MATKUL :STATISTIKA MATEMATIKA II Dosen : Istiqomah, S.Si, M.Sc. Semsester 4 I.

PELUANG
1
Pendahuluan

alam kehidupan sehari - hari banyak kejadian yang terjadinya didasarkan pada peluang atau probabilitas, misalnya peluang seseorang terkena jantung adalah 0,00001 , peluang hasil pertandingan final sepak bola antara Perancis dan Brasilia adalah 3 - 2, dan lain sebagainya. Kejadian - kejadian seperti di atas sebenarnya tidak hanya terjadi sekarang saja, tetapi hal tersebut sudah terjadi sejak ratusan tahun yang lalu, atau mungkin juga ribuan tahun yang lalu. Namun secara ilmu baru dirumuskan sekitar abad ke tujuh belas, yaitu ketika ada seorang penjudi kelas kakap bernama Chevalier de Mere mengajukan pertanyaan kepada Pascal dan mendiskusikan kepada Fermat ( 1601 - 1665). Dengan perumusan kedua orang tersebut maka lahirlah ilmu peluang yang tidak saja menjawab tentang perjudian , tetapi juga berkembang menjadi ilmu yang bermanfaat bagi ilmu pengetahuan, khususnya statistika.

Ruang sampel dan Kejadian Pekerjaan statistikawan pada dasarnya adalah menafsirkan hasil yang mungkin dari suatu eksperimen atau percobaan yang dirancang sebelumnya atau yang muncul dalam penelitian ilmiah. Misalnya dalam pelemparan satu mata uang logam sekali maka yang muncul adalah M ( muka ) atau G ( gambar), dalam pelemparan satu mata dadu yang setimbang maka yang muncul adalah angka 1, 2, 3, 4, 5, atau 6. Definisi 1.1 Himpunan semua hasil yang mungkin muncul dari suatu percobaan disebut ruang sampel , yang dilambangkan dengan S. Definisi 1.2 Himpunan bagian dari ruang sampel disebut kejadian, yang biasanya dilambangkan dengan huruf besar. Definisi 1.3

STATISTIKA MATEMATIKA II_SEMESTER 4

Suatu kejadian yang hanya mengandung satu unsur dari ruang sampel disebut kejadian sederhana. Suatu kejadian majemuk adalah kejadian yang dapat dinyatakan sebagai gabungan beberapa kejadian.

Menghitung titik sampel Salah satu problem yang dihadapi para peneliti adalah menentukan banyaknya anggota ruang sampel dari suatu percobaan. Dalam banyak hal penentuan anggota ruang sampel tidaklah mudah, tetapi kadang-kadang juga sulit, misalnya berapa banyaknya nomor kendaraan yang dapat dibuat jika ketentuannya sebagai berikut. Nomor kendaraan tersebut diawali dengan satu huruf, diikuti oleh empat angka dan diakhiri oleh dua huruf dengan masing-masing angka dan huruf hanya digunakan sekali dan angka nol tidak boleh didepan. Untuk memudahkan penghitungan banyaknya anggota ruang sampel dapat digunakan teorema-teorema sebagai berikut. Teorema 1.1 Jika suatu operasi dapat dilakukan dengan n cara, dan jika pada setiap cara tersebut operasi kedua dapat dilakukan dengan m cara, maka kedua operasi itu dapat dikerjakan bersama-sama dengan nm cara. Bukti : Karena setiap n dapat berpasangan dengan setiap m, maka banyaknya pasangan yang dapat terjadi adalah nm cara Contoh : Misalkan seseorang mempunyai 3 celana dengan warna berbeda dan 4 baju dengan warna yang berbeda pula. Ada berapa cara orang tersebut memakai pasangan baju dan celana pasangan tersebut berbeda ?. ( Jawab : 3.4 = 12 ) Definisi 1.4 Permutasi adalah suatu susunan yang dapat dibentuk dari sekumpulan obyek yang diambil sebagian atau seluruhnya. Misalnya ada tiga huruf A, B, dan C maka susunan yang dapat dibuat adalah ABC, ACB, BAC, BCA, CAB, dan CBA. Susunan semacam di atas disebut permutasi penuh atau permutasi saja. Secara umum untuk n obyek yang berbeda terdapat n(n-1).3.2.1 susunan yang berbeda. Pergandaan semacam di atas biasanya dinotasikan dengan n ! ( dibaca n faktorial atau n fakultet ). Teorema 1.2 0!=1 Bukti : Dari definisi n! = n.(n 1 ).(n 2) 3.2.1 = n . ( n 1 ) ! didapat maka didapat 0! = 1. Teorema 1.3
STATISTIKA MATEMATIKA II_SEMESTER 4

dengan setiap

= ( n 1 ) !. Jika n = 1

Banyaknya permutasi dari n obyek yang berbeda adalah n ! Bukti : Anggap ada n tempat yang masing masing tempat akan diisi satu obyek, sehingga tempat satu dengan yang lain berisi obyek yang berbeda. Dengan cara seperti di atas maka tempat pertama dapat diisi dari pilihan n obyek sedangkan tempat ke dua dapat diisi dari n 1 pilihan, dan seterusnya sebagaimana gambaran di bawah. n n-1 n-2 . . . . . . 3 2 1

Dengan menggunakan teorema 1.1 didapat hasil pergandaan dari n.(n-1).3.2.1 atau n!. Contoh : Misalnya dalam antrian loket untuk mendapatkan karcis pertunjukkan sepak bola terdapat 5 orang. Ada berapa cara orang tersebut membentuk antrian yang berbeda ? cara ) Teorema 1.4 Banyaknya permutasi dari n obyek yang berbeda jika diambil r nPr =. Bukti : Anggap ada r tempat dengan masing-masing tempat hanya dapat diisi dengan obyek yang berbeda, maka didapat hasil seperti gambar di bawah. n n-1 n-2 . . . . . . . . n-r+1 n adalah ( Jawab : 5 ! = 5.4.3.2.1 = 120

Dengan menggunakan teorema 1.1 didapat hasil pergandaan dari n.(n-1)..(n-r+1) atau Contoh : Misalnya ada 7 orang sebagai formatur yang dapat dipilih menjadi pengurus organisasi dengan susunan pengurus sebagai berikut: satu orang sebagai ketua, satu orang sebagai sekretaris, dan satu orang sebagai bendahara. Ada berapa susunan pengurus yang berbeda dapat dibuat ?. ( Jawab : = 7.6.5 = 210 ) Teorema 1.5 Banyaknya permutasi n obyek yang berlainan yang disusun melingkar adalah ( n - 1 ) !. Bukti : Jika ada n obyek yang berbeda akan disusun melingkar pada n tempat maka tinggal n-1 tempat yang bebas dapat ditempati n-1 obyek. Sehingga susunan berbeda yang dapat terjadi adalah ( n-1) !. Contoh : Misalnya ada 6 orang membentuk konferensi meja bundar. Ada berapa cara susunan cara duduk ke enam orang tersebut ?. ( Jawab : ( 6 1 ) ! = 5 ! = 120 ).

STATISTIKA MATEMATIKA II_SEMESTER 4

Teorema 1.6 Banyaknya permutasi dari n obyek yang terdiri atas n1, ., nk adalah , dengan n = Bukti : Anggap jika n obyek tersebut berbeda, maka susunan yang terjadi adalah n!. Karena setiap ni juga membentuk susunan sebanyak ni! Yang mestinya hanya dihitung satu. Maka banyaknya susunan berbeda yang terjadi adalah atau sama dengan . Contoh : Misanya dalam perayaan peringatan hari kemerdekaan yang akan dilaksanakan pada bulan yang akan datang, didepan gang masuk kampung akan dipasang lampu hias yang terdiri 3 lampu warna merah, 2 lampu warna hijau, 4 lampu warna kuning, dan 1 lampu warna biru. Jika lampu lampu tersebut disusun secara berjajar, ada berapa susunan lampu hias yang dapat dibuat ?. ( Jawab : ). Teorema 1.7 Banyaknya kombinasi dari n obyek yang berbeda jika diambil r Bukti : Untuk kombinasi urutan AB = BA. Jika dianggap urutan AB tidak sama dengan urutan BA maka banyaknya urutan yang terjadi sama dengan kejadian pada teorema 1.4 yaitu . Karena setiap r obyek dapat menyusun r! susunan yang berbeda maka banyak susunan yang terjadi dari kasus kombinasi adalah . Contoh : Misalnya ada 7 orang sebagai formatur yang semuanya dapat dipilih untuk menjadi pengurus suatu organisasi yang terdiri 3 orang. Ada berapa susunan pengurus yang dapat dibuat ?. ( Jawab : = 7 . 5 = 35 ). n adalah

Peluang Kejadian Pada dasarnya tugas statistikawan adalah menyimpulkan atau menginferensi hasil suatu percobaan yang mengandung ketidakpastian. Agar kesimpulan tersebut dapat dipertanggung jawabkan secara ilmiah maka diperlukan pemahaman ilmu peluang. Untuk dapat menjawab dengan tepat hasil pertandingan final sepak bola yang akan dilaksanakan diperlukan ilmu peluang tentang sepak bola beserta analisisnya yang dapat dinyatakan sebagai peluang. Didalam merumuskan peluang suatu kejadian ada tiga cara yang dapat digunakan yaitu :

Cara klasik Misalnya banyaknya anggota ruang sampel adalah n dan banyaknya anggota kejadian A adalah m maka peluang terjadinya kejadian A yang dinotasikan dengan P(A) adalah m/n. Misalnya peluang munculnya angka gasal pada pelemparan satu mata dadu yang setimbang adalah .

STATISTIKA MATEMATIKA II_SEMESTER 4

Sedangkan peluang munculnya dua gambar pada pelemparan dua mata uang logam sekali adalah .

Cara frekwensi relative Jika suatu percobaan dilakukan sebanyak n ( n ) dan kejadian A yang diamati pada percobaan

tersebut terjadi sebanyak m maka P( A ) = .Misalnya pada pelemparan mata uang dilakukan sebanyak 1000 kali, dari pelemparan tersebut banyaknya muka muncul 506 kali, maka peluang munculnya muka adalah 506 / 1000 3. Cara subyektif Banyaknya peluang dalam kejadian sehari - hari yang tidak dapat ditentukan dengan kedua cara di atas, misalnya berapa peluang nanti sore akan hujan ? Untuk menjawab pertanyaan tersebut diperlukan seorang ahli yang dapat memperkirakan dengan baik kapan terjadinya hujan. Peluang yang ditentukan seperti di atas disebut peluang secara subyektif. Definisi 1.6 Jika A suatu kejadian dan S merupakan ruang sampel, maka 0 P( ) = 0, P ( S ) = 1. P(A) 1, 0,5.

Beberapa Hukum Peluang Dalam banyak kasus yang terdiri atas beberapa kejadian, untuk menentukan nilai peluang yang satu dapat ditentukan dengan peluang yang lain. Untuk itu diperlukan teorema sebagai berikut. Torema 1.8 Jika A dan B dua kejadian sebarang , maka P ( A Bukti : Dari teori himpunan diperoleh n ( A dibagi dengan n ( S ) maka didapat atau P(A B)=P(A)+P(B)-P(AB) B ) = P ( A ) + P ( B ). B ) = n ( A) + n ( B ) n ( A B ). Jika kedua ruas B)=P(A)+P(B)-P(AB)

Akibat : Jika A dan B saling lepas, maka P ( A Bukti : Karena A dan B saling lepas maka A P(A B ) = P ( A ) + P ( B ). B=

, sehingga P ( A B )= 0 dan

Teorema 1.9 Jika A dan A kejadian yang saling berkomplemen, maka P ( A ) = 1 - P ( A ). Bukti : Dari teori himpunan diketahui A P (A A = S, dan A A = sehingga didapat A ) = P ( A ) + P ( A ) = P ( S ) = 1, yang berarti didapat P( A ) = 1 P ( A ).
STATISTIKA MATEMATIKA II_SEMESTER 4

Contoh : Misalkan sebuah dadu ditos sekali. Berapa probabilitas bahwa mata dadu yang keluar lebih besar sama dengan 2 ?. Jawab : Misalkan A = kejadian mata dadu yang keluar lebih besar sama dengan 2, maka mata dadu yang keluar satu. Berarti P ( A ) = 1/6, sehingga P ( A ) = 1 1/6 = 5/6. A = kejadian

Peubah Acak Dari percobaan pelemparan dua mata uang logam yang setimbang sebanyak sekali maka didapat S = { MM, MG, GM, GG }. Misalnya X adalah fungsi dengan domain S yang didefinisikan X (MM) = 0 , X (GM) = X (MG) = 1, dan X (GG) = 2. Ini berarti X merupakan fungsi bernilai real dengan domain S. Definisi 1.7 Fungsi bernilai real yang domainnya ruang sampel disebut peubah acak atau variabel random. Definisi 1.8 Jika banyaknya nilai dari peubah acak berhingga atau sama dengan banyaknya bilangan asli maka peubah acak tersebut disebut tipe diskret. Definisi 1.9 Jika banyaknya nilai peubah acak sama dengan banyaknya titik dari sepenggal garis atau sama dengan banyaknya titik bilangan real maka peubah acak tersebut disebut tipe kontinu.

1.7 Distribusi Peluang Peubah Acak Diskret Kadang - kadang dalam banyak kasus diinginkan bentuk distribusi dari suatu peubah acak, misalnya jika seseorang mempunyai tiga anak, bagaimana distribusi peluang dari peubah acak banyaknya anak laki - laki dari ketiga anak tersebut. Misalnya X = banyaknya anak laki-laki , maka distribusi peluangnya adalah sebagai berikut : X P(X=x) 0 1/8 1 3/8 2 3/8 3 1/8

1.8 Fungsi Kepadatan Peluang ( fkp) / Pdf (Probability Density Function) Definisi 1.10 Peubah acak X tipe diskret dikatakan mempunyai fkp atau pdf ( probability density function ) f(x) jika 1. f(x) 0, =1 x

Jika X peubah acak tipe diskret maka memenuhi sifat sebagai berikut 1.P ( X = x ) = f (x ) 2. P ( A ) = Contoh : Misalkan f ( x ) = , x = 1, 2, 3 dan nol untuk yang lain merupakan pdf dari peubah acak X.
STATISTIKA MATEMATIKA II_SEMESTER 4

a b c d

berapakah k hitung P ( X = 2 ) hitung P ( X > 2 ) hitung P ( X 2)

Jawab :
a b c d

Dari syarat pdf ke-dua maka didapat atau 6k = 12 , sehingga k = 2. Dari a) berarti f ( x ) = , sehingga P ( X = 2 ) = f ( 2 ) = P(X>2)=P(X=3)=f(3)= P(X 2)=P(X=1)+P(X=2)=

Definisi 1.11 Peubah acak X tipe kontinu dikatakan mempunyai fkp f ( x ) jika

1 2
1 2

f(x) =1

0,

Jika X peubah acak tipe kontinu maka mempunyai sifat sebagai berikut P(X=x)=0 P(A)=

Contoh : Misalkan f ( x ) = kx , 0 < x < 1 dan nol untuk yang lain merupakan pdf dari X.
a b c d

hitung k hitung P ( X = 0,5 ) hitung P ( X < 0,5 ) hitung P ( X > 0,3 )

Jawab :
a b c d

atau k = 2 P ( X = 0,5 ) = 0 P ( X < 0,5 ) = = ( 0,5 )2 0 = 0,25 P ( X > 0,3 ) = = 1 ( 0,3 )2 = 1 0,09 = 0,91

Fungsi Distribusi / Distribusi Kumulatif Misalkan peubah acak X mempunyai fkp f ( x ), dan x adalah bilangan real sehingga P(A)=P(X A)= P(X x ), maka peluang seperti di atas disebut distribusi kumulatif dari

peubah acak X yang dinotasikan F ( x ). Definisi 1.12 Jika peubah acak X mempunyai fkp f (x ) maka distribusi kumulatif dari X adalah

1 2

F ( x ) = , jika X diskret F ( x ) = dy , jika X kontinu

Contoh : Tentukan distribusi komulatif dari peubah acak yang mempunyai pdf sebagai berikut :
STATISTIKA MATEMATIKA II_SEMESTER 4

1 2 3 4

f ( x ) = 1 untuk 0 < x < 1 dan nol untuk yang lain f( x ) = e-x untuk x > 0 dan nol untuk yang lain f( x ) = untuk x = 1 , 2, 3 dan nol untuk yang lain f ( x ) = untuk x = 1 , 2 , 3 dan nol untuk yang lain

Jawab :
1

F ( x ) = = x untuk 0 < x < 1

1.10 Ekspektasi Matematik Salah satu dari sekian banyak penggunaan konsep dalam problem distribusi peubah acak adalah ekspektasi matematik. Misalnya X adalah peubah acak yang mempunyai fkp f ( x ) dan misalnya u ( x ) adalah fungsi dari x sehingga ada untuk X kontinu dan ada jika X diskret. Integral dan jumlahan di atas disebut ekspektasi matematik, yang dinotasikan E [ u ( x ) ]. Definisi 1.13 Jika peubah acak X mempunyai fkp f ( x ) maka E ( X ) disebut mean dari peubah acak dan E ( X - E ( X ) )2 dinamakan varians atau ragam, ditulis var ( X ). Teorema 1.10 E ( X - E ( X ) )2 = E ( X 2 ) - ( E ( X ) )2 Teorema 1.11

1 E(aX)=aE(X) 2 E(X+a)=E(X)+a 3 var ( a X ) = a2 var ( X ) 4 var ( X + a ) = var ( X )

Definisi 1.14 : Moment Generating Function ( MGF) Fungsi pembangkit momen dari peubah X yang mempunyai fkp f ( x ) adalah E ( etx ) , - h < t < h untuk h bilangan real positif, yang dinotasikan M ( t ). Teorema 1.12 Jika peubah acak X mempunyai fungsi pembangkit momen M ( t ) maka M(n) ( 0 ) = E ( Xn ). Definisi 1.15 Jika peubah acak X mempunyai mean kemencengan atau skewness. Definisi 1.16 Jika peubah acak X mempunyai mean keruncingan atau kurtosis. dan varians
2

dan varians

sehingga E ( X -

) 3 ada maka disebut

sehingga E ( X -

) 4 ada maka disebut

Pertidaksamaan Chebyshev
STATISTIKA MATEMATIKA II_SEMESTER 4

Dalam bagian ini akan dibahas tentang teorema yang dapat digunakan untuk menghitung peluang suatu peubah acak jika tidak diketahui fkp nya, tetapi diketahui mean dan variansnya saja. Teorema 1.13 Misalkan u ( X ) fungsi non negatif dari peubah acak X. Jika E ( u ( X ) ) ada maka untuk setiap konstanta c berlaku P ( u ( X ) c) .
2

Teorema 1.14 ( Teorema Chebyshev ) Misalkan peubah acak X mempunyai distribusi peluang dengan mean untuk setiap k > 0 berlaku P ( P( Xk ) X1 - 1/ k2 k ) 1/ k2 atau dan varians . Maka

Soal - soal latihan

1 2 3 4

Buktikan a . = 2 n

b.

Buktikan = - log ( 1 - x ) , - 1 < x < 1 Buktikan a. = k ( k + 1 ) b . = 1/6 k ( k + 1 ) ( 2k + 1 )

Jika A dan B suatu kejadian maka buktikan

a b 1 a b c d 1 a b 1 a b 1

P(A P(A

B)=P(A)-P(A B ) = 1 - P ( A B )

B)

Misalkan P ( A ) = P ( B ) = 1/3 dan P ( A P ( B ) PA P(B P ( A B ) A ) B )

B ) = 1/10. Hitung

Misalkan P ( A ) = , P ( B ) = 1/8 , dan P ( C ) = , dengan A , B , dan C saling lepas. Hitung P(A P ( A B B C) C )

Untuk bilangan bulat positif n > r , buktikan

Peubah acak tipe diskret mempunyai

a b 1

f ( x ) = k ( ) x , x = 1, 2, 3 dan nol untuk yang lain . Tentukan nilai k agar f ( x ) merupakan fkp. Apakah fungsi yang berbentuk f ( x ) = k [ ( ) x - ] , untuk x = 0, 1, 2 merupakan fkp ?

Peubah acak tipe diskret X mempunyai fkp f ( x ) = c ( 8 - x ) , untuk x = 0, 1, 2, 3, 4, 5 dan nol untuk yang lain.

a b c d

Tentukan konstanta c Tentukan distribusi komulatifnya Hitung P ( X > 2 ) Hitung E ( X )

STATISTIKA MATEMATIKA II_SEMESTER 4

Peubah acak X mempunyai distribusi komulatif F ( x ) = 1 - ( ) x + 1 , x = 0, 1, 2, dan nol untuk yang lain.

a b c 1

Tentukan fkp dari X Hitung P ( 10 < X Hitung P ( X genap ) 20 )

Misalkan peubah acak diskret X memenuhi sifat P ( X = x ) > 0, jika x = 1, 2, 3 atau 4 dan P ( X = x ) = 0, untuk yang lain. Misalkan distribusi komulatif

F ( x ) = 0.05 x ( 1 + x ) untuk nilai x = 1, 2, 3, atau 4.

a b c 1

Buat grafik dari distribusi komulatifnya Buat grafik dari fkp-nya Hitung E ( X )

Peubah acak X tipe kontinu mempunyai fkp f ( x ) = c ( 1 - x ) x 2 , jika 0 < x < 1 dan nol untuk yang lain.

a b 1

Tentukan konstanta c Hitung E ( X )

-(k+1)

Suatu fungsi f ( x ) mempunyai bentuk sebagai berikut f ( x ) = k x untuk yang lain.

, jika

x > 1, dan nol

a b c 1 a b 1 a b c d e 1 a b c d e 1

Untuk nilai k yang mana agar f ( x ) merupakan fkp ?. Tentukan distribusi komulatif berdasar hasil a. Untuk nilai k yang mana agar E ( X ) ada ?. F ( x ) = ( x 2 + 2 x + 1 ) / 16 ; -1 F(x)=1-ex

Tentukan fkp dari suatu peubah acak jika diketahui distribusi komulatifnya adalah x 0; 3. > 0.

xe-

;x

Peubah acak X mempunyai distribusi komulatif F ( x ) = Buat grafik dari F ( x ) Buat grafik dari f ( x ) Hitung P ( X Hitung P ( X ) )

Hitung P ( X < 1,25 )

Peubah acak X tipe kontinu mempunyai fkp f ( x ) = 2x / 9, 0 < x < 3 , dan nol untuk yang lain. Tentukan distribusi komulatif dari X Hitung P ( X < 2 ) Hitung P ( - 1 < X < 1,5 ) Tentukan m sehingga P ( X Hitung E ( X ) m)=P(X m)

Peubah acak X mempunyai fkp f ( x ) =

STATISTIKA MATEMATIKA II_SEMESTER 4

a b 1 1 2

Tentukan median dari X Buat grafik dari distribusi komulatif dari X

Misalkan peubah acak X untuk x > 0 tipe kontinu dengan fungsi distribusi F ( x ) dan E ( X ) ada. Buktikan E ( X ) = Gunakan pertidaksamaan Chebychev untuk menentukan batas bawah 7/8 ) jika X mempunyai fkp f ( x ) = 3 x 2 , 0 , x < x < 1 Jika A1, A2, .. merupakan himpunan-himpunan sehingga Ak dan didefinisikan sebagai union dari A1 A2 A3 3 - 1/k } , k = 1, 2, 3, x2+y2 4 - 1/k } , k = 1, 2, 3, . Ak + 1 untuk A2 A3 k = 1, 2, Ak + 1 untuk k = 1, 2, P ( 5/8 < X <

.. , maka tentukan jika

a b

Ak = { x / 1/k

Ak = { ( x , y ) / 1/k

21. Jika A1, A2, .. merupakan himpunan-himpunan sehingga Ak dan didefinisikan sebagai interseksi dari jika 2 } , k = 1, 2, 3, A1

.. , maka tentukan

a b c 1 1

Ak = { x / 2 - 1/k Ak = { x / 2 < x Ak = { ( x , y ) / 0

2 + 1/k } , k = 1, 2, 3, . x2+y2 1/k } , k = 1, 2, 3, .

Misalkan f ( x ) = x/15 , x = 1, 2, 3, 4, 5 dan nol untuk yang lain merupakan fkp dari peubah acak X. Tentukan a) P ( X = 1 atau X = 2 ) Untuk setiap fkp di bawah ini hitung P ( b ) P ( < X < 5/2 ) X < 1 ) dan P ( X 2 < 9 )

a b 1 1

f ( x ) = x 2/18 , -3 < x < 3 , dan nol untuk yang lain f ( x ) = ( x + 2 ) / 18 , - 2 < x < 4 , dan nol untuk yang lain

Misalkan f ( x , y ) = 4 xy , 0 < x < 1 , 0 < y < 1 ,dan nol untuk yang lain merupakan fkp bersama antara X dan Y. Tentukan P ( 0 < X < , < Y < 1 ) dan P ( X = Y ). Modus dari distribusi suatu peubah acak X adalah nilai x yang memaksimumkan fkp berikut tentukan modusnya f ( x ) = ( ) x , x = 1, 2, 3, .. ,dan nol untuk yang lain f ( x ) = 12 x 2 ( 1 - x ) , 0 < x < 1 , dan nol untuk yang lain f ( x ) = ( ) x 2e - x , x > 0 , dan nol untuk yang lain dan P ( X x) f ( x ). Dari fkp

a b c 1

Median dari distribusi suatu peubah acak X adalah nilai x sehingga P ( X < x )

. Tentukan median dari masing - masing distribusi yang mempunyai fkp berikut :

a b c

f ( x ) = , x = 0, 1, 2, 3, 4, dan nol untuk yang lain. f ( x ) = 3 x 2 , 0 < x < 1 , dan nol untuk yang lain. f(x)=.
STATISTIKA MATEMATIKA II_SEMESTER 4

Misalkan f ( x ) merupakan fkp dari peubah acak X. Tentukan fungsi distribusi komulatif ) F ( x ) dan buat grafiknya dari fkp berikut.

( distribusi

a b c d e f 1 1 2 3 4

f ( x ) = 1 , x = 0 , dan nol untuk yang lain. f ( x ) = 1/3 , x = -1, 0, 1 , dan nol untuk yang lain. f ( x ) = x/15 , x = 1, 2, 3, 4, 5 dan nol untuk yang lain. f ( x ) = 3 ( 1 - x 2 ) , 0 < x < 1 , dan nol untuk yang lain. f ( x ) = 1/x 2 , x > 1 , dan nol untuk yang lain. f ( x ) = 1/3 , 0 < x < 1 atau 2 < x < 4 , dan nol untuk yang lain.

Misalkan f ( x ) = 1 , 0 < x < 1 , dan nol untuk yang lain merupakan fkp dari X. Tentukan fungsi distribusi dan fkp dari Y = X.

Misalkan f ( x ) = x/6 , x = 1, 2, 3 ,dan nol untuk yang lain merupakan fkp dari X. Tentukan fungsi distribusi dan fkp dari Y = X 2. Misalkan X dan Y mempunyai fkp f ( x , y ) = 1 , 0 < x < 1 , 0 < y < 1, dan nol untuk yang lain. Tentukan fkp dari Z = XY. Misalkan peubah acak X mempunyai fkp f ( x ) = ( x + 2 ) /18 , -2 < x < 4 , dan nol untuk yang lain. Tentukan E ( X ) , E [ ( X + 2 ) 2 ], dan E [ 6 X - 2 ( X + 2 ) 3 ]. Misalkan fkp bersama antara X dan Y adalah f ( x, y ) = e -x - y , x > 0 , y > 0 , dan nol untuk yang lain. Ambil u ( X , Y ) = X , v ( X , Y ) = Y, dan w ( X , Y ) = XY . Buktikan E [u ( X , Y ) ]. E [v ( X , Y ) ] = E [w ( X , Y ) ].

Misalkan peubah acak X tipe kontinu mempunyai fkp f ( x ). Jika m adalah median yang tunggal dari X dan b konstanta real , maka buktikan E( X-b )=E( X-m )+2

1 1

Misalkan peubah acak X memenuhi sifat E [ ( X - b ) 2 ] ada untuk semua b. Buktikan E [ ( X - b ) 2 ] minimum jika b = E ( X ). Misalkan peubah acak X mempunyai mean X) 3 ]/
3 2

dan varians

sehingga E [ ( X -

) 3 ] ada maka E [ (

dinamakan ukuran kemiringan ( Skewness ). Tentukan ukuran kemiringan dari distribusi

yang mempunyai fkp sebagai berikut.

a b c 1
X -

f ( x ) = ( x + 1 ) / 2 , - 1 < x < 1 , dan nol untuk yang lain. f ( x ) = , -1 < x < 1 , dan nol untuk yang lain. f ( x ) = ( 1 - x ) / 2 , - 1 < x < 1 , dan nol untuk yang lain. dan varians
2

Misalkan peubah acak X mempunyai mean )

4

sehingga E [ ( X -

) 4 ] ada maka E [ (

]/

dinamakan ukuran keruncingan ( Kurtosis ). Tentukan ukuran keruncingan dari

distribusi yang mempunyai fkp sebagai berikut.

a b

f ( x ) = , - 1 < x < 1 , dan nol untuk yang lain. f ( x ) = 3 ( 1 - x 2 ) / 4 , - 1 < x < 1 , dan nol untuk yang lain.

STATISTIKA MATEMATIKA II_SEMESTER 4

I PELUANG BERSYARAT DAN BEBAS STOKASTIK

1
Pendahuluan

D
alam kehidupan sehari-hari banyak dijumpai bahwa suatu kejadian tidak tunggal, tetapi mungkin dijumpai beberapa kejadian yang satu dengan yang lain mungkin saling mempengaruhi atau yang satu dengan yang lain saling bebas. Demikian juga ada kejadian yang terjadinya terjadi setelah kejadian lain terjadinya diketahui. Pada bab ini akan dibahas tentang peluang bersyarat, teorema Bayes, distribusi marginal, distribusi bersyarat, bebas stokastik, kovarians, dan korelasi.

Peluang Bersyarat Misalkan A dan B kejadian yang terjadinya bersama-sama dengan kejadian B diketahui terjadinya terlebih dahulu. Peluang terjadinya A jika diketahui B terjadi dahulu disebut peluang bersyarat, yang dinotasikan P ( A / B ). Definisi 2.1 Jika A dan B dua kejadian yang terjadi bersama-sama maka peluang terjadinya A dengan syarat B yaitu . Dari pengertian kejadian yang saling bebas berarti jika A dan B dua kejadian yang saling bebas maka P ( A / B ) = P ( A ) maka dengan menggunakan definisi 2.1 didapat hubungan P ( A (A).P(B) Teorema Bayes Jika C1, ., Cm kejadian yang saling lepas dan C adalah kejadian yang merupakan subset dari union C1, ., Cm maka B) =P

1 2 1

P ( C ) = , i = 1, 2, ., m P ( Ci / C ) =

Distribusi Marginal dan Bersyarat Misalkan f ( x,y ) merupakan fkp bersama dari peubah acak X dan Y maka fkp marginal dari X adalah f(x)= , untuk kasus diskret

= , untuk kasus kontinu Sedangkan fkp bersyarat dari X jika Y = y diketahui adalah f ( x/y ) =

STATISTIKA MATEMATIKA II_SEMESTER 4

Ada kalanya diinginkan untuk mengetahui nilai Y jika X = x diketahui. Hal ini dapat ditentukan dengan menghitung nilai mean bersyarat yaitu E ( Y / x ) yang didefinisikan E ( Y / x ) = kasus diskret = , untuk kasus kontinu dan varians bersyarat var ( Y / x ) = E { [ Y - E ( Y / x ) ] 2 / x } , untuk

Koefisien Korelasi Banyak dijumpai dalam kehidupan sehari-hari bahwa peubah acak yang satu dengan yang lain mungkin saling mempengaruhi atau tidak. Misalkan peubah acak X dan Y masing-masing mempunyai mean
1 dan 2 2 1 2 2

serta varians

dan

, maka

E ( XY ) -

disebut kovarians dari X dan Y,

yang dinotasikan dengan yang didefinisikan Teorema 2.1 =

cov ( X , Y ) , sedangkan koefisien korelasi dari X dan Y dinotasikan

Nilai koefisien korelasi dari peubah acak X dan Y adalah - 1 pembangkit momennya yang didefinisikan E ( etx + sy ) dengan kan k bilangan bulat positif.

1.

Untuk dua peubah acak X dan Y yang mempunyai fkp bersama f ( x , y ) dapat ditentukan fungsi - h < t < h dan - k < s < k, untuk h

Bebas Stokastik Misalkan X dan Y dua peubah acak yang mempunyai fkp bersama f ( x , y ) dan fkp marginal masing - masing f ( x ) dan f ( y ). Dari definisi distribusi bersama misalkan f ( x / y ) tidak tergantung dari y maka didapat Definisi 2. Misalkan X dan Y dua peubah acak yang mempunyai fkp bersama f ( x , y ) dan fkp marginal dari X adalah f ( x ) dan marginal dari Y adalah f ( y ). Peubah acak X dan Y dikatakan saling bebas stokastik jika f ( x , y ) = f ( x ). f ( y ) Teorema 2.2 Jika X dan Y peubah acak yang bebas stokastik dengan fkp marginal f ( x ) dan f ( y ) maka P ( a < f ( x , y ) = f ( x/y) f ( y ) dan

f(x,y)=f(x)f(y)

X < b , c < Y < d ) = P ( a < X < b ) P ( c < Y < d ) untuk setiap a < b dan c < d, dengan a, b, c, dan d konstanta. Teorema 2.3 Misalkan peubah acak X dan Y mempunyai fkp bersama f ( x , y ). Maka X dan Y bebas stokastik jika dan hanya jika f ( x , y ) dapat dinyatakan sebagai hasil pergandaan fungsi non negatif dari x dan fungsi non negatif y, yaitu Soal - soal latihan : f(x,y)=g(x).h(y) P (C2

1 2

Jika P ( C1 ) > 0 dan jika C2 , C3, .. saling lepas maka buktikan .. / C1 ) = P ( C2 / C1 ) + P ( C3 / C1 ) + Misalkan X dan Y mempunyai fkp bersama f ( x , y ) = x + y , 0 < x < 1 dan

C3

0 < y < 1 , dan nol

untuk yang lain. Tentukan mean dan varians bersyarat dari Y jika diberikan X = x , 0 < x < 1.
STATISTIKA MATEMATIKA II_SEMESTER 4

Misalkan f ( x / y ) = cx / y 2 , 0 , x < y , 0 < y < 1 , dan nol utnuk yang lain , dan f ( y ) = d y 4 , 0 < y < 1 ,dan nol untuk yang lain masing -masing merupakan fkp bersyarat dan fkp marginal. Tentukan

a c 1 1

konstanta c dan d

b fkp bersama antara X dan Y

P ( < X < / Y = 5/8 )

d P(<X<)
Misalkan f ( x , y ) = 21 ( x y ) 2 , 0 < x < y < 1 , dan nol untuk yang lain merupakan fkp bersama antara X dan Y. Tentukan mean dan varians bersyarat dari X jika Y = y , 0 < y < 1. Jika X dan Y adalah peubah acak tipe diskret yang mempunyai fkp bersama f(x,y)=(x+2

y ) / 18 , ( x , y ) = ( 1 , 1 ) , ( 1 , 2 ) , ( 2, 1) , ( 2 , 2 ) , dan nol untuk yang lain. Tentukan mean dan varians bersyarat dari Y jika diberikan X = x untuk x = 1 atau 2.

Misalkan X dan Y mempunyai fkp bersama

a c 1

f ( x , y ) = 1/3 , ( x , y ) = ( 0 , 0 ) , ( 1 , 1 ) , ( 2 , 2 ) , dan nol untuk yang lain

b f ( x , y ) = 1/3 , ( x , y ) = ( 0 , 2 ) , ( 1 , 1 ) , ( 2 , 0 ) , dan nol untuk yang lain

f ( x , y ) = 1/3 , ( x , y ) = ( 0, 0 ) , ( 1 , 1 ) , ( 2 , 0 ) , dan nol untuk yang lain Tentukan koefisisen korelasi dari peubah acak X dan Y Misalkan f ( x , y ) = 2 , 0 < x < y , 0 < y < 1 , dan nol untuk yang lain merupakan fkp bersama dari X dan Y . Buktikan E ( Y / x ) = ( 1 + x ) / 2 , 0 < x < 1 dan dan koefisien korelasi antara X dan Y adalah . E(X/y)=y/2,0<y<1,

1 2 3 4 5

Misalkan X dan Y mempunyai fkp bersama f ( x , y ) = 1 , -1 < y < x , 0 < x < 1 dan nol untuk yang lain. Buktikan E ( Y / x ) merupakan garis lurus dan E ( X / y ) bukan merupakan garis lurus. Buktikan peubah acak X dan Y yang mempunyai fkp bersama f ( x , y ) = 12 xy (

1 - y ) , 0 < x < 1 , 0 < y < 1, dan nol untuk yang lain merupakan independen stokastik. Jika peubah acak X dan Y mempunyai fkp bersama f ( x , y ) = 2 e - x - y , 0 < x < y , y > 0 , dan nol untuk yang lain. Buktikan X dan Y independen stkastik. Misalkan f ( x , y ) = 1/16 , x = 1, 2, 3, 4 dan y = 1, 2, 3, 4 dan nol untuk yang lain. Buktikan X dan Y independen stokastik. Tentukan P ( 0 < X < 1/3 , 0 < Y < 1/3 ) jika peubah acak X dan Y mempunyai fkp bersama f ( x , y ) = 4 x ( 1 - y ) , 0 < x < 1 , 0 < y < 1 dan nol untuk yang lain.

STATISTIKA MATEMATIKA II_SEMESTER 4

III. DISTRIBUSI HAMPIRAN

alam bab sebelumnya telah dibahas tentang distribusi dari statistik yang diperoleh , misalkan Yn = Xi berdistribusi binomial b(n , p) jika Xi independen stokastik berdistribusi bernoulli b( 1 , p ). Demikian juga n = berdistribusi normal N( ,2/n ) jika Xi merupakan sampel acak dari distribusi normal N( ,2 ). Dari dua contoh di atas terlihat bahwa distribusi dari statistik yang diperoleh tergantung dari ukuran sampel n. Pada bab ini akan dibahas suatu distribusi dari statistik yang tidak tergantung dari n.

Distribusi yang akan dibahas biasanya dinamakan distribusi hampiran ( limiting distribution). Definisi :

STATISTIKA MATEMATIKA II_SEMESTER 4

Misalkan Fn(y) merupakan distribusi komulatif dari peubah acak Yn yang tergantung dari n, dengan n bilangan bulat positif. Jika F(y) sehingga untuk n merupakan distribusi komulatif

untuk setiap titik y , dan F(y) kontinu, maka peubah acak Yn

dinamakan mempunyai distribusi hampiran dengan distribusi komulatif F(y). Contoh : Misalkan Yn adalah order statistik ke-n dari sampel acak X1, ., Xn yang berasal dari distribusi dengan pdf f(x) = 1/ pdf dari Yn adalah gn( y ) = Gn( y ) = maka maka G(y) = Definisi : Distribusi komulatif G(y) dinamakan degenarate distribution pada nilai y = c jika G(y) = Definisi : Barisan peubah acak Y1 , Y2 , . Dikatakan konvergen stokastik ke konstanta c distribusi hampiran dari Yn adalah degenerate pada y = c. Teorema : Misalkan Fn(y) merupakan distribusi komulatif dari peubah acak Yn yang distribusinya tergantung dari n. Misalkan c adalah konstanta yang tidak tergantung dari n. Peubah acak Yn dikatakan konvergen stokastik ke c jika hanya jika untuk > 0 berlaku jika ,0<x< ,0<y< , > 0 , dan nol untuk yang lain. Maka

dan nol untuk yang lain

Teorema : Misalkan Yn mempunyai distribusi komulatif Fn(y) dan fungsi pembangkit momen M( t; n) ada untuk - h < t < h dan semua n. Jika terdapat distribusi komulatif F(y) yang bersesuaian dengan fungsi pembangkit momen M(t) sehingga F(y). Teorema Limit Pusat : maka Yn mempunyai distribusi hampiran

STATISTIKA MATEMATIKA II_SEMESTER 4

Misalkan X1, , Xn merupakan sampel acak dari distribusi yang mempunyai mean dan varians 2. Maka peubah acak distribusi hampiran normal baku. Bukti : Definisikan MX- (t) = m(t). Soal - soal latihan : Yn = mempunyai

Misalkan Xn berdistribusi gamma dengan parameter

= n dan

, dengan

tidak tergantung dari n.

Misalkan Yn = Xn / n , maka tentukan distribusi hampiran dari Yn.

Misalkan Zn berdistribusi Kai-kuadrat dengan derajat bebas n dan Wn = Zn /n . Tentukan distribusi hampiran dari Wn.

Misalkan Zn berdistribusi Poisson dengan mean = n. Tentukan distribusi hampiran dari Yn = (Zn - n ) / n.

Misalkan

merupakan mean dari sampel acak berukuran n yang berdistribusi Poisson dengan mean 1.

Tentukan dari mgf dari Yn = n (n - 1) dan juga tentukan distribusi hampiran dari Yn.

Misalkan

adalah mean dari sampel acak berukuran n yang mempunyai pdf

f(x) = e- x , x > 0 , dan

nol untuk yang lain. Tentukan mgf dari Yn = n (n - 1) dan tentukan distribusi hampiran dari Yn.

Misalkan

100

merupakan mean dari sampel acak berukuran 100 yang berdistribusi Kai-kuadrat dengan

derajat bebas 50. Hitung P ( 49 < 100 < 51 ).

Misakan

128

adalah mean dari sampel acak berukuran 128 yang berdistribusi gamma dengan parameter = 4. Hitung P( 7 < 128 < 9).

= 2 dan

8 9

Misalkan Y berdistribusi binomial b( 72, 1/3). Hitung P ( 22 Y 28). Hitung probabilitas dari mean sampel acak berukuran 15 yang mempunyai pdf f(x) = 3 x2 , 0 < x < 1, dan nol untukyang lain berada diantara 3/5 dan 4/5.

10 Misalkan Y berdistribusi binomial b(400, 1/5) . Hitung P( 0,25 < Y/n). 11 Misalkan merupakan mean dari sampel acak berukuran 100 dari distribusi
nilai pendekatan dari P ( 49 < < 51 ).
2

( 50 ) . Hitung

12 Misalkan adalah mean dari sampel acak berukuran 128 dari distribusi gamma dengan parameter
dan = 4. Hitung nilai pendekatan dari P ( 7 < < 9 ).

=2

STATISTIKA MATEMATIKA II_SEMESTER 4

13 Misalkan diketahui peubah acak independen Zi , i = 1, 2, ., 16 yang berdistribusi normal N ( 0 , 1 )

dan adalah mean dari sampel. Tentukan

a a

P(< ) P ( < 32 )

b. P ( Z 1 - Z 2 < 2 ) e. P ( < 25 )

c. P ( Z 1 + Z 2 < 2 )

STATISTIKA MATEMATIKA II_SEMESTER 4

IV. BEBERAPA DISTRIBUSI KHUSUS

1 Pendahuluan

alam penerapan , seperti pada penelitian tidak semua distribusi dari suatu peubah acak dapat digunakan , tetapi ada beberapa distribusi yang sering digunakan diantaranya adalah distribusi binomial, Poisson, Eksponensial, Normal, Chi - Square dan lain sebagainya. Pada bagian ini akan dibahas tentang distribusi-distribusi yang sering digunakan dalam penelitian.

Distribusi Tipe Diskret 1 Distribusi seragam ( Uniform )

Peubah acak X tipe diskret dikatakan mempunyai distribusi seragam jika mempunyai fkp f ( x ) = , x = 1, 2, , n = 0 , yang lain

Distribusi Bernoulli
Banyak kejadian dalam sekeliling kita yang hasilnya selalu dual yaitu sukses atau gagal. Satu percobaan yang hanya menghasilkan sukses atau gagal saja dengan peluang sukses p dan peluang gagal 1 - p disebut kejadian Bernoulli. Peubah acak X dikatakan mempunyai distribusi Bernoulli jika mempunyai fkp f ( x ) = Jika sukses dilambangkan dengan 1 dan gagal dengan 0, maka fkp-nya biasanya dituliskan f (x) = px ( 1 p )1-x , x = 0 , 1 = 0 , yang lain.

Distribusi Binomial
Misalkan ada n barisan kejadian yang saling bebas dengan tiap kejadian merupakan kejadian Bernoulli, maka jika X merupakan banyaknya sukses dari barisan tersebut maka X berdistribusi binomial. Peubah acak X dikatakan mempunyai distribusi binomial jika mempunyai fkp f ( x ) = , x = 0, 1, 2, ., n ; 0 < p < 1 = 0 , untuk yang lain

STATISTIKA MATEMATIKA II_SEMESTER 4

Jika X berdistribusi binomial dengan peluang sukses p, maka biasanya dinotasikan X n,p)

b(

Teorema 3.1
Jika X berdistribusi binomial b ( n , p ) maka E ( X ) = np dan Var ( X ) = np( 1 - p ).

Teorema 3.2
Jika X berdistribusi binomial b ( n , p ) maka M ( t ) = [ ( 1 - p ) + pet )n

STATISTIKA MATEMATIKA II_SEMESTER 4

Distribusi Multinomial
Jika pada distribusi binomial, populasi dibagi menjadi dua kategori maka pada distribusi multinomial, populasi dibagi menjadi beberapa kategori. Misal ada m kategori yaitu A1, ., Am dengan peluang p1, ., pm dengan p1 + .+ pm = 1. Misalnya pada A1 terjadi x1 kali, , pada Am terjadi xm kali. Fungsi kepadatan peluang dari A1, ., Am disebut distribusi multinomial, yang fkpnya dinyatakan sebagai berikut P ( X1 = x1, ., Xm = xm ) = = 0 , untuk yang lain

Distribusi Hipergeometrik
Distribusi hipergeometrik merupakan distribusi binomial jika dikerjakan dengan tanpa pengembalian. Misal ada N obyek yang terdiri atas M obyek dan N - M obyek. Misal dari N obyek tersebut diambil n obyek tanpa pengembalian, dan misal X adalah banyaknya obyek yang terambil dari M, maka X berdistribusi hipergeometrik dengan fkp f ( x ) = , x = 0, 1, 2, .., n = 0 , yang lain

Teorema 3.3
Jika pada distribusi hipergeometrik N besar sekali ( N ) dan ( M/ N ) p, dan sampling dilakukan dengan pengembalian, maka distribusi hipergeometrik menjadi distribusi binomial.

Distribusi Geometrik
Misalkan terdapat barisan kejadian yang saling bebas dengan setiap kejadian menghasilkan sukses atau gagal , dengan peluang sukses p dan peluang gagal 1 - p. Jika X adalah banyaknya kejadian sehingga diperoleh sukses yang pertama maka X berdistribusi geometrik yang fkpnya adalah f( x ) = ( 1 - p )x - 1 p , x = 1, 2, = 0 , untuk yang lain

Distribusi Negatif Binomial

Misalkan ada barisan kejadian yang saling bebas dengan setiap kejadian hanya menghasikan sukses atau gagal dengan peluang sukses p dan peluang gagal 1 - p. Misalkan X adalah banyaknya sukses dengan kejadian terakhir sukses , maka X berdistribusi negatif binomial, yang fkpnya adalah f ( x ) = , x = 0, 1, 2 , = 0 , yang lain

Distribusi Poisson
Peubah acak X dikatakan berdistribusi Poisson dengan parameter X mempunyai fkp f ( x ) = , x = 0, 1, 2, .. = 0 , yang lain
STATISTIKA MATEMATIKA II_SEMESTER 4

dengan (

> 0 ) jika

Teorema 3.4
Jika X berdistribusi Poisson dengan parameter maka E ( X ) = dan var ( X ) = .

Teorema 3.5
Jika X berdistribusi Poisson dengan parameter M ( t ) = atau exp ( ( e t - 1 ) ). maka

Distribusi Tipe Kontinu 1 Distribusi gamma

Peubah acak X dikatakan mempunyai distribusi gamma jika mempunyai fkp f( x ) = , x > 0 = 0 , untuk yang lain

Teorema 3.6
Jika X berdistribusi gamma dengan parameter
2

dan

makaE ( X ) =

, dan var ( X ) =

Distribusi Chi- Square

Jika distribusi gamma diketahui = n/2 , dan = 2 maka distribusi gamma dikatakan menjadi distribusi Chi- Square. Fungsi kepadatan peluang dari distribusi ini adalah f ( x ) = , x > 0 = 0 , untuk yang lain Bentuk fkp seperti di atas disebut distribusi chi - square dengan derajat bebas n.

Teorema 3.7
Jika X berdistribusi chi - square dengan derajat bebas n maka E ( X ) = n dan var ( X ) = 2n

Teorema 3.8
Jika X berdistribusi chi - square dengan derajat bebas n maka M(t)= ,t<

STATISTIKA MATEMATIKA II_SEMESTER 4

1 Distribusi Eksponensial
Jika distribusi gamma diketahui = 1, dan = 1/ , maka distribusi gamma dikatakan

berdistribusi eksponensial dengan parameter f(x)= =0 ex

yang fkp-nya adalah

,x>0

, yang lain

Teorema 3.9
Jika X berdistribusi eksponensial dengan parameter maka E ( X ) = 1/ dan var ( X ) = 1/
2

1 Distribusi Beta
Peubah acak X dikatakan mempunyai distribusi beta jika mempunyai fkp f(x)= ,0<x<1 = 0 , yang lain

Distribusi Normal
Distribusi normal merupakan distribusi yang paling banyak digunakan oleh para pengguna statistik, karena dengan distribusi ini akan didapat distribusi lain yang dikenal, misalnya distribusi chi - square. Jika peubah X mempunyai distribusi normal dengan mean fkp-nya adalah f(x)= ,<x< ,< < , dan
2 2

dan varians

maka

> 0.

= 0 , untuk yang lain

Teorema 3. 10
Jika X berdistribusi normal dengan mean M ( t ) = exp ( t+(
2 2

dan varians

maka

t )/ 2 ) .

Teorema 3.11
Jika X berdistribusi normal dengan mean dan varians
2

maka

Z =

berdistribusi normal baku, yaitu distribusi normal dengan mean 0 dan varians 1.

Teorema 3.12
Jika X berdistribusi normal dengan mean berdistribusi chi - square dengan derajat bebas 1. dan varians
2

maka

Torema 3. 13
Jika X1, ., Xn peubah acak yang identik independen berdistribusi normal mean dan varians
2

maka

1 2 1

berdistribusi chi - square dengan derajat bebas n. berdistribusi chi - square dengan derajat bebas n - 1

Distribusi Student t.
Distribusi ini banyak digunakan dalam inferensi statistik, utamanya untuk inferensi parameter dari distribusi normal jika varians
2

tidak diketahui.
STATISTIKA MATEMATIKA II_SEMESTER 4

Peubah acak X dikatakan mempunyai distribusi student t , dengan derajat bebas n jika mempunyai fkp f(x)= = 0 , untuk yang lain

Distribusi F
Distribusi ini banyak dipakai untuk inferensi statistik parameter berdistribusi normal. Peubah acak X dikatakan berdistribusi F dengan derajat bebas pembilang n, dan derajat bebas penyebut m jika mempunyai fkp f(x)= = 0 , yang lain dari beberapa populasi yang

Distribusi Bivariate Normal

Misalkan X dan Y masing - masing berdistribusi normal N ( dan
1, 2 1

) dan

N(

2 2

adalah koefisien korelasi dari X dan Y maka pdf bersama antara X dan Y , yaitu f ( x , y )

dinamakan mempunyai distribusi normal bivariate jika fkp-nya sebagai berikut f(x,y)= , <x < ,<y<

= 0 , yang lain dengan q =

Soal - Soal Latihan 1 2 3 4

Jika mgf dari peubah acak X adalah ( 1/3 + 2/3 et ) 5 , maka tentukan P( X = 2 atau 3 ) Mgf dari peubah X adalah ( 2/3 + 1/3 e t ) 9 . Buktikan bahwa +2 )= E ( ( X/n) - p ) 2 = f ( x ) = 3x 2 , 0 < x P( -2 <X<

Jika X berdistribusi binomial B ( n , p ) maka buktikan E ( X / n ) = p dan (p(1-p))/n Jika X1 , X2 , dan X3 sampel acak independen yang mempunyai fkp sama melebihi .

< 1 , dan nol untuk yang lain , maka tentukan peluang bahwa tepat dua dari tiga peubah acak tersebut

5 6 7 8

Misalkan Y banyaknya sukses dari n independen percobaan dengan peluang sukses p = 2/3. Jika n = 3, maka hitung P ( 2 Y ) ; jika n = 5 ,maka hitung P ( 3 Y ).

Misalkan Y banyaknya sukses dari n independen percobaan dengan peluang sukses p = . Tentukan n terkecil sehingga P ( 1 Y) 0,70.

Misalkan X dan Y sampel acak inedenpen stokastik dengan masing - masing berdistribusi binomial dengan parameter n = 3 , p1 = 2/3 dan m = 4 dengan p2 = . Hitung P ( X = Y ). Misalkan X1, X2 , .., Xk - 1 mempunyai distribusi multinomial. Tentukan MGF dari X2 , .., Xk - 1 Apakah fkp dari X2 , .., Xk - 1 Tentukan fkp bersyarat dari X1, jika X2 = x2 , X3 = x3 , ., Xk - 1 = xk-1.
STATISTIKA MATEMATIKA II_SEMESTER 4

a b c

Tentukan ekspektasi bersyarat E ( X1 / x2 , .., xk-1 ). 1)=

9. Misalkan X berdistribusi binomial B ( 2 , p ) dan Y berdistribusi binomial B ( 4 , p ) . Jika P ( X 5/9 , maka tentukan P ( Y 1 ).

1 2 3 4

Jika x = r adalah modus yang tunggal dari distribusi binomial B ( n , p ) maka buktikan ( n + 1 ) p - 1 < r < ( n + 1 ) p. Buktikan bahwa mgf dari distribusi negatif binomial adalah - p ) e t ] -r . Tentukan juga mean dan varians dari distribusi tersebut. Tentukan ukuran skewness dan kurtosis dari distribusi binomial B ( n , p ). Misalkan f ( x , y ) = , y = 0, 1 , 2 , ., x ; x = 1, 2, 3, 4, 5 dan nol untuk yang lain, adalah fkp bersama antara X dan Y. Tentukan M(t)=pr[1-(1

a 1 1 2

E(Y)

b. u ( x ) = E ( Y / x )

c. E ( u ( X ) )

Jika peubah acak X berdistribusi Poisson sehingga P ( X = 1 ) = P ( X = 2 ) , maka tentukan P ( X = 4 ). Mgf dari peubah acak X adalah . Buktikan = 0,931. Didalam buku tertentu dikatakan bahwa rata - rata hanya 13,5 prosen dari suatu halamannya tidak salah ketik. Jika diasumsikan bahwa banyaknya kesalahan per halaman berdistribusi Poisson, maka tentukan prosentase dari halaman hanya memuat satu kesalahan ketik. P( -2 <X< +2 )

3 4 5

Misalkan fkp f ( x ) adalah positif pada dan hanya pada bilangan non negatif. Didefinisikan f ( x ) = ( 4/x ) f ( x - 1 ) , x = 1, 2, 3, Tentukan f ( x ). Misalkan X berdistribusi Poisson dengan mean menentukan batas bawah P ( 75 < X < 125 ). Misalkan X dan Y fkp f ( x , y ) = e -2 / [ x ! ( y - x ) ! ], y = 0, 1, 2 , .. ; dan nol untuk yang lain. x = 0 , 1, , y , 100. Gunakan pertidaksamaan Chebyshev untuk

a b c 1 1 2 3 4 5

Tentukan mgf dari distribusi bersama antara X dan Y. Hitung mean , varians, dan koefisien korelasi dari X dan Y. Tentukan mean bersyarat E ( X / y ). .

Tentukan ukuran skweness dan kurtosis dari distribusi Poisson dengan mean

Jika ( 1 - 2t ) -6 , t < , adalah mgf dari peubah acak X, maka tentukan P ( X < 5,23 ). Jika X berdistribusi
2

( 5 ), maka tentukan konstanta c dan d sehingga

P(c<X<d)=

0,95 dan P ( X , c ) = 0,025. Jika X berdistribusi gamma dengan 25,2 ). Misalkan X peubah acak sehingga E ( X dari X. Misalkan X1, X2, dan X3 adalah independen stokastik dengan masing - masing mempunyai fkp f ( x ) = e
-x m

= 3 dan

= 4, maka tentukan

P ( 3,28 < X <

) = ( m + 1 ) ! 2 m, m = 1, 2, maka tentukan distribusi

, x > 0, dan nol untuk yang lain. Tentukan distribusi

Y = minimum (X1, X2, X3 ).

STATISTIKA MATEMATIKA II_SEMESTER 4

6 7 8

Misalkan X berdistribusi gamma dengan fkp f ( x ) = , x > 0 , dan nol untuk yang lain. Jika x = 2 modus tunggal dari distribusi, maka tentukan parameter dan P ( X < 9,49 ).

Tentukan ukuran skweness dan kurtosis dari distribusi gamma. Misalkan X berdistribusi uniform dengan fkp f ( x ) = 1 , 0 < x < 1, dan nol untuk yang lain . Tentukan distribusi fungsi dari Y = - 2 ln X.

STATISTIKA MATEMATIKA II_SEMESTER 4

I STATISTIK CUKUP

ada bab ini akan dibahas tentang kriteria dari estimator diantaranya adalah statistik cukup untuk parameter, dan teorema Rao - Blackwell yang dapat digunakan untuk membentuk suatu estimator yang variansnya lebih kecil dari estimator sebelumnya. Selain dua di atas juga dibahas tentang kelengkapan dan ketunggalan ( completness and uniqness ) , klas ekponensial dari fkp , dan pertidaksamaan Rao - Cramer.

Stat istik Cukup Untuk Parameter Definisi : Misalkan X 1, X 2, .,X n merupakan sampel acak berukuran n dari distribusi yang mempunyai fkp f ( x ; ) dan Y = u (X 1, X 2, .,X n ) adalah statistik dengan fkp g ( y ; jika dan hanya jika untuk setiap nilai y. ) . Maka Y

dinamakan statistik cukup untuk

= H ( x1, , x n ). Dengan H ( x1, , x n ) tidak tergantung dari Teorema :

Misalkan X 1, X 2, .,X n merupakan sampel acak berukuran n dari distribusi yang mempunyai fkp f ( x ; ). Statistik Y = u (X 1, X 2, .,X n ) dinamakan statistik cukup untuk ) . f( x n ; jika dan )=k(y

hanya jika dapat ditemukan dua fungsi non negatif k dan l sehinga f ( x 1; ; ) l ( x 1, , x n ) , dengan l tidak tergantung dari .

Contoh :Misalkan X 1 , X 2 , , X n merupakan sampel acak dari distribusi normal N (

2

, [

),-

<

<

, dengan x x -

diketahui . Jika ( xI -

x=

x I / n maka

( xI )2, oleh karena 2

)2=

( xI x -

x )+ ( )=2(

)]2 = )

x )2 + n ( x -

( xI - ) (

( xI -

x ) = 0.

Fkp bersama antara X 1 , X 2 , , X n dapat dinyatakan sebagai

STATISTIKA MATEMATIKA II_SEMESTER 4

Dari baris terakhir terlihat bahwa faktor pertama hanya tergantung pada kedua tidak tergantung pada cukup untuk Teorema : .

x, sedangkan faktor yang X merupakan statistik

. Dengan menggunakan teorema di atas berarti

Misalkan X 1 , X 2 , , X n merupakan sampel acak dari distribusi yang mempunyai fkp f ( x ; ) . Jika statistik cukup Y = u (X 1 , X 2 , , X n ) ada dan maksimum likelihood estimator dari ada dan tunggal maka estimator likelihood dari merupakan fungsi dari Y = u (X 1 , X 2 , , X n ). Soal - soal latihan :

1 2 3 4

Misalkan X 1 , X 2 , , X n merupakan sampel acak dari distribusi normal 0. Buktikan Xi2 merupakan statistik cukup untuk .

N(0,

),

>

Buktikan bahwa jumlahan dari item - item sampel acak berukuran n yang berdistribusi Poisson dengan parameter , > 0 adalah statistik cukup untuk .

Buktikan bahwa order statistik ke n dari sampel acak berukuran n yang berdistribusi seragam dengan fkp f(x; ) = 1/
1

,0<x< ,X
2

dan nol yang lain merupakan statistik cukup untuk

Misalkan X

, , X n merupakan sampel acak berukuran n dari distribusi geometrik )=(1)x , x = 0 , 1, 2, ; 0 < . < 1, dan nol untuk yang lain. Buktikan

dengan fkp f ( x ;

Xi merupakan statistik cukup untuk

5 6 7

Buktikan bahwa jumlahan dari item - item sampel acak berukuran n dari distribusi gamma dengan fkp f ( x; )=(1/ ) e -x/ , x > 0 , > 0 merupakan statistik cukup untuk .

Dari soal - soal latihan 1, 2, 4 , dan 5 buktikan bahwa mle dari untuk .
1

merupakan fungsi dari statistik cukup

Misalkan X parameter

,X =

, , X n merupakan sampel acak berukuran n dari distribusi beta dengan > 0 dan = 2. Buktikan bahwa hasil pergandaan dari X 1 . X 2 , X n .

merupakan statistik cukup untuk

Misalkan X 1 , X 2 , , X n merupakan sampel acak berukuran n dari distribusi dengan fkp f ( x ; ) = 1/ [1+(x)2],<x< ,< < . Apakah mempunyai statistik cukup ?.

Tentukan !.

Teorema Rao - Blackwell Dengan menggunakan teorema ini dapat ditentukan suatu statistik yang mempunyai varians lebih kecil dibanding dengan statsitik yang merupakan unbias untuk parameter Teorema : Misalkan X dan Y merupakan peubah acak dengan mean ( x ) . Maka E [ (X)]= dan
2 (X) 2 Y. 2 Y

dan varians

. Misalkan E ( Y / x) =

STATISTIKA MATEMATIKA II_SEMESTER 4

Teorema : Misalkan X
1

,X

, , X n , dengan n bilangan bulat positif merupakan sampel acak dari ) . Misalkan , dan Y1 = u (X 1 , X 2 , , X Y2 = v (X 1 , X 2 , , X n ) yang bukan . Maka E ( Y2 / y1 ) = ( y1 ) merupakan statistik ; dan mempunyai

distribusi yang mempunyai fkp f ( x ;

n

) merupakan statistik cukup untuk

fungsi dari Y1 merupakan estimator unbias untuk

( Y1 ) yang merupakan fungsi dari statistik cukup untuk varians lebih kecil dari Y2. Soal - soal latihan :

; unbias untuk

Misalkan Y

< Y

< Y

< Y

< Y5 merupakan order statistik dari sampel acak berukuran 5 dari ) = 1/ ,0<x< , > 0, dan nol untuk yang lain. Buktikan

distribusi seragam dengan fkp f ( x ;

bahwa 2 Y 3 merupakan estimator unbias untuk Y 5 untuk

. Tentukan fkp bersama antara Y 3 dan statistik cukup ( y 5 ) . Bandingkan varians dari 2 Y3

. Tentukan ekspektasi bersyarat E ( 2 Y3 / y5 ) = ( Y 5 ).

dengan varians

Jika X dan Y merupakan sampel acak berukuran 2 dari distribusi dengan fkp ) e- x / , x > 0 dan

f(x;

) = ( 1/ dan W = Y.

> 0. Tentukan fkp bersama dari statistik cukup Z = X + Y untuk dengan varians
2

Buktikan bahwa W merupakan estimator unbias untuk ( z ) dan varians dari ( Z ).

. Tentukan E ( W / z ) =

Misalkan peubah acak X dan Y mempunyai fkp bersama

2

f(x,y)=(2/

) e- ( x + y ) / , y > x > 0 , dan nol untuk yang lain. Buktikan bahwa mean dan varians dari Y adalah 3 Buktikan bahwa E ( Y / x ) = x + Buktikan bahwa varians dari X + . ldebih kecil dari varians dari Y. / 2 dan 5
2

a b c 1

/ 4.

Kelengkapan dan Ketunggalan ( Completeness and Uniqness ) Definisi : Misalkan peubah acak Z mempunyai fkp dari salah satu anggota keluarga fkp { h ( z ; Jika kondisi E ( u ( Z ) ) = 0 untuk setiap ); }.

berlaku u ( z ) bernilai nol kecuali pada himpunan titik ) , , maka

- titik yang mempunyai probabilitas sama dengan nol untuk setiap fkp h ( z ; keluarga fkp { h ( z ; Contoh : Misalkan Z mempunyai fkp yang merupakan anggota dari { h ( z ; ( 1/ )e
-z/

);

} dinamakan keluarga lengkap.

),

> 0 } dengan h ( z ;

)= >0

, z > 0 dan

> 0 ,dan nol untuk yanmg lain. Ambil E [ u ( Z ) ] = 0 untuk setiap

maka E [ u ( Z ) ] = untuk

> 0 . Dengan menyamakan integral tersebut pada transformasi Laplace

maka haruslah u ( z ) = 0 . Berarti keluarga fkp tersebut lengkap. Teorema :

STATISTIKA MATEMATIKA II_SEMESTER 4

Misalkan X 1 , X 2 , ., X n , dengan n bilangan bulat positif merupakan sampel acak dari suatu distribusi dengan fkp f ( x ; statistik cukup untuk ), . Misalkan Y = u (X 1 , X 2 , ., X n ) merupakan )/ } merupakan keluarga fkp lengkap. Jika

dan keluarga { g ( y ;

terdapat fungsi dari Y yang unbias untuk tunggal untuk Soal - soal latihan : .

, maka fungsi dari Y tersebut merupakan penduga terbaik

1 2

Jika az 2 + bz + c = 0 untuk lebih dari dua nilai z , maka a = b = c = 0. Gunakan hasil tersebut untuk membuktikan keluarga { b ( 2 , )/0< < 1 } lengkap. )/ > 0 } tidak lengkap dengan cara menemukan paling > 0.

Buktikan bahwa setiap keluarga { f ( x ;

sedikit satu fungsi tidak nol u ( x ) sehingga E [ u ( X ) ] = 0 untuk setiap

a b 1

f(x; N(0,

) = 1/ 2 ).

,-

<x<

, dan nol untuk yang lain.

Jika X 1 , X 2 , ., X n merupakan sampel acak dari distribusi diskret yang mepunyai fkp f ( x ; )=
x

(1-

)1-x , x = 0 , 1 , 0 <

< 1 dan nol untuk yang lain. Buktikan bahwa Y =

Xi

merupakan statistik lengkap untuk untuk .

. Tentukan fungsi tunggal dari Y yang merupakan penduga terbaik

Misalkan diketahui keluarga fkp { h ( z ;

)/ ={

} , dengan h ( z ; / ={ >0} / >1}

) = 1/

, z > 0.

a b 1

Buktikan keluarga tersebut lengkap untuk Buktikan keluarga tersebut tidak lengkap jika

Buktikan bahwa statistik order pertama Y 1 dari sampel acak berukuran n yang mempunyai fkp f ( x ; ) = e-(xuntuk
)

, x>0, -

<

<

, dan nol untuk yang lain merupakan statistik cukup dan lengkap .

. Tentukan fungsi yang tunggal dari statistik tersebut yang merupakan penduga terbaik untuk f(x; ) = 1/

Misalkan sampel acak berukuran n diambil dari distribusi yang mempunyai fkp , x = 1, 2, ., yang lain. , dengan

merupakan bilangan bulat positif yang tidak diketahui, dan nol untuk

a b

Buktikan bahwa item terbesar katakan Y dari sampel acak merupakan statistik cukup dan lengkap untuk .
n+1

Buktikan bahwa [ Y untuk .

-(Y-1)

n+1

] / [ Y n - ( Y - 1 ) n ] merupakan penduga terbaik tunggal

Klas Eksponensial Dari Fungsi Kepadatan Peluang Pada subbab di atas telah dibahas tentang keluarga fkp yang lengkap. Selain kriteria lengkap sebagaimana tersebut di atas terdapat kriteria lain tentang keluarga fkp yaitu klas eksponensial. Perhatikan keluarga { f ( x ; konstanta diketahui, dan f(x; ) = exp [ p ( )K(x)+S(x) +q( )],a<x<b
STATISTIKA MATEMATIKA II_SEMESTER 4

)/

} dengan

= {

<

<

} untuk

dan

= 0 , untuk yang lain. Fkp bentuk ( * ) dikatakan anggota klas eksponensial dari fkp tipe kontinu jika

(*)

a b c

Konstanta a atau b tidak tergantung dari p( ) fungsi kontinu non trivial dari ,

, <

< <

< ,

Setiap K ( x )

0 dan S ( x ) fungsi kontinu dari x , a < x < b.

Sedangkan untuk tipe diskret dengan syarat sebagai berikut,

a b c

Himpunan { x / x = a 1 , a 2 , } tidak tergantung dari p( ) fungsi kontinu nontrivial dari , < <

K ( x ) fungsi non trivial dari x pada himpunan { x / x = a 1 , a 2 , }

Teorema : Misalkan f ( x ; ), < < merupakan fkp dari klas eksponensial. Maka jika X ) dengan Y= Y yaitu { g ( y ; .
1

,X

., X n sampel acak dari distribusi dengan fkp f ( x ; merupakan statistik cukup untuk < < dan keluarga fkp dari

K (Xi) )/

} lengkap, atau Y merupakan statistik yang cukup dan lengkap untuk

Soal - soal latihan :

Tulis fkp f ( x ;

) = ( 1/ 6
1

) x3 e-x/

,x>0 ,
n

> 0 dan nol untuk yang lain dalam bentuk

eksponensial. Jika X

,X

, ., X

sampel acak dari distribusi dengan fkp di atas maka , dan cari fungsi ( Y ) tunggal yang merupakan

tentukan statistik cukup dan lengkap Y untuk penduga terbaik untuk .

Misalkan X 1 ,X 2 , ., X n sampel acak dari distribusi dengan fkp

x

f(x;

)=

e-

, x>0,

> 0, dan nol untuk yang lain. Buktikan Y = .

X I merupakan statistik cukup untuk

dan ( n - 1 ) / Y merupakan penduga terbaik untuk

Misalkan X 1 ,X 2 , ., X n sampel acak dari distribusi dengan fkp

-1

f(x;

)=

,0<x<1,

> 0 , dan nol untuk yang lain.

1

a b 1 1 2 3

Buktikan bahwa mean geometrik (X cukup dan lengkap untuk Tentukan MLE dari .

.X

. X

1/ n

dari sampel merupakan statistik

, dan periksa apakah merupakan fungsi dari mean geometrik

Misalkan mean dari sampel acak X 1 ,X 2 , ., X n dari diatribusi gamma dengan parameter > 0 dan = > 0. Hitung E [ X 1 / x ]. )/p( Misalkan X sampel acak dengan fkp anggota klas eksponensial. Buktikan E [ K ( X ) ] = - q ( ). Jika f ( x ; ) = exp [ K(x) +S(x)+q( )-q( ) ] , a < x < b dan + t ) ], untuk < < < , maka buktikan M ( t ) +t< . N( ,1).

dari Y = K ( X ) adalah M ( t ) = exp [ q ( Jika diketahui E ( Y ) = E [ K ( X ) ] =

, maka buktikan Y berdistribusi normal

STATISTIKA MATEMATIKA II_SEMESTER 4

STATISTIKA MATEMATIKA II_SEMESTER 4

Pertidaksamaan Rao - Cramer Pada subbab ini akan dibahas tentang batas bawah varians dari peduga parameter yang unbias, yang dinyatakan dalam pertidaksamaan Rao - Cramer sebagai berikut. Misalkan X 1 ,X 2 , ., X n merupakan sampel acak dari dari daistribusi dengan fkp f ( x; ), ={ / < < }, dengan dan diketahui. Misalkan Y = u (X 1 ,X 2 , , maka vrians dari Y, katakan ., X n
2 Y.,

) merupakan penduga unbias untuk

yang memenuhi
2 Y.

Untuk menjelaskan pertidaksamaan di atas digunakan kasus kontinu seperti di bawah ini. Misalkan g ( y ; ) merupakan fkp dari statistik unbias ) dx I , untuk i = 1, 2, , n Y = u (X 1 ,X 2 , ., X n),

sehingga didapat 1= dan = = yg(y; .. ) dy u ( x 1, x 2 , , x n ) f ( x 1; ) . f ( x n; maka didapat ) dx 1. dx n f ( x i;

Jika kedua persamaan di atas diturunkan terhadap 0 = dan 1= x f ( x 1; = x f ( x 1; Definisikan peubah acak Z = [ ln f ( X I ;

) . f ( x n; ) . f ( x n; )/

) dx 1. dx n ) dx 1. dx n

], yang berarti E [ Z ] = 0. Oleh karena Z

merupakan jumlahan n independen peubah acak dengan mean nol maka Z mempunyai varians nE { [ ln f ( X I ; )/ ] 2 }. [ ln f ( X I ;
Y Z

Karena Y = u (X 1 ,X 2 , ., X n) dan Z = YZ ] = 1. Dilain pihak E [ YZ ] = E [ Y ] E [ Z ] + dan Z. Oleh karena E (Y ) =

Z 2 Y

)/

] maka didapat E [

dengan .0+
Y

merupakan korelasi antara Y

Y Z Z

dan E (Z ) = 0 maka didapat 1 =

2

atau

=1/
2 Z

. Karena - 1 atau
2 Y.

1 atau

1 maka (1 /

1 atau ( 1/

Definisi : Misalkan Y penduga unbias untuk parameter . Statistik Y dinamakan penduga efisien untuk jika

varians dari Y sama dengan batas bawah pertidaksamaan Rao - Cramer. Soal - soal latihan :
STATISTIKA MATEMATIKA II_SEMESTER 4

1 2 3

Buktikan bahwa

X yang merupakan mean sampel acak dari distribusi normal . b ( 1,

N(

merupakan peduga efisien untuk Buktikan bahwa

X yang merupakan mean sampel acak dari distribusi binomial

),0<

< 1 merupakan penduga yang efisien. Diberikan f ( x ; )=1/ ,0<x< dan nol untuk yang lain dengan > 0. Hitung n E dan

bandingkan dengan varians ( n + 1 ) Y n / n dengan Y n merupakan item terbesar dari sampel acak berukuran n yang berdistribusi seperti di atas.

4 5

Diberikan fkp f ( x ; adalah ukuran sampel. Buktikan bahwa E = - E

) = . Buktikan Bahwa batas bawah Rao - Cramer nya adalah 2/ n , dengan n

STATISTIKA MATEMATIKA II_SEMESTER 4

V. ESTIMASI

Estimasi Titik Misalkan peubah acah X mempunyai pdf f(x; dinamakan ruang parameter . Karena ) dengan tidak diketahui. Himpunan , dengan );

tidak tunggal , maka untuk setiap nilai

berkorespondensi dengan salah satu anggota keluarga pdf. Notasi keluarga pdf adalah { f(x; } dan anggota dari keluarga pdf dinotasikan dengan f(x; Dari keluarga pdf adalah { f(x; ); ) , untuk . f(x;

} akan dipilih satu anggota pdf

) yang akan

diperlukan untuk mengestimasi parameter

. Untuk keperluan itu ambil sampel acak X1, ., ) Masalahnya sekarang adalah memilih Y = u

Xn yang berasal dari suatu distribusi dengan pdf f(x ;

(X1, ., Xn ) , sehingga jika x1, .., xn merupakan nilai observasi dari X1, ., Xn maka nilai dari y = u (x1, .., xn ) merupakan penduga terbaik dari .

Salah satu metode yang digunakan untuk menentukan estimasi titik adalah metode maximum likelihood. Prinsip dari metode ini dapat diuraikan sebagai berikut. Misalkan X1, ., Xn merupakan sampel acak dari suatu distribusi dengan pdf f(x; X1, ., Xn adalah ; x1, .., xn) = f(x 1; f(x 1; ). f(x2 ; ) , untuk ) f(xn ; . Pdf bersama antara ). Jika pdf bersama

tersebut dinyatakan sebagai fungsi terhadap atau ditulis L (

maka dinamakan fungsi likelihood yang dinotasikan L ) f(xn ; diganti dengan ), . Dari fungsi ini

). f(x2 ;

ditentukan fungsi u (x1, .., xn ), sehingga jika

u (x1, .., xn ) didapat L (

; x1, .., xn) maksimum. Statistik u (X1, ., Xn ) dinamakan maximum likelihood estimator. Definisi 4.1: Sembarang statistik yang mempunyai harapan matematik sama dengan parameter estimator dari parameter Definisi 4.2 : Sembarang statistik yang convergen stokastik ke parameter parameter . dinamakan penduga konsisten dari . dinamakan unbias

Selain metode maximum likelihood ada metode lain yaitu metode moment. Prinsip metode ini dapat diuraikan sebagai berikut. Misalkan X1, ., Xn merupakan sampel acak berukuran n dari suatu distribusi dengan pdf f(x ;
1,

..

), (

1,

..
k

. Ekspektasi E ( Xk ) sering dinamakan

moment ke - k dari suatu distribusi , k = 1, 2, 3, Jumlahan Mk = dinamakan moment ke - k dari sampel, k = 1, 2, 3, Selanjutnya samakan E ( X ) dengan Mk dimulai dengan k = 1 dan

STATISTIKA MATEMATIKA II_SEMESTER 4

seterusnya sehingga didapat sejumlah persamaan untuk mendapatkan penyelesaian tunggal dari

1,

..

, katakan hi( Mi, ), i = 1, 2, , r yang bersesuaian.

Soal - soal latihan :

Misalkan X1 , X

, .., X
x

merupakan sapel acak dari suatu distribusi yang mempunyai ( MLE ) dari parameternya.

fkp seperti di bawah. Tentukan estimator maksimum likelihood

a b c d e 1

f(x, f(x, f(x, f(x, f(x,

)= )=

ee
-1 x-

/ x ! , x = 0, 1, 2, . ; , 0< x , 1 , , -

0. ,dan nol untuk yang lain.

> 0 dan nol untuk yang lain. ,< < dan nol untuk yang lain.

) = e) = ( 1/ ) = e-(x2

<x<

) e - x/
)

,x>0, ,<

> 0 , dan nol untuk yang lain. <

n

,x

, dan nol untuk yang lain.

Misalkan X1 , X fkp f ( x, dan . ,

, .., X ) = ( 1/ ) e-(x)/

merupakan sapel acak dari suatu distribusi yang mempunyai ,x ,< < , > 0. Tentukan MLE dari

Misalkan Y1< Y 2 < < Y n merupakan order statistik dari sampel acak uang mempunyai fkp f ( x, )=1, - x + , <x< , dan nol untuk yang lain. Buktikan bahwa setiap Yn- u ( X 1 , X 2 , , X n ) Y1 + statistik u ( X 1 , X 2 , , X n ) memenuhi .

Distribusi Pareto sering dipakai pada model studi pemasukan ( incomes ) yang mempunyai fungsi distribusi F ( x , , )=1-( /x) ,x , dengan > 0 , dan > 0. Jika X 1, X dan . .
2

.., X n adalah sampel acak dari distribusi tersebut maka tentukan mle dari

3 1

Misalkan Y n merupakan statistik sehingga dan Mesuares of Quality of Estimators

= 0. Buktikan bahwa Yn konsisten terhadap

Dalam bagian ini akan dibahas beberapa kriteria atau minimum varians estimator ( umve ), atau estimator minimax. Definisi 4.3 :

sifat dari estimator, misalnya unbiased

Untuk n bilangan bulat positif , Y = u ( X 1, X 2 , ., X n ) dikatakan unbiased minimum varians estimator ( umve ) dari suatu parameter jika Y unbias yaitu E(Y)= . dan jika varians dari Y

lebih kecil atau sama dengan dari varians setiap estimator unbias untuk

Sebagai gambaran dapat dijelaskan sebagai berikut, misalkan X 1, X 2, .,X 9 merupakan sampel acak dari distribusi normal N ( ,1),< < , maka berdistribusi normal N ( , 1/9 ) dan , 1) yang

merupakan statistik yang unbias untuk

. Di lain pihak X1 juga berdistribusi normal N (

berarti juga merupakan statistik unbias untuk yang lebih kecil jika dibanding dengan X 1.

. Tetapi jika diperhatikan ternyata mempunyai varians

STATISTIKA MATEMATIKA II_SEMESTER 4

Kriteria lain yang biasa dipakai untuk menentukan suatu estimator baik didasarkan dengan adanya fungsi kerugian, seperti uraian berikut. Misalkan X 1, X 2, .,X n merupakan sampel acak ). Misalkan Y = u ( X 1, X 2 , ., X n ) , dan w ( y ) merupakan fungsi dari

berukuran n dari suatu distribusi yang mempunyai fkp f ( x , merupakan statistik yang diharapkan merupakan estimator dari

hasil pengamatan , yang dinamakan fungsi keputusan. Fungsi yang teridiri atas parameter dan keputusan dinamakan fungsi kerugian ( loss function ) ,dinotasikan L ( , w(y) ) atau L. Ekspektasi dari fungsi , w ).

kerugian dinamakan fungsi risiko ( risk function ), yang dinotasikan R ( Contoh :

Misalkan X 1, X 2, .,X n merupakan sampel acak dari distribusi normal < , dan Y = merupakan mean dari sampel . Misalkan R( L(

N(

, 1 ), -

<

,(w(y))=[

- w ( y ) ] 2. , w1 ) =

Jika w1( y ) = y dan w2 ( y ) = 0 maka E[ -0]2=

2

, w1 ) = E [

- Y ] 2 = 1/ 25 dan R (

. Dari hasil tersebut berarti w1 ( y ) merupakan statsitik yang mempunyai risiko lebih

kecil dibanding w2 ( y ). Soal - soal latihan :

1 2 3

Buktikan bahwa mean sampel yang berasal dari distribusi dengan fkp f ( x , >0,

) = ( 1/

) e -(x/
2

,x

> 0 , dan nol untuk yang lain merupakan estimator unbias dan mempunyai varians

/ n.

Misalkan X 1, X 2,....,X n merupakan sampel acak dari distribusi normal dengan mean nol dan varians , > 0 .Buktikan bahwa merupakan estimator unbias untuk dan mempunyai varians 2
2

/ n.

Misalkan Y 1 < Y2 < Y3 merupakan order statistik dari sampel acak berukuran 3 yang mempunyai fkp f(x, )=1/ ,0<x< , > 0. Buktikan bahwa 4 Y1 , 2 Y2 , dan ( 4 / 3 ) Y3 merupakan unbias

estimator untuk

. Tentukan varians dari semua unbias estimator tersebut. , katakan varians Y1

Misalkan Y1 dan Y2 merupakan independen stokastik unbias estimator untuk sama dengan varians Y2 . Tentukan konstanta k dan l sehingga

k Y1 + l Y2 merupakan unbias estimator dengan varians lebih kecil dibanding varians Y1 .

Misalkan X 1, X 2, .,X n merupakan sampel acak dari distribusi Poisson dengan parameter 0 . Misalkan Y = dan L [ ,w(y)]=[ ,w(y))=b2+( , ),

>

- w ( y ) ] 2. Jika w ( y ) berbentuk b + ( y / n ) , dengan /n). > 0 , dan

b suatu konstanta yang tidak tergantung pada y , maka buktikan R (

Misalkan X 1, X 2, .,X n merupakan sampel acak dari distribusi normal N ( tidak diketahui. Misalkan Y = dan misalkan L [ ) [ ( n 2 - 1 ) b 2 - 2n ( n - 1 ) b + n 2 ]. ,w(y)]=[

- w ( y ) ] 2. Jika w ( y ) berbentuk b R( ,w(y))=(

2

y , dengan b suatu konstanta yang tidak tergantung pada y maka buktikan

/n2

Selang Kepercayaan dari Parameter Dalam sub bab di atas estimasi dari suatu parameter hanya dinyatakan sebagai satu nilai saja yang biasanya dinamakan estimasi titik. Ada kalanya penggunaan estimasi titik terhadap parameter kurang memadai, sebagai contoh misalnya ada seseorang yang mengatakan bahwa produksi telor di Jawa Timur
STATISTIKA MATEMATIKA II_SEMESTER 4

pada saat ini adalah 4.987.456 butir. Hal ini kurang tepat karena pada saat orang menghitung produksi telur yang satu ada kemungkinan yang lain sudah bertelur, maka untuk itu estimasi yang lebih tepat adalah dengan mengatakan bahwa produksi telor di Jawa Timur adalah antara 4.789.356 dan 5.000.000. Estimasi seperti yang terakhir ini dinamakan selang kepercayaan. Untuk menentukan selang kepercayaan dari parameter dapat dilakukan sebagai berikut.

1 2 3 4 5

Tentukan estimasi titik dari Tentukan distribusi dari .

sebut

Bentuk peubah yang terdiri atas Tentukan distribusi dari pivot. Tentukan selang kepercayaan dari

dan yang dinamakan pivot.

Contoh : Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari dsitribusi normal N ( dengan tidak diketahui dan
2

, untuk

), .

diketahui. Akan ditentukan selang kepercayaan sebesar 1 -

Dari langkah - langkah di atas didapat 1. Penduga dari adalah ,

2

1 1 2 3

Distribuai dari adalah normal N ( Definisikan Z = .

/ n ).

Distribusi dari Z adalah normal N ( 0 , 1 ). Berdasarkan 4 , berarti P ( - z

/2 /2

<Z<z
/2

/2

)=1-

atau
/2

P (- z

< <z

/2

)=1-

P(-z

< untuk

< +z

)= 1-

yang berarti selang kepercayaan sebesar 1 -z

/2

adalah

<

< +z

/2

Soal - soal latihan :

1 2 3 4

Misalkan nilai observasi mean dari sampel acak berukuran 20 yang berdistribusi normal N ( adalah 81,2. Tentukan selang kepercayaan sebesar 95 % untuk . N(

, 80 )

Misalkan merupakan mean dari sampel acak berukuran n dari distribusi normal n sehingga P ( - 1 < < + 1 ) = 0,90. ,
2

, 9 ) . Tentukan

Misalkan sampel acak berukuran 17 dari distribusi normal N ( 5,76. Tentukan selang kepercayaan 90 % untuk mean .

) diketahui

= 4,7 dan s 2 =

Misalkan merupakan mean dari sampel acak berukuran n dari distribusi yang mempunyai mean varians
2

dan

= 10, dan mgf. Tentukan n sehingga dengan peluang sebesar 0,954 interval ( - 1/ 2 , + 1 / . ,

2 ) memuat

Misalkan X 1 , X 2 , ..,X 9 merupakan sampel acak berukuran 9 dari distribusi normal N (

2

).
STATISTIKA MATEMATIKA II_SEMESTER 4

a b c 1

Jika

diketahui , tentukan panjang 95 % selang kepercayaan untuk 9()/ .

jika interval itu didasarkan

pada sampel acak Jika 8(-

tidak diketahui , tentukan nilai ekspektasi panjang 95 % jika didasarkan pada sampel acak )/S .

Bandingkan dua jawaban tersebut.

2

Misalkan X 1 , X 2 , ..,X n + 1 merupakan sampel acak berukuran n + 1 , n > 1 dari sampel acak yang berdistribusi normal N (
n+1)

). Misalkan = dan S 2 = . Tentukan konstanta c sehingga c ( - X

/ S berdistribusi t. Jika n = 8 , tentukan k sehingga P ( - k S < X9 < + k S) = 0,80. y = 75 , maka

2

1 2

Misalkan Y berdistribusi binomial b ( 300, p ). Jika nilai observasi dari Y adalah tentukan selang kepercayaan 90 % untuk parameter p.

Jika merupakan mean dari sampel acak berukuran n yang mempunyai distribusi normal N ( dengan tentukan
1( 2

),

diketahui. Dengan menggunakan tabel daistribusi normal N ( 2 ) - N ( -2 ) = 0,954 c 1( ),c2( ) sehingga . = 4 dan P (c 1( )< < c2( )) = 0,954 , untuk c

) dan c 2 (

) merupakan fungsi naik dari

Misalkan merupakan mean dari sampel acak berukuran 25 dari distribusi gamma dengan > 0. Gunakan teorema limit pusat untuk menentukan interval kepercayaan 0,954 dari distribusi gamma.

, yaitu mean dari

2

Misalkan dua sampampel acak masing-masing berukuran 10 terambil dari distribusi normal N( ) dan N (
2

1,

), dengan
1, 2.

= 4,8 ; s12 = 8,64 ;

y = 5,6 dan s22 = 7,88 . Tentukan selang

kepercayaan 95 % untuk

Misalkan Y dan X dua peubah acak independen dari distribusi binimial dengan parameter n = m = 100, dan p 1 , p 2. Dari hasil pengamatan diketahui y = 50 dan untuk p 1 - p 2.. x = 40. Tentukan selang kepercayaan 90 %

6 7

Tentukan selang kepercayaan sebesar 1 varians Jika

2 1

untuk selisih mean

dari dua distribusi normal jika

dan

2 2

diketahui dan keduanya tidak sama.

X dan

Y keduanya merupakan mean dari dua independen sampel acak yang masing-masing
1, 2

berukuran n , dari distribusi normal N( Tentukan n sehingga / 5 ).

) dan N ( P(

), dengan variansnya diketahui. /5<

1

X- Y-

<X +

Y-

8 9

Jika 8,6 ; 7,9 ; 8,3 ; 6,4 ; 8,4 ; 9,8 ; 7,2 ; 7,8 ; 7,5 merupakan hasil observasi dari sampel acak berukuran 9 dari distribusi normal N ( 8 , Misalkan X
1 2

). Tentukan selang kepercayaan 90 % untuk

. N( ,
2

,X

, ..,X n merupakan sampel acak dari distribusi normal

2

).
2

Misalkan 0 < a < b . Buktikan bahwa ekspektasi matematik panjang dari interval acak [ b, ( XI ) / a ] adalah ( b - a ) ( n
2

( XI 2

) /

/ ab ). ,
2

10 Sampel acak berukuran 15 dari distribusi normal N (

Tentukan selang kepercayaan 90 % untuk
2

) diketahui

= 3,2 dan s

= 4,24.

.
STATISTIKA MATEMATIKA II_SEMESTER 4

11 Misalkan S 2 merupakan varians dari sampel acak berukuran n yang diambil dari distribusi normal N(
,
2

) dengan
2

dan

keduanya tidak diketahui. Misalkan g (z) adalah fkp dari Z = n S2 /

yaitu

( n - 1 ). Misalkan a dan b suatu konstanta sehingga interval pengamatan ( n s 2 / b , n s 2/ a )

2

merupakan selang kepercayaan sebesar 90 % untuk

. Jika panjang n s 2 ( b - a ) / ab minimum ,

maka buktikan a dan b memenuhi a 2g ( a ) = b 2g ( b). Petunjuk jika G (z ) merupakan fungsi distribusi dari Z maka derivatifkan G ( b ) - G ( a ) = 0,95.
2 1 2 2

12 Tentukan selang kepercayaan sebesar 1 distribusi normal jika

1, 2

untuk perbandingan

dari dua sampel acak

diketahui.

13 Misalkan X 1 , X 2 , ..,X 6 merupakan sampel acak berukuran 6 dari distribusi gamma dengan
parameter = 1 dan > 0. Tentukan selang kepercayaan sebesar 98 % untuk .

14 Misakan S12 dan S22 merupakan varians dari sampel acak berukuran n dan m yang diambil dari distribusi
normal N(
2 1, 2

) dan N (

). Gunakan kenyataan bahwa ( n S12 + m S22 ) /

2

berdistribusi

( n + m - 2 ) untuk menentukan selang kepercayaan dari

Estimasi Bayes Dari uraian - uraian didepan terlihat bahwa untuk menentukan estimasi suatu parameter hanya melibatkan hasil observasi atau sampel saja, sedangkan parameter dianggap suatu besaran tetap yang tidak diketahui nilainya. Salah satu cara selain cara di atas untuk menentukan estimasi parameter adalah dengan menganggap bahwa parameter merupakan peubah acak yang mempunyai distribusi, yang ). Sehingga untuk menentukan estimasi dari

biasanya dinamakan distribusi prior dengan notasi h ( parameter

selain memanfaatkan informasi sampel juga memanfaatkan informasi distribusi prior.

1

Misalkan X

, X

, ..,X n merupakan sampel acak dari distribusi X dan Y merupakan adalah

statistik yang merupakan fungsi dari X 1 , X 2 , ..,X 6, maka fkp dari Y untuk setiap fkp bersyarat dari Y jika dan adalah = diberikan , yang dinotasikan g ( y / k(y, )=h( )g(y/

). Berarti fkp bersama antara Y

). Sedangkan fkp marginal dari Y adalah / y ) = yang dinamakan

k 1( y ) , sehingga fkp bersyarat dari distribusi posterior. Jika L (

jika diberikan Y = y adalah k (

, w ( y ) ) merupakan fungsi kerugian dengan w ( y ) adalah estimator w ( y ) yang meminimumkan fungsi kerugian. Jika L / y ), dan jika
2

yang diambil, maka penyelesaian Bayes adalah ( L( , w ( y ) ) = ( ,w(y))= ( - w ( y ) ) -w(y))

maka w ( y ) merupakan mean dari k ( / y ).

maka w ( y ) merupakan median dari k (

Soal - soal latihan :

Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi normal = ) X merupakan sampel dari mean. Ambil fungsi kerugian . Jika berdistribusi normal N ( . ,
2

N(

, (

) dan Y

L(

,w(y) =

-w(y)

) dengan

diketahui . Tentukan penyelesaian Bayes w ( y

) sebagai estimasi titik untuk

STATISTIKA MATEMATIKA II_SEMESTER 4

Misalkan X 1 , X 2 , ..,X n merupakan sampel acak dari distribusi Poison dengan mean Misalkan Y =
-1 -

> 0.

X I dan fungsi kerugian adalah L ( ) ,

,w(y))= (

- w ( y ) ) 2 . Jika h ( .

)=

> 0. Tentukan penyelesaian Bayes sebagai estimasi titik untuk

Misalkan Yn merukan order statistik ke n dari sampel acak berukuran n yang mempunyai fkp f ( x ) = 1/ ,0<x< ))= ( , dan nol untuk yang lain. Misalkan fungsi kerugian yang digunakan adalah L ( h( . )= /
+1

,w(y

- w ( y ) ) 2 dan

<

<

. Tentukan

penyelesaian Bayes sebagai estimasi titik untuk

STATISTIKA MATEMATIKA II_SEMESTER 4