adalah:
(x) =
_
_
1 jika x > c
jika x = c
0 bagi yang lain
; dengan
n=1
i=1
x
i
= X Bin
Sekarang dilihat untuk H
0
: < 0, 3vsH
1
: > 0, 3untuk
= 0, 05
E
0
[(x)] = P
0
(x > c) + P
0
(x = c) = 0, 05
1 P
0
(x c) + P
0
(x = c) = 0, 05
P
0
(x c) P
0
(x = c) = 0, 95
Dengan menggunakan tabel binomial untuk n = 6;
0
=0,3
diperoleh: untuk c = 4 diperoleh P
0,3
(x c) = 0, 9868
Jadi:
P
0,3
(x = 4) = P
0,3
(x 4) P
0,3
(x 3)
= 0, 9868 0, 9192 = 0, 0676
Sehingga diperoleh:
0, 9868 (0, 0676) = 0, 95
(0, 0676) = 0, 0368
= 0, 5444
Jadi UMP tes diatas menjadi:
(x) =
_
_
1 jika x > 4
0, 54444 ; jika x = 4
0 bagi yang lain
Dengan kata lain:
H
0
ditolak apabila x > 4
H
0
ditolak dengan kendala 0,54444 Jika x = 4
Power of the test di 0,7 adalah:
(0, 7) = P
0,7
(x > 4) + 0, 54444P
0,7
(x = 4)
= P
0,3
(x 1) + 0, 54444P
0,3
(x = 24)
= 0, 3936 + (0, 54444) [P
0,3
(x 2) P
0,3
(x 1)]
= 0, 3936 + (0, 54444) . (0, 7208 0, 3936)
= 0, 3936 + 0, 1781
= 0, 5717
Dengan fungsi kuasa di 0,3
() = P
1
(x > 4) + 0, 544P
1
(x > 4)
=
6
x=4
_
6
x
_
x
(1 )
6x
+ 0, 544
__
6
x
_
4
(1 )
2
_
H
0
: 0, 3 vs H
1
: > 0, 3untuk = 0, 1.
E
0
(x) = P
0
(x > c) + .P
0
(x = c) = 0, 1
= 1 P
0
(x c) + .P
0
(x = c) = 0, 1
P
0
(x c) .P
0
(x = c) = 0, 9
(5.35)
Dengan menggunakan tabel binomial untuk n=6;
0
= 0, 3untuk
c = 3 diperoleh P
0
(x c) = 0, 9192.
Jadi:
P
0
(x = 3) = P
0
(x = 3) P
0
(x 2)
= 0, 9192 0, 7208 = 0, 1994
Sehingga, jika nilai-nilai ini disubstitusikan ke * diperoleh:
0, 9192 (0, 1994) = 0, 9
=
0,91920,9
0,1994
= 0, 0962
Sehingga UMP tes untuk hipotesa ini adalah:
(x) =
_
_
1 ; jika x > 3
0, 0962 jika x = 3
0 bagi yang lain
Dengan kata lain:
H
0
ditolak apabila x > 3
H
0
ditolak dengan probabilitas 0,0962 jika x = 3
Power of the tes di 0,7 adalah:
(0, 7) = P
0,7
(x > 3) + 0, 0962P
0,7
(x = 3)
= P
0,3
(x 2) + 0, 0962P
0,3
(x = 3)
= 0, 7208 + 0, 0962 [P
0,3
(x 3) P
0,3
(x 2)]
= 0, 7208 + 0, 0962 [0, 9192 0, 7208]
= 0, 7399
Fungsi kuasa: () =
_
6
x
_
x
(1 )
6x
+
0, 0962
__
6
x3
_
3
(1 )
3
_
H
0
: 0, 3vs H
1
: > 0, 3untuk = 0, 2
E
0
(x) = P
0
(x > c) + P
0
(x = c) = 0, 2
= 1 P
0
(x c) + P
0
(x = c) = 0, 2
P
0
(x c) P
0
(x = c) = 0, 8
(5.36)
Dengan tabel distrbusi binomial untuk n = 6 dan
0
= 0, 3diperoleh: untuk c = 3, maka P
0,3
(x c) = 0, 9192.
Jadi:
P
0,3
(x = 3) = P
0,3
(x = 3) P
0,3
(x 2)
= 0, 9192 0, 7208 = 0, 1994
Harga-harga ini disubstitusikan ke * diperoleh 0,9192-0,1994 =
0,8
=
0,91920,8
0,1994
= 0, 6132
Sehingga UMP test untuk hipotesa ini adalah:
(x) =
_
_
1 ; jika x > 3
0, 6132 ; jika x = 3
0 ; bagi yang lain
Dengan kata lain:
H
0
ditolak jika x > 3
H
0
ditolak jika x = 3dengan probabilitas 0,6132.
(0, 7) = P
0,7
(x > 3) + 0, 6132P
0,7
(x = 3)
= P
0,3
(x 2) + 0, 6132P
0,3
(x = 3)
= 0, 7208 + 0, 0962 [P
0,3
(x 3) P
0,3
(x 2)]
= 0, 7208 + 0, 6132.0, 1852
= 0, 8344
H
0
: 0, 4 VS H
1
: > 0, 4, dengan = 0, 05.
E
0
(x) = P
0,4
(x > c) + P
0,4
(x = c) = 0, 05
= 1 P
0,4
(x c) + P
0,4
(x = c) = 0, 05
P
0,4
(x c) P
0,4
(x = c) = 0, 95
(5.37)
Dengan tabel distribusi binomial untuk n = 6;
0
= 0, 4
diperoleh untuk c = 4, maka P
0,4
(x 4) = 0, 9590. Jadi
P
0,4
(x = 4) = 0, 1382.
Substitusikan nilai-nilai ini * diperoleh:
0, 9590 0, 1382 = 0, 95 = 0.0651
(x) =
_
_
1 ; jika x > c = 4
0, 0651 ; jika x = 4
0 ; bagi yang lain
(0, 6) = P
0,6
(x > 4) + 0, 0651P
0,6
(x = 4)
= P
0,4
(x 1) + 0, 0651P
0,4
(x = 2)
= 0, 2333 + 0, 0651.0, 3110
= 0, 2535
Untuk = 0, 1
E
0
(x) = P
0,4
(x > c) + P
0,4
(x = c) = 0, 1
= 1 P
0,4
(x c) + P
0,4
(x = c) = 0, 1
P
0,4
(x c) P
0,4
(x = c) = 0, 9
(5.38)
Dengan tabel distribusi binomial untuk n = 6;
0
= 0, 4
diperoleh untuk c = 4, maka P
0,4
(x 4) = 0, 9590. Jadi
P
0,4
(x = 4) = 0, 1382.
Substitusikan nilai-nilai ke ** diperoleh:
0, 9590 .0, 1382 = 0, 9 = 0, 4269.
(x) =
_
_
1 ; jika x > 4
0, 4269 ; jika x = 4
0 ; bagi yang lain
(0, 6) = P
0,6
(x > 4) + 0, 4269P
0,6
(x = 4)
= P
0,4
(x 1) + 0, 4269P
0,4
(x = 2)
= 0, 2333 + 0, 4269.0, 3110
= 0, 3660
Untuk = 0, 2:
E
0
(x) = P
0,4
(x > c) + P
0,4
(x = c) = 0, 2
= 1 P
0,4
(x c) + P
0,4
(x = c) = 0, 2
P
0,4
(x c) P
0,4
(x = c) = 0, 8
(5.39)
Dari tabel distribusi binomial pada n = 6;
0
= 0, 4 diperoleh un-
tuk c = 3, maka P
0,4
(x 3) = 0, 8208. Jadi P
0,4
(x = 4) = 0, 2765.
Substitusikan nilai-nilai ke *** diperoleh:
0, 8208 .0, 2765 = 0, 8 = 0, 0752.
(x) =
_
_
1 ; jika x > 3
0, 0752 ; jika x = 3
0 ; bagi yang lain
(0, 6) = P
0,6
(x > 3) + 0, 0752P
0,6
(x = 3)
= P
0,4
(x 2) + 0, 0752P
0,4
(x = 3)
= 0, 5443 + 0, 0752.0, 2765
= 0, 5651
15. Misalkan x
1
, x
2
, ...., x
n
variabel random berdistribusi ekspo-
nensial dengan parameter lokasi dan densitas f (x | ) =
exp {(x )} x < . Tentukan UMP tes untuk
H
0
: 3
0
VS H
1
:
0
Penyelesaian:
f (x
i
| ) = e
(xi)
f (x | ) = e
(xi)
I
(,)
_
x
(i)
_ ; x <
dan densitas bersamanya adalah:
f ( | x) = e
(xi)
I
(,)
_
x
(i)
_
= e
(xi)
e
n
I
(,)
_
x
(i)
_
Dengan mengambil T (x) = x
(i)
danG(T | ) =
e
n
I
(,)
_
x
(i)
_
serta h (x) = e
xi
, maka T (x) = x
(i)
adalah
statistik cukup bagi . Selanjutnya ditunjukkan keluarga
f (x | )mempunyai sifat MLR (Monotone Likehood Ratio)
dalam T (x) = x
(i)
, yaitu ratio likehood dari f ( | x)untuk
1
<
2
adalah:
f(2|x)
f(1|x)
= e
(21)
I
(,)
_
x
(i)
_
yang merupakan fungsi tidak turun
dalam x
(i)
, berarti {f
; }ini memiliki sifat MLR.

Jadi MP tes uji diatas adalah:
(x) =
_
1 ; jika x
(i)
> C
0 ; bagi yang lain
C dihitung dari densitas x
(i)
, seabgai berikut:
Misalkan Y = x
(i)
= x
min
P (Y = y) = P (x
min
y)
= 1 P (x
min
> y)
= 1 {1 P (x y)}
n
= 1
_
1
_
Y
e
x
dx
_
n
= 1
_
1 +e
e
x
|
y
_
n
= 1
_
1 +e
e
x
1
_
n
= 1 e
n
e
ny
= 1 e
(y)
Jadi:
f
y
(y) =
d
dy
{P (Y = y)}
=
d
dy
_
1 e
n
e
ny
_
=
1
n
e
n
e
ny
= n.e
n(y)
; y <
Sehingga:
P (Y > c) =
_
c
1
n
e
n0
e
ny
dy =
=
1
n
e
n0
_
1
n
e
ny
|
c
_
=
3 =
1
n
e
n0
_
1
n
e
nc
_
=
e
nc
=
n
2
e
n
0
nc = Log
_
n
2
e
n
0
_
Atau nc =
Log n
2
n
0
c =
0
1
n
Log n
2
Kesimpulan: H
0
ditolak apabila x
min
>
0
1
n
Log n
2
16. Misalkan x
1
, x
2
, ..., x
30
random variabel independen berdistribusi
G( = 10, ),tidak diketahui. Konstruksikanlah MP tes untuk uji
hipotesa H
0
: = 2VS H
1
: = 3dengan = 0, 05.
Penyelesaian:
x
i
G( = 10, ) f (x
i
| ) =
1
T
(10)
10
x
9
i
e
xi
Dikonstruksikan MP tes untuk H
0
: = 2VS
H
1
: = 3. Berdasarkan Leuma Neyman-Pearson di dapat:
f(x|=3)
f(x|=2)
=

30
i=1
x
9
i
e
1
3
x
i
(T
(10))
30
.(3
30
)
30
i=1
x
9
i
e
1
2
x
i
(T
(10))
30
.(2
30
)
=
_
2
3
_
30
e
(
1
3
1
2
)
30
i=1
xi
=
_
2
3
_
30
e
1
6
30
i=1
xi
Log
f(x|=3)
f(x|=2)
=
1
6
30
i=1
x
i
+ 30Log
_
2
3
_
Didapat H
0
akan ditolak jika:
1
6
30
i=1
x
i
+ 30Log
_
2
3
_
> k
30
i=1
x
i
> 6
_
k 30Log
2
3
_
= c
Selanjutnya dibawah H
0
akan dicari distribusi dari
30
i=1
x
i
x
i
G( = 10, = 2) M
xi
(t) = (1 2t)
10
M
30
xi
(t) = (M
xi
(t))
30
=
_
(1 2t)
10
30
= (1 2t)
300
= (1 2t)
600
2
Ini adalah MGF dari x
2
(600)
.
Dengan demikian H
0
akan ditolak apabila
30
i=1
x
i
> c
Dimana c dapat dihitung berdasarkan tingkat signikansi
= 0, 05 dan distribusi x
2
(600)
, memenuhi:
P (
30
i=1
x
i
> c) = 0, 05 atau
1 P (
30
i=1
x
i
c) = 0, 05 atau
P (
30
i=1
x
i
c) = 0, 95
Berdasarkan tabel distribusi x
2
(600)
didapat c 61, 656
Untuk menguji H
0
: = 2 VS H
1
: = 3dengan tingkat
signikansi = 0, 05, H
0
akan ditolak jika:
30
i=1
x
i
> 61, 656
17. Soal Buku Roussas no 4 halaman 313. Misalkan x
1
, x
2
, ...., x
n
random
variabel berdistribusi N (,
2
)dengan tidak diketahui dan
diketahui. Ingin dilakukan uji hipotesa H
0
: = 0 VS H
1
:
= 1Untuk = 0, 05, = 0, 9, dan = 1. Tentukan ukuran dari
sampel n.
Penyelesaian:
x
i
N (,
2
) f (x
i
| ) = (2
2
)
12
e
1
2
2
(xi)
2
diketahui
Uji hipotesis H
0
: = 0 VS H
1
: = 1. Berdasarkan Leuma
Neymman-Pearson di dapat:
f(x|=1)
f(x|=0)
=
(2
2
)
1n2
e
1
2
2

n
(x
i
1)
2
(2
2
)
1n2
e
1
2
2

n
(x
i
0)
2
= e
1
2
2
(x
2
i
2xi+nxi)
= e
1
2
2
(n2xi)
= e
n
2
2
.e
x
i
2
MP tes memberikan, H
0
ditolak jika :
e
n
2
2
.e
x
i
2
> k
n
2
2
+
xi
2
> Logk
n
i=1
x
i
>
2
(Logk +
2
) = c
Untuk = 0, 05, = 0, 9 dan = 1, dibawah H
0
x
i
N (n.0, n.1) =
N (n, 0)dan di bawah H
1
x
i
N (n.1, n.1) = N (n, n) .
= P (x
i
> c)
0, 05 = P (x > c)
P (x c) = 0, 95
P
_
x0
n

c
n
_
= 0, 95
P
_
Z
c
n
_
= 0, 95
_
c
n
_
= 0, 95
Daritabeldistribusi N (0, 1) didapat
c
n
= 1, 64 (5.40)
1 = P (tidak menolak H
0
| H
0
salah)
1 0, 9 = P (x c)
0, 1 = P
_
xn
n

cn
n
_
0, 1 = P
_
Z
_
c
n
__
0, 1 =
_
c
n
_
Dari tabel distribusi N (0, 1)didapat:
c
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 x
1
, x
2
, ...., x
100
variabel independen berdistribusi
N (,
2
) .Jika x = 3, 2, Konstruksikan MP tes untuk hipotesis
H
0
: = 3,
2
= 4 VS H
1
: = 3, 5,
2
= 4pada tingkat signikansi
= 0, 01.
Penyelesaian:
x
i
N (,
2
) f (x
i
| ) = (2
2
)
12
e
1
2
2
(xi)
2
akan dikonstruk-
sikan uji MP untuk: H
0
: = 3,
2
= 4 VS H
1
: = 3, 5,
2
= 4.
Lueman Neymaman-Pearson memberikan:
f(x|=3,5)
f(x|=3)
=
(2(4))
50
.e
1
2(4)
100
i=1
(x
i
3,5)
2
(2(4))
50
.e
1
2(4)
100
i=1
(x
i
3)
2
= e
1
8
[(x
2
i
7x+(3,5)
2
(100))(x
2
i
6x+(9)(100))]
= e
1
8
[x+325]
= e
325
8
+
x
8
H
0
akan ditolak jika:e
325
8
+
x
8 > k yaitu:
x
8

325
8
> Logk
x > 8
_
Logk +
325
8
_
= c
x
100
>
c
100
= c
x > c
(5.42)
Dimana c
dapat dihtung berdasarkan tingkat = 0, 01dan dsitribusi

N ( = 3,
2
= 2)(dibawah H
0
), yang memenuhi hubungan:
= P (x > c
)
0, 01 = P (x > c
)
0, 99 = P (x c
)
0, 99 = P
_
x3
210

c
3
210
_
0, 99 = P
_
Z
c
3
210
_
0, 99 =
_
c
3
210
_
Berdasarkan distribusi N (0, 1)didapat:
c
3
210
= 2, 33 c
=
2
10
(2, 33) + 3
c
= 3, 466
Dari 1 telah didapat, H
0
ditolak jika:
x > c
Karena x = 3, 2 < c
= 3, 466maka H
0
tidak ditolak pada tingkat
signikansi = 0, 01
19. Misal x sampel random berdistribusi U(0,1) sebut f
0
atau berdistri-
busi dengan p.d.f segitiga pada [0, 1]sebut f
1
, yaitu:
f
1
=
_
_
4x ; 0 x <
1
2
4 4x ;
1
2
x 1
0 ; yang lain
Berdasarkan satu observasi x, konstruksikan MP tes untuk hipotesis
H
0
: f = f
0
VS H
1
: f = f
1
dengan tingkat signikansi = 0, 05.
Penyelesaian:
H
0
: f = f
0
VS H
1
: f = f
1
Lueman Neymaman-Pearson memberikan:
f(x|f1)
f(x|f1)
=
_
_
4x ; 0 x <
1
2
4 4x ;
1
2
x 1
0 ; yang lain
Terlihat bahwa ratio ini untuk 0 x
1
2
fungsi memotong naik
dan pada
1
2
x 1merupakan fungsi dari x yang memotong turun.
Dengan demikian H
0
akan ditolak jika:
4x < C
1
atau 4x 4 > cC
2
Yang ekivalen dengan:
x < C
1
atau x > C
2
Dengan C
1
dan C
2
dapat dihitung berdasarkan tingkat signikansi
= 0, 05dan distribusi uniform yang memenuhi:
P (x < C
1
) =

2
atau P (x < C
2
) =

2
_
C
1
0
1dx =
0,05
2
C
1
= 0, 025 atau
_
1
C
2
1dx =
0,05
2
1 C
2
= 0, 025 C
2
0, 975
H
0
ditolak jika: x < 0, 025atau x > 0, 975
20. Misalkan x
1
, x
2
, ...., x
n
random variabel iid berdistribusi dengan p.d.f
f
0
atau f
1
, dengan f
0
adalah P (1)dan f
1
adalah geometrik
_
P =
1
2
_
.
Dapatkan MP test untuk hipotesis H
0
: f = f
0
VS H
1
: f = f
1
untuk
tingkat signikansi = 0, 05.
Penyelesaian:
f
0
= P (1) f (x
i
|
0
) =
e!
xi!
, x
i
= 0, 1, 2...
f
1
= geometrik
_
P =
1
2
_
f (x
i
|
1
) =
1
2
_
1
2
_
xi
, x
i
= 0, 1, 2.
akan dicari MP test untuk H
0
: f = f
0
VS H
1
: f = f
1
:
f (x | f
1
)
f (x | f
0
)
=
1
2
_
1
2
_
xi
e
n
xi!
=
1
2
.

n
i=1
x
i
!
e
n
.2
n
i=1
xi
Lueman Neymaman-Pearson memberikan, daerah penolakan
H
0
adalah:
1
2
.

n
i=1
x
i
!
e
n
.2
i=1
n
xi
> k
yang ekivalen dengan
n
i=1
x
i
> c
dibawah H
0
,
n
i=1
x
i
P (n)sehingga c
dapat dihitung berdasarkan

tingkat signikansi = 0, 05dan distribusi P (n)yang memenuhi:
P (x
i
> c
) = 0, 05
P (
n
i=1
x
i
c
) = 0, 95
t=0
n
t
.e
n
t!
= 0, 95
6. Soal Roussas no 9 halaman 314
Misalkanx
1
, x
2
, ...., x
n
random 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 (x
1
, x
2
, ...., x
n
).
a. f (x; ) =

x
T()
x
1
e
x
.I
(0,)
(x) ; (0, ) ; > 0 diketahui
b. f (x; ) =
v
_
v + x 1
x
_
(1 )
x
.I
A
(x)
A = {0, 1, 2, ...} , = (0, 1)
Penyelesaian:
a. f (x; ) =

x
T()
x
1
e
x
.I
(0,)
(x) ; (0, ) ; > 0 diketahui
f (x; ) =

x
(T())
n
n
i=1
x
1
.e
x
=

n
i=1
x
1
(T())
n .e
x+xlog
=
n
i=1
x
1
_
1
T()
_
n
.e
x(log)
dengan berdasarkan pada proposisi 1, hal. 277 (Roussas) dan
dengan mengambil:
Q() = Log danV (x
1
, x
2
, ...., x
n
) = xQ()adalah fungsi turun-
an monoton dalam...........sebab.
Q
() =
_
1
1
_
< 0, untuk (0, )dengan demikian keluarga
{g (t; ) , = 0}adalah keluarga MLR dalam V = V (x) =
n
i=1
x
i
b. f (x; ) =
v
_
v + x 1
x
_
(1 )
x
.I
A
(x)
A = {0, 1, 2, ...} , = (0, 1)
f (x; ) =
nr
n
i=1
_
r + x
i
1
x
i
_
_
1
xi
_
=
n
i=1
_
r + x
i
1
x
i
_
nr
e
n
i=1
xlog(1e)
Dengan berdasarkan pada proposisi 1. Buku Rossas halaman 277
dan dengan mengambil :
Q() = Log (1 )
V (x) = x
Maka Q()adalah fungsi monoton turunan sebab:
Q
() =
1
1
=
1
1
< 0, untuk (0, 1)
sehingga keluarga distribusi {g (t, ) , (0, )}adalah keluarga MLR
dalam V (x) = V (x)
21. Misalkan x
1
, x
2
, ...., x
n
sampel random dari distribusi exponensial de-
ngan parameter lokasi dan densitas f (x | ) = e
(x)
, x < .
Tentukan UMP test untuk H
0
:
0
, H
1
:
1
.
Penyelesaian:
x
i
f (x
i
| ) = e
(xi)
f (x | ) =
n
i=1
e
(xi)
= e
xi+n
Akan ditentukan UMP test untuk H
0
:
0
, H
1
:
1
.
Keluarga distribusi {g (t, ) , }adalah keluarga MLR, sebab
untuk >
1
f(x|)
f(x|1)
=
e
x
i
+n
e
x
i
+n
1
= e
n(1)
= e
n
I
(
,)(x
(i))
,
=
1
Ratio ini adalah fungsi monoton naik dalam x
(i)
=
Min(x
1
, x
2
, ...., x
n
)
Selanjutnya T (x) = x
(i)
= Min(x
1
, x
2
, ...., x
n
)adalah statistik
cukup untuk sebab:
f (x | ) = e
xi+n
, < x
i
< ; < x
(i)
x
(n)
<
= e
x
e
ne
I
(,)
_
x
(i)
_
Bersarkan teorema faktorisasi didapat:
T (x) = x
(i)
= Min(x
1
, x
2
, ...., x
n
)
Adalah statistik cukup untuk
Selanjutnya berdasarkan teorema Karlin-Rubin dapat dikon-
struksi UMP test untuk hipotesis:
H
0
:
0
, H
1
:
0
Kaerna keluarga distribusi {g (t, ) , }adalah MLR dari
T (x) = x
(i)
dan T (x)adalah statistik cukup untuk , maka
berdasarkan teorema Karlin-Rubin terdapat c
0
yang menolak
H
0
bhb T > c
0
merupakan UMP taraf dengan : = P
0
(T > c
0
)
Dengan kata lain, untuk H
0
:
0
, H
1
:
0
terdapat uji
UMP taraf , yang menolak H
0
jika x
(i)
> c
0
dengan c
0
dapat
ditentukan berdasarkan tingkat signikansi yang diberikan
dan distribusi dari x
(i)
yang memenuhi P
0
(T > c
0
) = karena:
1 F (t) = [P (x > t)]
n
=
__
t
e
(x)
dx
_
n
=
_
e
t
.e
_
n
F (t) = 1 e
n
e
nt
f (t) = F
(t)
=
e
n
e
nt
n
=
e
n(t)
n
; t e
Sehingga c
0
dihitung berdasarkan hubungan :
_

t
1
n
e
n(t0)
dt =
22. Jika x B(n, ), misalkan (x) adalah uji UMP untuk H
0
:
0
VS H
1
: >
0
. Untuk n = 6 ,
0
= 0, 25, dan = 0, 05 ; 0, 01 ; 0, 02.
Tentukan uji bersama-sama dengan () fungsi kuasa untuk
0
=
0, 3 ,
0
= 0, 25 , dan
0
= 0, 5.
Penyelesaian:
x B(n, ) f (x | ) =
_
n
x
_
x
(1 )
nx
, x = 0, 1, 2...H
0
:
0
VS H
1
: >
0
f(x|)
f(x|1)
=
0
B
@
n
x
1
C
A
x
1
(11)
nx
0
B
@
n
x
1
C
A
x
0
(10)
nx
, untuk
1
>
0
=
_
1
0
_
x
_
11
10
_
nx
Log
_
f(x|)
f(x|1)
_
= xLog
_
1
0
_
+ (n x) Log
_
11
10
_
= x
_
Log
1
0
Log
(11)
(10)
+ Log
_
11
10
__
Sehingga untuk: Log
_
f(x|)
f(x|1)
_
> Log k
Ekivalen dengan:
x > c
0
=
LogknLog
1
1
1
0
Log
(
1
)
(
0
)
Log
1
1
1
0
UMP tes memberikan:

(x) =
_
_
1 ; jika x > c
0
; jika x = c
0
0 ; jika x < c
0
dimana c
0
dapat ditentukan berdasarkan hubungan E
0
((x)) =
P (x > c
0
) + P (x = c
0
)
Untuk n = 6,
0
= 0, 25, = 0, 05
= P (x > c
0
) + P (x = c
0
)
= 1 P (x c
0
) + P (x = c
0
)
P (x c
0
) P (x = c
0
) = 1
(5.43)
Dari tabel Binomial (n = 6,
0
= 0, 25)didapat:
Untuk c
0
=
P
0,25
(x c
0
) = 0, 9624
P
0,25
(x = c
0
) = P
0,25
(x c
0
) P
0,25
(x c
0
1)
= P
0,25
(x 3) P
0,25
(x 2)
= 0, 9624 0, 8306
= 0, 1318
Persamaan 1 menjadi:
0, 9624 0, 8306 = 0, 95
= 0, 094
Untuk n = 6,
0
= 0, 25, = 0, 01
Dari tabel B(n = 6,
0
= 0, 25, = 0, 01)didapat untuk c
0
= 4
P
0,25
(x 4) = 0, 9954
P
0,25
(x = 4) = P
0,25
(x 4) P
0,25
(x 3)
= 0, 9954 0, 9624
= 0, 033
0, 9954 (0, 033) = 0, 99
= 0, 164
Untuk n = 6,
0
= 0, 25, = 0, 02
Dari tabel B(n = 6,
0
= 0, 25, = 0, 012)didapat c
0
= 4
P
0,25
(x 4) = 0, 9954 dan P
0,25
(x = 4) = 0, 033
0, 9954 (0, 033) = 0, 98
= 0, 467
Selanjutnya akan dihitung uji kuasanya:
() = E
((x))
() = P
1
(x > c
0
) + P
1
(x = c
0
)
(5.44)
Untuk
1
= 0, 3, c
0
= 3 dan = 0.094
0,3
() = 1 P (x = 0) P (x = 1) P (x = 2) +.P (x = 3)
= 1 0, 1176 0, 3025 0, 3341 + 0, 094. (0, 1852)
= 0, 273
Untuk
1
= 0, 3 , c
0
= 4 dan = 0, 164
0,3
() = P (x = 5) +P (x = 6) + 0, 164 (P (x = 4))
= 0, 0102 + 0, 0007 + 0, 164. (0, 0595)
= 0, 0206
Untuk
1
= 0, 3 , c
0
= 4 dan = 0, 467
0,3
() = P (x = 5) +P (x = 6) + 0, 467 (P (x = 4))
= 0, 0102 + 0, 0007 + 0, 467. (0, 0595)
= 0, 0387
Untuk
1
= 0, 4 , c
0
= 3 dan = 0, 094
0,4
() = P (x = 4) +P (x = 5) +P (x = 6) +P (x = 3)
= 0, 1382 + 0, 0369 + 0, 0041 + 0, 094. (0, 2765)
= 0, 205
Untuk
1
= 0, 4, c
0
= 4 dan = 0, 164
0,4
() = P (x = 5) +P (x = 6) +P (x = 4)
= 0, 0369 + 0, 0041 + 0, 164. (0, 1382)
= 0, 064
Untuk
1
= 0, 4 , c
0
= 4 dan = 0, 467
0,3
() = P (x = 5) +P (x = 6) +P (x = 4)
= 0, 0369 + 0, 0041 + 0, 467. (0, 1382)
= 0, 106
Untuk
1
= 0, 5 , c
0
= 3 dan = 0, 094
0,5
() = P (x > 3) +P (x = 3)
= 1 P (x 2) +P (x = 3)
= 1 0, 3437 + 0, 094 (0, 3125)
= 0, 686
Untuk
1
= 0, 5 , c
0
= 4 dan = 0, 164
0,5
() = P (x > 4) +P (x = 4)
= 1 P (x 3) +P (x = 4)
= 1 0, 6562 + 0, 164 (0, 2344)
= 0, 382
Untuk
1
= 0, 5 , c
0
= 4 dan = 0, 467
0,5
() = 1 P (x 3) +P (x = 4)
= 1 0, 6562 + 0, 164 + 0, 467 (0, 2344)
= 0, 453
1. Misalkan X mempunyai f.k.p berbentuk f(x; ) = x
1
; 0 < x < 1
dan 0 untuk x yang lain, dengan {; = 1, 2} . untuk uji hipotesis
sederhana H
0
: = 2, gunakan sampel random X
1
, X
2
dan dide-
nisikan daerah kritis C = {((x
1
, x
2
); 3/4 x
1
x
2
} .Tentukan fungsi
kekuatan dari uji.
2. DiketahuiX berdistribusi binomial dengan parameter n = 10 dan
p {p; p = 1/4, 1/2} Hipotesis H
0
: p = 1/2 ditolak, dan hipotesis
alternatif H
1
: p = 1/4 diterima, jika nilai observasi X
1
sampel ran-
dom berukuran 1 lebih kecil atau sama dengan 3. Tentukan fungsi
kekuatan dari uji.
3. Diketahui X
1
, X
2
sampel random berukuran n = 2 dari distribusi
yang mempunyai f.k.p f(x, ) =
1
e
x/
, 0 < x < dan 0 untuk yang
lain. Kita tolak H
0
: = 2 dan terima H
1
: = 1 jika nilai observasi
dari X
1
, X
2
katakan X
1
, X
2
sedemikian sehingga
f(x
1
; 2)f(x
2
; 2)
f(x
1
; 1)f(x
2
; 1)

1
2
(5.45)
Jika ruang parameter = {; = 1, 2} , tentukan tingkat signikansi
dari uji dan kekuatan uji kalau H
0
salah.
4. Diasumsikan ketahanan dari suatu ban dan mill, katakan X, ber-
distribusi normal dengan mean dan standar deviasi 5000. Berda-
sarkan pengalaman masa lalu diketahui bahwa = 30.000. Perusa-
haan mengklaim membuat ban dengan proses baru dengan mean
> 30.000, dan misalkan = 35.000. Untuk mengecek ini kita uji
H
0
: 30.000, lawan H
1
: > 30000. Kita observasi n nilai yang
independen dai X, misalnya x
1
, x
2
, ..., x
n
dan kita tolak H
0
(terima
H
1
) jika dan hanya jika x c. Tentukan n dan c sehingga fung-
si kekuatan K() dari uji mempunyai nilai K(30.000) = 0, 01 dan
K(35.000) = 0, 98.
5. Misalkan X mempunyai distribusi Poisson dengan mean . Diper-
timbangkan hipotesis sederhana H
0
: = 1/2. dan hipotesis ga-
bungan alternatif H
1
: < 1/2. Misalkan = {; 0 < 1/2}
Misalkan X
1,
X
2
, ..., X
12
sampel random yang berukuran 12 dari dis-
ribusi ini. Kita tolakH
0
jika dan hanya jika nilai observasi dari
Y = X
1
+ X
2
+ ... + X
12
2. Jika K() adalah fungsi kekuatan
uji, tentukan kekuatan dari K(
1
2
), K(
1
3
), K(
1
4
), K(
1
6
) dan K(
1
12
). Sket
grak dari K(). Berapakah tingkat signikasnsi dari uji?
6. Dalam contoh 4 diatas , misalkan H
0
: =
= 0 dan H
1
: =
=
1. Perlihatkan bahwa uji terbaik dari H
0
lawan H
1
dapat menggu-
nakan statistik x dan jika n = 25 dan = 0, 05 maka kekuatan uji
adalah 0, 999 kalau H
1
benar.
7. Misalkan variabel random x mempunyai f.k.p f(x; ) =
1
e
x/
; 0 <
x < dan 0 untuk x yang lain. Pertimbangkan hipotesis sederhana
H
0
: =
= 2 dan alternatif H
1
: =
= 4. jika x
1
, x
2
sampel
random yang berukuran 2 dari distribusi ini . Perlihatkan bahwa uji
terbaik dari H
0
lawan H
1
dapat menggunakan statistik x
1
+ x
2
.
8. Ulangi soal 2 kalau H
1
: =
= 6. Kemudian tentukan bentuk

umum ini untuk setiap
> 2
9. Misalkan X
1,
X
2
, ..., X
10
normal n(0,
2
). Tentukan daerah kritik terbaik ukuran = 0, 05 un-
tuk uji H
0
:
2
= 1 lawan H
1
:
2
= 2. Apakah ini merupakan daerah
kritik terbaik ukuran 0,05 untuk uji H
0
:
2
= 1 lawan H
1
:
2
= 4?
lawan H
1
:
2
= 1?
10. Jika X
1,
X
2
, ..., X
n
adalah sampel random dari distribusi yang mem-
punyai f.k.p dari bentuk f(x; ) = x
1
; 0 < x < 1 dan 0 untuk yang
lain. Perlihatkan bahwa daerah kritik terbaik untuk uji H
1
: = 1
lawan H
1
: = 2 adalah C =
_
(x
1
, x
2
, ..., x
n
) ; c
n
i=1
x
i
_
11. Misalkan X
1,
X
2
, ..., X
10
sampel random dari distribusi n(
1
,
2
). Ten-
tukan uji terbaik dari hipotesis sederhana H
0
:
1
=
1
= 0,
2
=
2
=
1 lawan hipotesis alternatif H
1
:
1
=
1
= 1,
2
=
2
= 4
12. Misalkan X
1,
X
2
, ..., X
n
sampel random dari distribusi normal
n(, 100). Perlihatkan bahwa C = {(x
1
, x
2
, ..., x
n
); c x}adalah da-
erah kritik terbaik untuk uji H
0
: = 75 lawan H
1
: = 78 Tentukan
n dan c sehingga
P [(X
1,
X
2
, ..., X
n
) C; H
0
] = P (x c; H
0
) = 0, 05 (5.46)
dan
P [(X
1,
X
2
, ..., X
n
) C; H
1
] = P (x c; H
0
) = 0, 90 (5.47)
13. Misalkan X
1,
X
2
, ..., X
n
sampel random dari distribusi yang mempu-
nyai f.k.p f(x; p) = p
x
(1 p)
1x
; x = 0, 1 dan 0 untuk x yang lain.
Perlihatkan bahwa C =
_
(x
1
, x
2
, ..., x
n
);
n
i=1
x
i
c
_
adalah daerah
kritik terbaik untuk uji H
0
: p = 1/2 lawan H
1
: p = 1/3. Gunakan
teorema limit pusat untuk menentukan n dan c sehingga
P
_
n
i=1
x
i
c; H
0
_
= 0, 10 dan P
_
n
i=1
x
i
c; H
1
_
= 0, 80 (5.48)
14. Dua sampel random yang independen masing-masing berukuran n
dari dua disribusi. Kita tolak H
0
: = 0 dan terima H
0
: > 0 jika
dan hanya jika x y c. jika K() 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, H
0
: =
dengan
bilangan tertentu dan

H
1
: <
, perlihatkan bahwa himpunan

_
(x
1
, x
2
, ..., x
n
) :
n
i=1
x
2
i
c
_
(5.49)
adalah daerah kritik paling kuat seragam uji H
0
lawan H
1
.
16. Dalam contoh 6 , H
0
: =
dengan
bilangan tertentu dan H

1
:
=
, perlihatkan bahwa tidak ada uji paling kuat seragam untuk

uji H
0
lawan H
1
.
17. Misalkan X
1,
X
2
, ..., X
25
normal n(, 100). Tentukan daerah kritik paling kuat seragam dari
ukuran = 0, 01 untuk uji H
0
: = 75 lawan H
1
: > 75
18. Misalkan X
1,
X
2
, ..., X
n
sampel random darid istribusi normal
n(, 16). Tentukan sampel berukuran n dan uji paling kuat seragam
dari H
0
: = 25 lawan H
1
: < 25 dengan kekuatan fungsi K()
sehingga K(25)
= 0, 10 dan K(23)
= 0, 90.
19. Diketahui suatu distribusi dengan f.k.p f(x; ) =
x
(1)
1x
; x = 0, 1
dan bernilai 0 untuk x yang lain. Misalkan H
0
: = 1/20 dan
H
1
: > 1/20.Gunakan teorema limit pusat untuk menentukan sam-
pel berukuran n dari sampel random sehingga uji paling kuat sera-
gam dari H
0
lawan H
1
mempunyai fungsi kekuatan K() dengan
K(1/20)
= 0, 05 dan K(1/10)
= 0, 09
20. Dalam n percobaan binomial dengan parameter p akan diuji
H
0
: p = 1/2, lawan H
1
: p = 1/2 (5.50)
Tunjukkan bahwa daerah kritik uji rasio likelihood adalah
xln 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 sama
dengan
0
lawan hipotesis alternatif tidak sama
0
. Tunjukkan daerah
kritik uji rasio likelihood adalah
xe
x/0
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 =
0
lawan alternatif =
0
. Perlihatkan bahwa nilai dari
statistik rasio likelihood dapat ditulis
=
_
1 +
t
2
n 1
_
n/2
(5.53)
dengan t =
x0
s/
n
24. Dalam contoh 2 diatas, bila n = 10, dan misalkan diperoleh x =
0, 6 dan
10
i=1
(x
i
x)
2
= 3, 6. Jika uji sama dengn contoh apakah kita
menolak atau menerima H
0
:
1
= 0 pada tingkat signikansi 5%.
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

Ebook Statmat2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ebook Statmat2

Uploaded by

Copyright:

Available Formats

STATISTIKA MATEMATIS II

; 0 < x < ; 0 < <

; 0 < x < ; 0 < <

200 = 123, 264

n adalah distribuai normal dengan

Bab 1. Distribusi Pendekatan 24 ISBN 978-602-8310-02-4

(t) kontinu di t = 0 dan jika n maka 0 maka diperoleh

x. Ini berarti limit distribusi tidak dapat ditentukan oleh fkp.

n/. Dengan menggunakan ketaksamaan Chebyshev dipe-

Catatan Syarat lim

konvergen stokastik ke-(1 p)

konvergen stokastik ke-(1 p)

; 0 < x < , 0 < <

untuk 0 < x < maka per denisi fungsi distribusi

, 0 < x < (2.22)

Y , dimana Y adalah variabel randomdengan

(X = x dan T(x) = t(x))

(X = x dan T(x) = t(x))

adalah suatu variabel random yang mempunyai fungsi proba-

disebut estimator bias.

; 0 < x < (3.21)

; 0 < x < diperoleh F(x) =

, 0 < x < sehingga

Karena E(T) = maka T adalah estimator bias. Tetapi jika dipilih

Pertama-tama kita harga harap:

Karena itu untuk sebarang estimator tak bias T(

= 0 untuk semua . Karena itu, Teorema Cramer-Rao tidak

untuk suatu fungsi a().

adalah MLE dari maka g(

) juga MLE dari g().

(x) adalah fungsi kepadatan peluang pada (0, )dengan

= 0, dengan demiian metode momen tidak mem-

n, syarat perlu adanya maksimum

= 0. Jadi calon MLE dari adalah:

Telah diperoleh: Posterior mean dari : E ( | y) =

Pertanyaan: tentukan estimator Bayes dari untuk fungsi-fungsi ke-

= X adalah ELM untuk .

; 0 < x dan0 < <

,0 x dan bernilai nol

estimator tak bias untuk dan V ar(

;0 < x < 1 dan nol untuk x yang lain.

Untuk membuktikan bahwa besaran-besaran di atas merupakan pivot, da-

dan kenyataannya bentuk pdf :

maka Q(T, ) gamma

adalah pivot dengan

terlihat dalam pdf dan ia

terlihat dan besaran ini juga

(t) menyatakan uji statistik rasio likelihood

(t) dan (t) masing-masing

() = 0, dan () = bilaP(Z > c) =

n = 0, 84 dan menyelesaikan untuk n didapat n = 4, 49. Jadi

adalah bilangan bulat posistif lawan hipotesis ga-

bilangan yang lebih besar dari

, k bilangan posisif dan C

lawan hipotesis sederhana =

. Sekarang tinggal menentukan c sehing-

mempunyai distribusi Khi-kuadrat de-

dapat ditentukan dari tabel dan c ditentukan maka C =

. Selain itu, untuk seti-

yang lebih besar dari

maka argumen otomatis terpe-

adalah bilangan lain yang lebih besar dari

. Oleh karena itu, menurut denisi