BAB III Pembahasan
-
Upload
toechfah-ummah -
Category
Documents
-
view
12 -
download
0
description
Transcript of BAB III Pembahasan
BAB III
PEMBAHASAN
A. Pengertian Order Statistics
Misalkan X1 , X2 , …, Xnsampel acak yang berukuran n dari suatu
populasi dengan fungsi padat peluang f dan fungsi distribusi kumulatif F.
Misalkan Y 1 merupakan nilai terkecil pertama dari sampel acak tersebut , Y 2
merupakan nilai terkecil kedua setelah Y 1 dan Y 3 merupakan nilai terkecil
ketiga setelah Y 2, dan seterusnya sampai Y n yang merupakan nilai terbesar
dari sampel acak tersebut, maka susunan terurut Y 1 ,Y 2 , Y 3 , …,Y n inilah yang
disebut dengan order statistic dari sampel acak tersebut. Dalam hal ini Y 1
sebagai order statistics pertama,Y 2 sebagai order statistics kedua,Y 3 sebagai
order statistics ketiga dan seterusnya (Freund’s, 1999: 293).
Untuk lebih jelasnya, misalkan n=2 dan hubungan antara nilai dari
masing-masing variabel acak yang mungkin adalah
y1=x1 dan y2=x2 dimana x1< x2 atau
y1=x2 dan y2=x1 dimana x2< x1
Dengan cara yang sama untuk n=3 adalah
17
18
y1=x1, y2=x2 ,dan y3=x3, dimana x1< x2<x3 atau
y1=x1, y2=x3 , dan y3=x2 , dimana x1< x3<x2 atau
y1=x2, y2=x1 dan y3=x3 , dimana x2< x1<x3 atau
y1=x2, y2=x3 , dan y3=x1 , dimana x2< x3<x1 atau
y1=x3, y2=x2 , dan y3=x1 , dimana x3<x2<x1 atau
y1=x3, y2=x1 , dan y3=x2 , dimana x3<x1<x2 atau
B. Sifat-sifat Order Statistics
Langkah- langkah untuk mendapatkan sifat-sifat order statistics adalah
sebagai berikut:
1. Distribusi Bersama dari n Order Statistics
Misalkan X1,X2,..., Xn sampel acak dengan fungsi padat peluang f Xi(x i)
dan sampel acak bersifat bebas yang masing-masing berdistribusi peluang
f ( x1 ) , f ( x2 ) , …, f ( xn ), maka fungsi padat peluang bersamanya :
f X1 , X 2 ,… ., Xn( x1 , x2 ,…, xn )=f X1
( x1 ) . f X2( x2 ) ….f Xn
( xn )=∏i
n
f Xi(x i)
19
Teorema (Engelhardt dan Bain, 1991 : 215)
Jika X1,X2,..., Xn adalah sampel acak berukuran n dari suatu populasi
dengan fungsi padat peluang kontinu f (x), maka fungsi padat peluang
bersama dari order statistics Y1 , Y2 , ..., Yn adalah
g(y1 , y2 ,⋯ yn¿=n! f ( y1 ) f ( y2) f ( yn)
jika y1< y2<⋯< yn dan 0 untuk y yang lain
Bukti:
Bila suatu sampel acak X1,X2,..., Xn dan order statistics Y 1 ,Y 2 , Y 3 , …,Y n,
serta variabel acak X i , i=1 ,2 , …, n dan n order statistics yang terurut,
sehingga diperoleh :
Y 1 = terkecil ke-1 dari X1,X2,..., Xn
Y 2 = terkecil ke-2 dari X1,X2,..., Xn
⋮
Y r = terkecil ke-r dari X1,X2,..., Xn
⋮
20
Y n = terbesar dari X1,X2,..., Xn
sehingga terdapat n !susunan variabel acak dalam urutan naik sesuai tanda.
Salah satu dari n! susunan tersebut mungkin :
X5< X1< Xn−1<⋯<X n< X2
sehingga
X5=Y 1
X1=Y 2
X n−1=Y 3
⋮
X n=Y n−1
X2=Y n
merupakan transformasi Jacobi dari (X1 ,…, Xn ¿ke (Y 1 , …,Y n¿. sehingga
fungsi padat peluang bersama dari variabel acak di atas adalah :
f Y1 , Y2 ,⋯, Yn( y1 , y2 ,⋯ yn)|J|=∏
i=1
n
f Y ( y i)
21
Untuk y1< y2<⋯< yn
Jika masing-masing transformasi Jacobi menghasilkan nilai determinan
satu, maka bentuk fungsi padat peluang bersama dari n order statistics adalah :
f Y 1 , Y 2 ,⋯ ,Yn ( y1 , y2 ,⋯ yn )=∏i=1
n
f Y i( y i)
¿n !∏i=1
n
f Y i( yi )
= n! f Y ( y1 ) f Y ( y2 ) …f Y ( yn)
untuk y1< y2<⋯< yn
sehingga fungsi padat peluang bersamanya adalah
f Y 1 , Y 2 ,⋯ ,Yn ( y1 , y2 ,⋯ yn )=n!∏i=1
n
f Y i( y i )
= n! f Y ( y1 ) f Y ( y2 ) …f Y ( yn) (3.1)
Dengan menggunakan persamaan (3. 1) bila suatu variabel acak
berdistribusi uniform dengan interval (0, 1), maka fungsi f Y ( y )=1, sedangkan
fungsi padat peluang bersama dari n order statistics adalah
f Y 1 , Y 2 ,⋯ ,Yn ( y1 , y2 ,⋯ yn )=¿n! f Y ( y1 ) f Y ( y2 ) …f Y ( yn)
¿n! . 1 . 1 ... 1
22
¿n !
2. Distribusi Marginal dari Order Statistics
Untuk mendapatkan distribusi marginal dari sembarang variabel acak
kontinu dapat diterapkan pada order statistics ke-r, yaitu dengan
mengintegralkan distribusi bersama terhadap n-1 variabel lain pada persamaan
(3. 1) .
Untuk nilai terbesar dari Y (n) :
f Yn( yn)=n! f Y ( yn)∫
−∞
yn
∫−∞
yn−1
…∫−∞
y3
∫−∞
y2
∏i=1
n−1
f Y ( y i¿¿¿¿¿)dy i ¿¿¿¿¿
¿n ! f Y ( yn )∫−∞
yn
∫−∞
yn−1
…∫−∞
y3
[FY ( y2)¿¿¿ f Y ( y2 )]∏i=3
n−1
f Y ( y i¿)dy2 …. dyn−1¿¿¿¿
¿n ! f Y ( yn)∫−∞
yn
∫−∞
yn−1
…∫−∞
y4
¿¿¿¿¿
∏i=4
n−1
f Y ( y¿¿ i)dy3 …dyn−1 ¿
⋮
¿n ! f Y ( yn )[ FX ( yn )]n−1
(n−1 ) !
¿n [FY ( yn )]n−1 f Y ( yn ) (3.2)
23
Begitu pula untuk nilai terkecil Y (1 )
f Y (1)( y¿¿1)=n ! f X( y1)∫
y1
∞
∫y2
∞
⋯ ∫yn−2
∞
∫yn−1
∞
∏i=2
n
f Y ( y i¿¿¿¿¿)dyn dyn−1⋯ dy3 dy2 ¿¿¿¿¿¿
¿n ! f Y ( y1 )∫y1
∞
∫y2
∞
⋯∫yn−2
∞
[1−FY ¿¿¿( yn−1) f Y ( yr−1)]∏i=2
n−2
f Y ( y i)dyn−1dyn−2⋯ dy2¿¿¿
⋮
¿n ! f Y ( y1 )[1−FY ( y1 )]n−1
(n−1 ) !
¿n [1−F ⰈY ( y1 )]n−1 f Y ( y1 ) (3. 3)
Pada order statistics ke-r, untuk memudahkan urutan pengintegralan
digunakan
∞> yn> yn−1>⋯> yr dan −∞< y1< y2<⋯< yr
sehingga dari persamaan (3. 2) dan (3. 3) diperoleh :
f Y (r )( y¿¿ r )=n! f Y ( y¿¿ r )∫
−∞
y r
∫−∞
y r−1
⋯∫−∞
y2
∫y r
∞
∫yr+1
∞
⋯∫yn−1
∞
∏i=1i ≠ r
n
f Y ( y¿¿ i)dyn⋯ dyr+2 dyr+1dy1⋯ dyr−1¿¿¿
24
¿n ! f Y ( y¿¿ r)[1−FY ( yr ) ]n−r
(n−1 )! ∫−∞
y r
∫−∞
y r−1
⋯∫−∞
y2
∏i=1
r−1
f Y ( y¿¿ i)dy1⋯ dyr−2dyr−1¿¿
¿n ! f Y ( y¿¿ r)[1−FY ( yr ) ]n−r
(n−1 )![ FY ( yr ) ]r−1
(r−1 )!¿
¿ n!(r−1 ) ! (n−r )!
[FY ( yr )]r−1[1−FY ( yr )]n−r f Y ( y¿¿ r)¿ (3. 4)
dari persamaan (3. 4) diperoleh fungsi padat peluang marginal dari order
statistics berdistribusi uniform untuk interval (0, 1)
f Y (r )( yr )= n !
(r−1 )! ( n−r ) !yr−1(1− y )n−r f Y ( y¿¿ r )(3.5)¿
f Y (r )( yr )= n !
(r−1 )! ( n−r ) !yr−1(1− y )n−r . 1
f Y (r )( yr )= n !
(r−1 )! ( n−r ) !yr−1(1− y )n−r
3. Momen Order Statistics
Momen ke-k dari variabel acak X dengan fungsi padat peluang f (x)
didefinisikan
25
μ 'k=E ( Xk )=∫−∞
∞
xk . f ( x ) dx
jika X variabel acak kontinu
Mean adalah momen pertama. Momen ke-k dari order statistics ke-r adalah
E (Y (r )k )=∫
−∞
∞
yk f ( y ) dy
Momen ke-k dari order statistics ke-r berdistribusi unifofm dengan interval
(0, 1)
E (Y (r )k )=∫
−∞
∞
yk f Y (r )( yr ) dy
¿∫0
1
yk n !(r−1 )! (n−r )!
yr−1(1− y)n−r dy untuk 0< y<1
¿ n!(r−1 ) ! (n−r )!∫0
1
yr+k−1(1− y )n−r dy
¿ n!(r−1 ) ! (n−r )!
B (r+k , n−r+1 )
¿n! (r+k−1 )!
(n+k )! (r−1 )!
¿(r+k−1 ) (r+k−2 ) … (r+1 ) r
(n+k ) (n+k−1 ) … (n+2 )(n+1)(3.6)
untuk sembarang 1≤ r ≤ n dan k adalah bilangan bulat.
26
Sehingga mean, yaitu momen pertama (k=1) dari order statistics
berdistribusi uniform dengan interval (0,1) pada persamaan (3. 6) adalah
E(Y ¿¿(r ))=(r+k−1 ) (r+k−2 ) … (r+1 )r
(n+k ) (n+k−1 ) … (n+2 )(n+1)¿
E(Y ¿¿ (r ))= rn+1
(3.7)¿
Var (Y ¿¿ (r ))=E (Y ²¿¿ (r ))−¿¿¿
Var ¿
¿(r+1 ) r (n+1 )−r ²(n+2)
(n+2 )(n+1) ²
¿r (n+1 )
(n+2 )(n+1) ²(3. 8)
4. Pendekatan Sampel Besar untuk Mean dan Variansi dari Order Statistics
ke-r
Teorema 1: Transformasi Integral Peluang (Gibbons, 1971: 23)
27
Diberikan variabel acak X, dengan fungsi distribusi kumulatif F (x). Jika
F (x) kontinu, maka variabel acak Y yang merupakan hasil tranformasi
Y=F X (x) berdistribusi uniform pada interval (0, 1).
Bukti :
Jika 0 ≤ FX ( x ) ≤1 untuk ∀ x, maka FY ( y )=0 untuk y ≤ 0 dan FY ( y )=1
untuk y ≥1. Untuk 0< y<1 dapat didefinisikan U sebagai bilangan
terbesar yang memenuhi FX (u )= y . Sehingga FX ( x )≤ y jika dan hanya jika
X ≤ u, yang berarti bahwa :
FY ( y )=P (F X ( x )≤ y )=P ( X ≤ u )=F X (u )= y .
Dari teorema transformasi integral peluang dapat dikatakan bahwa jika
X1,X2,..., Xn merupakan sampel acak dari suatu populasi dengan fungsi
distribusi kumulatif FX , maka FX ( X1), FX ( X2 ) , …, F X (Xn) adalah sampel
acak dari populasi uniform.
Penilaian momen dari Y (r)yang berasal dari fungsi padat peluang dalam
persamaan (3. 4) memerlukan integral dari invers FX . Misalkan U (r) adalah
order statistics ke-r dari distribusi uniform dengan interval (0,1), maka
hubungan fungsional tersebut dapat ditulis
28
Y (r) = F x−1(U ( r )) (3. 9)
ini berarti, terdapat sebuah pendekatan momen dari sebuah fungsi yang lebih
khusus, yakni fungsi distribusi uniform sehingga pendekatan momen dari
sembarang fungsi dapat ditemukan.
Dengan menggunakan Teorema Taylor dan misalkan g(z) fungsi di
sekitar titik μ, maka diperoleh :
f ( a )+f ' (a ) ( x−a )+ f ' ' (a )2 !
( x−a )2+ f ' ' ' (a )3 !
( x−a )³+…
g ( z )=g (μ )+g' ( μ ) ( z−μ )+ g' ' ( μ )2 !
( z−μ )2+ g' ' ' (μ )3 !
( z−μ )³+…
g ( z )=g (μ )+∑i=1
∞ (z−μ)i
i !gi (μ )(3.10)
dengan gi(μ) = d i g(Z )
dZ i |z=μ dan
limn → ∞
(z−μ)n
n !g(n)(z¿¿1)=0¿
untuk μ<z1<z.
Dari persamaan (3. 10), untuk sembarang variabel acak Z dengan mean ( μ)
dan mengambil niali harapan dari kedua sisi, maka diperoleh :
29
E ( g (Z ) )=g (μ )+ var (Z)2!
g (2) (μ )+∑i=3
∞
E ¿¿¿
Penaksiran pertama untuk E(g ( z )) adalah g ( μ ) .
Penaksiran kedua untukE(g ( z )) adalah g ( μ )+ var (Z)2 !
g (2 ) ( μ )
dari persamaan (3. 10) dan (3. 11), diperoleh penaksiran variansi (Z)
g ( z )−E ( g (Z ) )=( z−μ ) g (1 ) ( μ )+g(2 )(μ) 12!
¿
{g ( z )−E [ g ( Z ) ]}2=( z−μ )2 ¿
var [g ( Z ) ]=var ( Z ) [ g (1) (μ ) ]2−14
¿ (3.12)
E(h (Z )) adalah momen pusat dengan derajat yang lebih tinggi.
Dari hubungan fungsional pada persamaan (3. 9) untuk order statistics ke-
r, yaitu
g(u (r ))=x ( r )=F X−1(u(r )) dan u(r)=F ( X )(x ( r))
dan dari persamaan (3. 7) dan (3. 8), telah diketahui bahwa :
μ=E (U (r ))=r
n+1 dan var (U ¿¿ (r ))=
r (n−r+1)(n+1 )2+(n+2)
¿
30
sehingga turunan dari g(μ):
g' (μ )=
dx(r )
du(r )|U (r )=μ
¿¿
¿ [ f X (x (r ) )]−1|x(r)=F X
−1(μ)
¿{f X [F X−1( r
n+1 )]}−2
dan g' ' ( μ )= d
dur
[ f X (x (r ) )]−1|x(r)=F X
−1(μ)
¿−[ f X (x (r ) )]2f ' X ( x (r ) )
dx(r)
du(r )|x(r )=FX
−1(μ)
¿−f 'X [FX−1( r
n+1 )]{f X [F X−1( r
n+1 )]}−3
Dengan mensubtitusikan ke dalam mean dan variansi dari Y (r), diperoleh
g¿ dan μ=E (U (r ))=r
n+1 maka :
E(Y ¿¿(r ))≈ FX−1(u (r ))¿
31
E(Y ¿¿(r ))≈ FX−1[ r
n+1]¿
Var (U ( r ))=r (n−r+1)
(n+1 )2+(n+2)
{f X [F X−1( r
n+1 )]}−2
maka :
Var ¿
Var (Y ¿¿ (r ))≈r (n−r+1)
(n+1 )2(n+2){f X [F X
−1( rn+1 )]}
−2
¿
C. Order Statistics dalam Inferensi Statistik
Inferensi statistik merupakan kegiatan menganalisis, menginterpretasikan
data sehingga dapat diambil suatu kesimpulan atau keputusan yang berkenaan
dengan data tersebut. Dalam sub bab ini akan dibahas tentang dua
permasalahan utama dalam inferensi statistik, yaitu estimasi parameter dan uji
hipotesis yang berkaitan dengan order statistics.
Teorema 2 (Gibbons, 1971: 40)
Misalkan Y (r) order statistics ke-r dari n, dan FX (x ) sembarang distribusi
kumulatif kontinu, maka untuk n mendekati tak berhingga (n→ ∞) dan r/n
adalah suatu bilangan,
32
[ n
( p (1−p ) ) ]12 f X (μ )(μ(r )−μ)
dengan μ memenuhi f X ( μ ) = p, untuk p=r /n.
Bukti :
Diketahui bahwa n → ∞ dan r /n adalah suatu bilangan. Dengan
menggunakan teorema transformasi peluang integral akan dibuktikan
bahwa distribusi order statistics ke-r untuk n → ∞.
Misalkan U ( r ) merupakan fungsi φ (u), maka :
f U (r ) (u )= n!(r−1 ) ! (n−r )!
ur−1(1−u)n−r 0<u<1
dan transformasi
Z(r)=U (r)−μ
σ
dengan mensubtitusikan untuk semua z, diperoleh
U (r)=Z (r )σ+μ
33
f U (r ) (u )= n!(r−1 ) ! (n−r )!
ur−1(1−u)n−r
f Z (r ) ( z)= n !(r−1 ) ! (n−r )!
(σz+μ )r−1 ¿
¿n [n−1r−1 ]σμr−1(1−μ)n−r[1+ σz
μ ]r−1
[1− σz1−μ ]
n−r
¿n [n−1r−1 ]σμr−1(1−μ)n−r ev
(3. 13)
dengan v =(r−1 ) log [1+ σzμ ]+ (n−r ) log [1− σz
1−μ ] (3. 14)
dengan menggunakan deret Taylor untuk fungsi lognatural,
f ( a )+f ' (a ) ( x−a )+ f ' ' (a )2 !
( x−a )2+ f ' ' ' (a )3 !
( x−a )³+…
maka lognaturalis,
log (1+ x)=∑i=1
∞
(−1)i−1 x i
i
dimana untuk −1<x ≤1, dan dengan c1=σμ
, c2=σ
1−μ
dari persamaan (3. 14), diperoleh:
34
v=(r−1 )(c1 z−c12 z2
2+c1
3 z3
3−⋯)− (n−r )(c2 z+c2
2 z2
2+c2
3 z3
3+⋯)
¿ z [ c1 (r−1 )−c2 ( n−r ) ]− z2
2[ c1
2 (r−1 )+c22 (n−r ) ]+ z3
3[c1
3 (r−1 )+c23 ( n−r ) ]−⋯
(3. 15) Untuk n → ∞, p=r /n, c1 dan c2 dapat didekati
sebagai berikut :
c1=[ (n−r+1)r (n+2) ]
1/2
≈ [ 1−ppn ]
1 /2
c2=[ r(n−r+1 )(n+2) ]
1 /2
≈ [ p(1−p )n ]
1 /2
Dengan mensubtitusikan nilai c1 dan c2 ke dalam persamaan (3. 15), diperoleh
koefisien z
v=Z [c1 (r−1 )−c2 (n−r ) ]−Z2
2[ c1
2 (r−1 )+c22 (n−r ) ]+ Z3
3[ c1
3 (r−1 )+c23 (n−r ) ]−⋯
¿ Z [[ 1−ppn ]
12 (r−1 )−[ p
(1−p ) n ]12 (n−r )]− Z2
2¿
untuk koefisien z diperoleh :
(r−1 ) √1−p
√np−
(n−r ) √ p
√n (1−p )=
r−np−(1−p )
√np (1−p )
35
¿−√(1−p )√np
→0 untuk n→ ∞
untuk koefisien -Z2
2
(r−1 ) (1−p )np
+(n−r )
n (1−p )=(1−p )− (1−p )
np+ p
¿1−(1−p)
np→1untuk n→ ∞
untuk koefisien Z3
3
(r−1)(1−p)3 /2
(np)3 /2 −(n−r ) p3 /2
[n (1−p)]3/2 =(np−1)
n3 /2 −[(1−p)p ]
3 /2
¿− p3 /2
[n (1−p )]3 /2 → 0untuk n→ ∞
sehingga
limn → ∞
v=−¿ Z2
2¿
Sedangkan bentuk konstanta dari persamaan (3. 13) adalah
n [n−1r−1 ]σμr−1 (1−μ )n−r=
(n+1 )!r ! (n−r+1 )!
.r (n−r+1 )
n+1σμr−1 (1−μ )n−r
36
¿ √2π e−(n+1)(n+1)n+3/2
2 π e−r rr+1/2 e−(¿−r+1)(n−r+1)n−r+3 /2.rr+1 /2(n−r+1)n−r+3 /2
(n+1)n+3 /2
¿ 1
√2 π
Perhitungan di atas diperoleh dengan menggunakan formula stirling, yang
menyatakan bahwa
n !≈(2 π )1/2e−n nn+1/2
Dan bentuk perkalian dari
σμ r−1 (1−μ )n−r=rr−1/2(n−r+1)n−r+1/2
(n+1)n(n+2)1/2 ≈rr−1 /2(n−r+1)n−r+1 /2
(n+1)n+1 /2
Sehingga limn → ∞
f Z (r ) ( Z )= 1√2 π
e−12
Z ²
Dengan pendekatan mean dan variansi untuk n besar, diperoleh
μ=F X−1(p) dan Var ¿σ2=
p (1−p )[ f X (μ )]−2
n
jadi
Z(r)=U (r)−μ
σ
37
¿ [ n
( p (1−p ) ) ]12 f X ( μ ) (X (r )−μ )untuk p= r
n.
1. Estimasi Interval untuk Kuantil
Dalam estimasi titik, parameter populasi hanya diduga dengan satu titik.
Estimasi tersebut mempunyai kelemahan, yaitu tidak memiliki petunjuk
tentang ketepatannya. Untuk itu estimasi titik perlu disertai dengan ukuran
kesalahan estimasi yang mungkin. Dalam hal ini estimasi parameter dapat
disertai dengan interval yang mengandung titik dan ukuran yang memenuhi
nilai yang sebenarnya dari parameter yang terletak pada interval ini dan
bertujuan untuk mengestimasi interval dengan estimator kuantil sampel.
Berdasarkan teorema 2 (Gibbons, 1971: 40), bahwa order statistics ke-
r adalah sebuah estimator yang konsisten dari distribusi kuantil ke-p, dengan p
= r/n. Sehingga dapat diperoleh interval konfidensi untuk kuantil ke-p.
Penentuan interval dengan menemukan dua bilangan r, s (r < s) yang
merupakan order statistics sampel acak n dari populasi FX , sedemikian
sehingga :
38
P(Y ( r )<x p<Y ( s ))=1−α 0<α<1
KejadianY ( r)<x p terjadi bila hanya bila Y ( r)<x p<Y ( s) atau x p>Y ( s), dua
kejadian yang merupakan saling asing untuk semua r < s.
P(Y ( r )<x p)=P(Y (r )<x p<Y (s )) + P(x p>Y ( s))
P (Y ( r)<x p<Y ( s) )=P (Y (r )<x p )-P ¿) (3.16)
karena FX merupakan suatu fungsi naik, maka akan berlaku :
Y ( r)<x pjika dan hanya jika FX (Y ( r) )<F X (xp)
Berdasarkan teorema transformasi integral peluang, distribusi peluang
variabel acak FX (Y ( r) )<¿ adalah order statistics ke-r dari distribusi uniform
dalam interval (0,1) dan
FX (Y ( r) )<¿ = p. Sehingga untuk Y ( r) , order statistics ke-r dari sembarang
populasi kontinu dengan kuantil ke-p, x p ,berlaku :
P (X ( r )<x p )=P[ FX (Y (r ) )<P]
¿∫0
Pn!
(r−1 ) ! (n−r )!yr−1 ¿¿
39
untuk memperoleh estimasi interval darix p, maka r dan s harus dipilih
dengan mensubtitusikan persamaan (3. 17) ke dalam persamaan (3. 16)
P (Y ( r)<x p<Y ( s) )=P(Y (r )<x p) - P ¿ )
¿∫0
pn!
(r−1 ) ! (n−r )!yr−1 ¿¿
¿1−α (3. 18)
sehingga
P (Y ( r)<x p )=∫0
Pn !
(r−1 )! (n−r )!yr−1 ¿¿
¿n!
(r−1 ) ! (n−r )!¿+
n−rr
∫0
p
xr ¿]
¿ [nr ] pr(1−p)n−r+n [n−1r ] [ xr+1
r+1(1− y )n−r−1|p
0+[ n−r−1
r+1 ]∫0
p
yr+1 (1− y )n−r−2 dy ] ¿ [nr ] pr(1−p)n−r [ n
r+1] pr+1(1−p)n−r−1+n [n−1r+1 ]∫
0
p
yr+1(1− y )n−r−2 dy
¿ [nr ]P r(1−p)n−r+[ nr+1] pr+1(1−p)n−r−1+⋯+[ n
n−1] pn−1 (1−p )+n[n−1n−1]∫
0
p
yn−1(1− y)0 dy
40
¿∑j=0
n−r
[ nr+ j ] pr+ j (1−p )n−r− j
jadi
P (Y ( r)<x p )=∑i=r
n
[ni ] pi (1−p )n−i(3.19)
Untuk P (Y ( s)<x p )diperoleh :
P (Y ( s)<x p )=∑i=s
n
[ni ] pi (1−p )n−i
sehingga,
(Y (r )<x p<Y (s ))=∑i=s
n
[ni ] p i (1−p )n−i−∑i=r
n
[ni ] p i (1−p )n−i
¿∑i=r
s−1
[ni ]p i (1−p )n−i(3.20)
¿1−α
2. Uji Hipotesis untuk Kuantil
Pengujian hipotesis statistik merupakan hal paling penting dalam inferensi
statistik. Benar atau salahnya suatu hipotesis tidak akan pernah diketahui
dengan pasti, kecuali bila diperiksa seluruh populasinya. Misalkan
41
Y 1 ,Y 2 , Y 3⋯ , Y n adalah order statistics dari sembarang distribusi kontinu FX ,
hipotesis nol untuk kuantil ske-p :
H o : x p=x p0
P (X<xp0 )=p
Misalkan hipotesis alternatifnya (H ¿¿1)¿:
H 1: xp>x p0
Daerah penolakan atau H oditolak pada :
Y ( r)∈R untuk Y ( r)>x p0
Untuk lebih khususnya, jika diberikan tingkat signifikasi α , r dipilih
sedemikian sehingga memenuhi :
α ¿ P ¿)
¿1−P ¿ |H o)
Dengan menggunakan persamaan (3. 19), diperoleh :
α=1−∑i=r
n
[ni ] pi (1−p )n−i
42
¿∑i=0
r−1
[ni ]p i (1−p ) n−i
Sehingga uji binomial dapat digunakan untuk menguji hipotesis dari kuantil
variabel acak. Uji kuantil merupakan salah satu bentuk uji yang tidak mendasarkan
pada distribusi tertentu.
Misalkan p¿ adalah suatu bilangan tertentu dengan 0 < p¿<1 dan misalkan x¿
adalah kuantil ke- p¿ dari populasi. Uji hipotesis tentang kuantil ke- p¿:
1. Hipotesis :
a. H o : kuantil ke-p¿ = x¿ atau
P ( X ≤ x¿ )=p¿
H 1:kuantil ke- p¿ ≠ x¿ atau
P ( X ≤ x¿ )≠ p¿
b. H 0 : kuantil ke- p¿ ≤ x¿ atau
P ( X<x¿) ≤ p¿
H 1:kuantil ke- p¿ ¿dari x¿ atau
P ( X<x¿)> p¿
c. H o : kuantil ke-p¿ ≥ x¿ atau
P ( X<x¿) ≥ p¿
H 1:kuantil ke- p¿ ¿dari x¿ atau
P ( X<x¿)< p¿
43
2. Taraf signifikansi : α
3. Statistik Uji :T 1 : Jumlah data yang kurang dari atau sama denganx¿
T 2 : Jumlah data yang lebih kecil dari x¿
4. Kriteria keputusan :
a.H o ditolak apabila T 1≤ t1 atau T 2> t2
b.H o ditolak apabilaT 2> t2
c.H o ditolak apabila T 1≤ �᳖ t1
5. Perhitungan :
Dengan menggunakan tabel Binomial dapat diperoleh bilangan t 1 , t 2 sehingga
a. Berlaku P (Y ≤t 1 )=α1 dan P (Y ≤t 2 )=α2 atau
P (Y ≤t 2 )=1−α2
b. Berlaku P (Y >t 2 ) = α atau P (Y ≤t 2 )=α
c. Berlaku P (Y ≤t 1 ) = α
6. Kesimpulan : a . H o ditolak apabilaT 2> t2 atau T 1≤ t1
b.H o ditolak apabilaT 2> t2
44
c.H o ditolak apabila T 1≤ t1
b.H o ditolak apabilaT 2> t2
c.H o ditolak apabila T 1≤ t1
Aplikasi Order Statistics dalam bidang:
1. Tes psikologi mahasiswa
Suatu survei telah dilakukan untuk mengetahui motivasi belajar mahasiswa
maka dilakukan beberapa tes psikologi pada 20 mahasiswa yaitu kebiasaan
belajar dan sikap terhadap akademik. Median dari nilai tes psikologi mereka
sebagai berikut:
142 134 98 119 131
104 154 12
2
93 137
86 119 16
1
144 158
165 81 11
7
128 103
Bagaimana selang kepercayaan 90% untuk median nilai tes psikologi pada 20
mahasiswa tersebut dengan p= 0,5 dan α=0,05
45
Analisis:
dengan n= 20, p= 0,5 , α2=0,5 1−
α2=0,95 maka selang kepercayaan untuk
median tes psikologi adalah
P (Y ( r)<x p<Y ( s) )=∑i=s
n
[ni ] pi (1−p )n−i−∑i=r
n
[ni ] pi (1−p )n−i
¿∑i=r
s−1
[ni ]p i (1−p )n−i
P (Y ( r)<x0,5 )=∑i=r
n
[ni ] p i (1−p )n−i
¿∑i=r
20
[20i ]2−20
¿∑i=6
20
[20i ]2−20=0,058
P (Y ( s)<x0,5 )=∑i=s
n
[ni ] pi (1−p )n−i
¿∑i= s
20
[20i ]−2−20
¿∑i=13
20
[20i ]−2−20=0,942
Dengan menggunakan tabel Binomial diperoleh r = 7 dan s = 14, maka selang
kepercayaan yang diperoleh adalah P (Y (7 )<x0,5<Y (14 ) )
46
y1=81 y6=104 y11=128 y16=¿144
y2=86 y7=¿117 y12=131 y17=¿154
y3=¿93 y8=119 y13=134 y18=¿158
y4=98 y9=199 y14=137 y19=161
y5=¿103 y10=¿122 y15=142 y20=¿165
Sehingga selang kepercayaan yang diperoleh adalah
P (117< x0,5<137 )
dengan selang kepercayaan P(117 < x0,5 < 137 dapat ditentukan untuk median
tes psikologi yaitu antara 117 dan 137.
2. Nilai ujian siswa
Suatu penelitian dilakukan untuk mengetahui apakah nilai median ujian siswa
SMU sama dengan tahun-tahun kemarin. Nilai median (karena median
mempunayi keuntungan yaitu mudah menghitungnya dan median tidak
dipengaruhi pengamatan yang ekstrem) siswa itu akan digunakan apakah
siswa perlu ada jam tambahan pelajaran matematika. Dalam beberapa tahun
diketahui nilai median ujian matematika siswa adalah 65. Suatu sampel acak
yang terdiri dari 25 siswa yang akan menempuh ujian tersebut telah diambil.
Dengan menggunakan taraf signifikansi 5%, kesimpulan apa yang diperoleh
apabila diketahui nilai ujian 25 siswa tersebut sebagai berikut :
47
92 62 65 83 54
63 38 77 68 61
70 64 83 44 65
78 81 85 66 50
67 75 90 75 85
Analisis :
1. Hipotesis
a . H o : median adalah 65
H 1 : median tidak sama dengan 65
b . H o : median paling tidak sebesar 65
H 1 : median lebih kecil 65
c .H o : median tidak lebih besar dari 65
H 1 : median lebih besar dari 65
2. Taraf signifikansi : α=¿0,05
48
3. Statistik uji : T 1 : banyaknya siswa yang nilainya ≤ 65
T 2 : banyaknya siswa yang nilainya < 65
4. Kriteria keputusan :
a. H o ditolak apabila T 1≤ t1 atau T 2> t2
b. H o ditolak apabila T 2> t2
c. H o ditolak apabila T 1≤ t1
5. Perhitungan :
T 1=9 dan T 2=8 maka dengan tabel Binomial diperoleh t 1=9 dan t 2=15
6. Kesimpulan :
a. karena T 1=t1 (9 ¿ 9) atau T 2< t2 (8 <15), maka H o diterima. Ini berarti
median ujian siswa tahun ini sama dengan tahun-tahun yang lalu yaitu
sama dengan 65.
b. karena T 2< t2 atau (8 < 15), maka H o diterima. Ini berarti median
ujian siswa tahun ini sama dengan tahun-tahun yang lalu yaitu sama
dengan 65.
49
c. karena T 1≤ t1 atau (9 = 9), maka H o diterima. Ini berarti bahwa nilai
median ujian seluruh siswa tahun ini sama dengan tahun-tahun yang lalu
yaitu sama dengan 65.
Sehingga dapat disimpulkan bahwa siswa perlu ada jam tambahan karena
untuk meningkatkan nilai median ujian siswa atau agar nilai median ujian
siswa lebih dari 65.