STATISTIKA MATEMATIKA - … · Chapter 1 Pembahasan : Statistik Cukup Soal 1 Dalam setiap kasus...
Transcript of STATISTIKA MATEMATIKA - … · Chapter 1 Pembahasan : Statistik Cukup Soal 1 Dalam setiap kasus...
Contents
1 Pembahasan : Statistik Cukup 1
2 Latihan Soal Statistik Cukup 16
3 Pembahasan : Estimasi Titik 17
4 Latihan Soal Estimasi Titik 37
5 Pembahasan : Uji Hipotesis 41
6 Latihan Soal Uji Hipotesis 45
7 Pembahasan : Estimasi Interval 47
8 Latihan Soal Estimasi Interval 56
ii
Chapter 1
Pembahasan : Statistik Cukup
Soal 1
Dalam setiap kasus berikut, tuliskan fungsi kepadatan probabilitas dari vari-abel random X dan spesifikasikan ruang parameter Ω.
1. Variabel random X berdistribusi Poisson(θ).
2. Variabel random X berdistribusi Gamma(α, β).
3. Variabel random X berdistribusi eksponensial dengan parameter θ.
4. Variabel random X berdistribusi Beta(α, β).
Pembahasan
1. Karena X berdistribusi Poisson(θ) maka fungsi probabilitasnya :
f(x) =e−θθx
x!θ ∈ (0,∞).
Ruang parameter : Ω = θ ∈ R|θ > 0 = (0,∞).
2. Karena X berdistribusi Eksponensial(θ) maka fungsi kepadatan prob-abilitasnya :
f(x) = θe−θx untuk x > 0 dan θ > 0.
Ruang parameter : Ω = θ ∈ R|θ > 0 = (0,∞).
1
3. Karena X berdistribusi Gamma(α, β) maka fungsi kepadatan proba-bilitasnya :
f(x;α, β) =1
Γ(α)βθxα−1e−x/β untuk x > 0, α > 0, β > 0.
Ruang parameter Ω = (α, β) ∈ R2|α > 0, β > 0.
4. Karena X berdistribusi Beta(α, β) maka fungsi kepadatan probabili-tasnya :
f(x;α, β) =Γ(α + β)
Γ(α)Γ(β)xα−1(1− x)β−1, 0 < x < 1, α > 0, β > 0.
Ruang parameter Ω = (α, β) ∈ R2|α > 0, β > 0.
Soal 2
Misalkan X1, X2, . . . , Xn variabel random saling bebas dan berdistribusi iden-tik. Gunakan Teorema 1 dan Akibatnya untuk menunjukkan bahwa :
1. Jika Xi berdistribusi Poisson(θ) maka∑n
i=1 Xi atau X merupakanstatistik cukup untuk θ.
2. JikaXi berdistribusi Eksponensial(θ) maka∑n
i=1 Xi atau X merupakanstatistik cukup untuk θ.
3. Jika Xi berdistribusi Gamma(α, β) maka(∏n
i=1 Xi,∑n
i=1 Xi
)tatau
(∏ni=1 Xi, X
)tmerupakan statistik cukup untuk (α, β)t.
4. Jika Xi berdistribusi Beta(α, β) maka(∏n
i=1 Xi,∏n
i=1(1−Xi))t
meru-
pakan statistik cukup untuk (α, β)t.
Pembahasan
1. Karena Xi berdistribusi Poisson(θ) maka
f(xi) =e−θθxi
x!
2
untuk xi = 0, 1, 2, . . . sehingga fungsi probabilitas bersamanya adalah
f(x1, x2, . . . , xn; θ) =n∏
i=1
f(xi, θ)
=
n∏
i=1
eθθxi
xi!
=e−nθθ
Pni=1 xi∏n
i=1 xi!.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T (x1, . . . , xn); θ] = e−nθθPni=1 xi
T (x1, . . . , xn) =
n∑
i=1
xi
h(x1, . . . , xn) =1∏n
i=1 xi!.
Oleh karena itu∑n
i=1 Xi merupakan statistik cukup untuk θ. Denganmenggunakan Teorema 1 dan Akibatnya dan mendefinisikan g : R 7→ Rdengan g(x) = x/n maka X juga merupakan statistik cukup untuk θ.
2. Karena Xi berdistribusi Eksponensial(θ) maka
f(xi) = θe−θxi
untuk xi > 0 sehingga fungsi probabilitas bersamanya adalah
f(x1, . . . , xn; θ) =n∏
i=1
f(xi; θ)
=
n∏
i=1
θe−θxi
= θne−θPni=1 xi .
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T (x1, . . . , xn) = θne−θPni=1 xi
T (x1, . . . , xn) =
n∑
i=1
Xi
h(x1, . . . , xn) = 1.
3
Oleh karena itu∑n
i=1 Xi merupakan statistik cukup untuk θ. Denganmenggunakan Teorema 1, Akibatnya dan mendefinisikan g : R → Rdengan g(x) = x/n maka X merupakan statistik cukup untuk θ.
3. Karena Xi berdistribusi Gamma(α, β) maka fungsi kepadatan proba-bilitasnya :
f(xi) =1
Γ(α)βαxα−1i exi/β
untuk xi > 0 sehingga fungsi kepadatan probabilitas bersamanya adalah
f(x1, . . . , xn) =
n∏
i=1
f(xi;α, β)
=n∏
i=1
1
Γ(α)βαxα−1i exi/β
=( 1
Γ(α)βα
)n( n∏
i=1
xi
)α−1
exp(− 1
β
n∑
i=1
xi
).
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T (x1, . . . , xn);α, β] =( 1
Γ(α)βα
)n( n∏
i=1
xi
)α−1
exp(− 1
β
n∑
i=1
xi
)
T (x1, . . . , xn) =( n∏
i=1
Xi,n∑
i=1
Xi
)t
h(x1, . . . , xn) = 1.
Oleh karena itu(∏n
i=1 Xi,∑n
i=1Xi
)tmerupakan statistik cukup untuk
(α, β)t. Dengan menggunakan Teorema 1, Akibat dan mendefinisikan
fungsi g : R2 → R2 dengan g(x, y) = (x, y/n) maka(∏n
i=1Xi, X)t
merupakan statistik cukup untuk (α, β)t.
4. Karena Xi berdistribusi Beta(α, β) maka fungsi kepadatan probabili-tasnya :
f(xi) =Γ(α+ β)
Γ(α)Γ(β)xα−1i (1− xi)β−1
untuk 0 < xi < 1 sehingga fungsi kepadatan probabilitasnya bersamanya
4
adalah
f(x1, . . . , xn;α, β)
=n∏
i=1
f(xi;α, β)
=
n∏
i=1
Γ(α + β)
Γ(α)Γ(β)xα−1i (1− xi)β−1
=(Γ(α + β)
Γ(α)Γ(β)
)n( n∏
i=1
xi
)α( n∏
i=1
(1− xi))β 1∏n
i=1 xi(1− xi).
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T (x1, . . . , xn);α, β]
=( Γ(α + β)
Γ(α)Γ(β)
)n( n∏
i=1
xi
)α( n∏
i=1
(1− xi))β 1∏n
i=1 xi(1− xi)
T (x1, . . . , xn) =( n∏
i=1
xi,n∏
i=1
(1− xi))t
h(x1, . . . , xn) = 1.
Oleh karena itu(∏n
i=1 xi,∏n
i=1(1 − xi))t
merupakan statistik cukup
untuk (α, β)t.
Soal 3
Jika X1, . . . , Xn sampel random dari distriusi N(θ, θ2) dengan θ ∈ R maka
tunjukkan bahwa(∑n
i=1 Xi,∑n
i=1 X2i
)atau
(X,∑n
i=1 X2i
)merupakan statis-
tik cukup untuk θ.
Pembahasan
Karena Xi berdistribusi N(θ, θ2) maka fungsi kepadatan probabilitas darivariabel random Xi adalah
f(xi) =1√
2πθ2exp
[− (xi − θ)2
2θ2
]
5
sehingga fungsi kepadatan probabilitasnya adalah
f(x1, . . . , xn; θ) =n∏
i=1
f(xi; θ)
=
n∏
i=1
1√2πθ2
exp[(xi − θ)2
2θ2
]
=( 1
2πθ2
)nexp
[−∑n
i=1 xi2θ2
]exp
[2θ∑n
i=1 xi2θ2
]exp
[− θ2
2θ2
]
=( 1
2πθ2
)nexp
[−∑n
i=1 xi2θ2
]exp
[∑ni=1 xiθ
]exp[−1
2].
Dengan menggunakan Teorema 1 diperoleh
g[T (x1, . . . , xn); θ] =( 1
2πθ2
)nexp
[−∑n
i=1 xi2θ2
]exp
[∑ni=1 xiθ
]exp[−1
2]
T (x1, . . . , xn) =( n∑
i=1
xi,n∑
i=1
x2i
)
h(x1, . . . , xn) = 1
sehingga(∑n
i=1 Xi,∑n
i=1 X2i
)merupakan statistik cukup untuk θ. Bila
didefinisikan f : R2 7→ R2 dengan f(x, y) = (x/n, y) dan dengan meng-
gunakan Akibat 1 maka(X,∑n
i=1 X2i
)merupakan statistik cukup untuk θ.
Soal 4
Jika X1, . . . , Xn sampel random ukuran n dengan fungsi kepadatan prob-abilitas
f(x; θ) = e(x−θ)
untuk x > θ dan θ ∈ R maka tunjukkan bahwa X(1) = minX1, . . . , Xnmerupakan statistik cukup untuk θ.
Pembahasan
6
Fungsi kepadatan probabilitas bersama untuk X1, . . . , Xn adalah
f(x1, . . . , xn) =
n∏
i=1
f(xi; θ)
=n∏
i=1
e(xi−θ)
= exp[−
n∑
i=1
xi + nθ]
untuk X(1) > θ
= exp[−
n∑
i=1
xi + nθ]
u[X(1), θ]
dengan
u[X(1); θ] =
1 untuk X(1) > θ0 untuk yang lain.
Dengan menggunakan Teorema 1 diperoleh
g[T (x1, . . . , xn); θ] = exp[nθ] u[X(1), θ]
T (x1, . . . , xn) = X(1)
h(x1, . . . , xn) = exp[−
n∑
i=1
xi
].
Akibatnya X(1) = minX1, . . . , Xn merupakan statistik cukup untuk θ.
Soal 5
Jika X1, . . . , Xn variabel random saling bebas dengan fungsi kepadatan prob-abilitas f(x; θ) maka tentukan statistik cukup untuk θ.
1. f(x; θ) = θxθ−1 untuk 0 < x < 1 dan θ ∈ (0,∞).
2. f(x; θ) = 2(θ − x)/θ2 untuk 0 < x < θ dan θ ∈ (0,∞).
3. f(x; θ) = x3 exp(−x/θ)/(6θ4) untuk 0 < x <∞ dan θ ∈ (0,∞).
4. f(θ) = (θ/c)(c/x)θ+1 untuk c < x <∞ dan θ ∈ (0,∞).
Pembahasan
7
1. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dariX1, . . . , Xn adalah
f(x1, . . . , xn) =
n∏
i=1
f(xi; θ)
=n∏
i=1
θxθ−1i
= θn( n∏
i=1
xi
)θ−1
.
Dengan menggunakan Teorema 1 diperoleh
g[T (x1, . . . , xn); θ] = θn( n∏
i=1
xi
)θ
T (x1, . . . , xn) =n∏
i=1
xi
h(x1, . . . , xn) =( n∏
i=1
xi
)−1
.
Akibatnya∏n
i=1Xi merupakan statistik cukup untuk θ.
2. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dariX1, . . . , Xn adalah
f(x1, . . . , xn; θ) =n∏
i=1
f(xi; θ)
=
n∏
i=1
2
θ2(θ − xi) untuk 0 ≤ xi ≤ θ
=( 2
θ2
)n n∏
i=1
(θ − xi) 0 ≤ x(n) ≤ θ
=( 2
θ2
)n n∏
i=1
(θ − xi) h[x(n); θ]
dengan
h[x(n); θ] =
1 untuk X(n) < θ0 untuk yang lain.
8
Dengan menggunakan Teorema 1 diperoleh
g[T (x1, . . . , xn); θ] =( 2
θ2
)n n∏
i=1
(θ − xi) h[x(n); θ]
T (x1, . . . , xn) = X(n)
h(x1, . . . , xn) = 1.
Akibatnya X(n) = maxX1, X2, . . . , Xnmerupakan statistik cukup un-tuk θ.
3. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dariX1, . . . , Xn adalah
g[T (x1, . . . , xn; θ) =
n∏
i=1
f(xi; θ)
=n∏
i=1
( 1
6θ4
)xie
xi/θ
=( 1
6θ4
)n( n∏
i=1
x3i
)exp
(1
θ
n∑
i=1
xi
).
Dengan menggunakan Teorema 1 diperoleh
g[T (x1, . . . , xn); θ] =( 1
6θ4
)nexp
(1
θ
n∑
i=1
xi
)
T (x1, . . . , xn) =
n∑
i=1
xi
h(x1, . . . , xn) =n∏
i=1
x3i .
Akibatnya∑n
i=1 Xi merupakan statistik cukup untuk θ.
4. Karena X ∼ f(x; θ) maka fungsi kepadatan probabilitas bersama dariX1, . . . , Xn adalah
f(x1, . . . , xn; θ) =
n∏
i=1
f(xi; θ)
=
n∏
i=1
(θc
)( cxi
)untuk xi ≥ c
=(θc
)n cθ+1
(∏ni=1 xi
)θ+1.
9
Dengan menggunakan Teorema 1 diperoleh
g[T (x1, . . . , xn); θ] =(θc
)n cθ(∏n
i=1 xi
)θ+1
T (x1, . . . , xn) =n∏
i=1
xi
h(x1, . . . , xn) =( n∏
i=1
xi
)−1
.
Akibatnya∏n
i=1Xi merupakan statistik cukup untuk θ.
Soal 6
Jika X1, X2, . . . , Xn sampel random ukuran n dari distribusi Poisson(θ) makabuktikan bahwa X merupakan statistik tak bias UMV yang tunggal untukparameter θ.
Pembahasan
Karena X statistik cukup untuk θ dan lengkap serta E[X] = θ maka Xmerupakan statistik tak bias untuk θ. Dengan menggunakan Teorema 5diperoleh bahwa X statistik tak bias UMV yang tunggal untuk θ.
Soal 7
Tunjukkan bahwa dalah setiap kasus distribusi tersebut merupakan anggotakeluarga eksponensial.
1. Variabel random X berdistribusi Poisson(θ).
2. Variabel random X berdistribusi Binomial Negatif.
3. Variabel random X berdistribusi Gamma(α, β) dengan β diketahui.
4. Variabel random X berdistribusi Gamma(α, β) dengan α diketahui.
5. Variabel random X berdistribusi Beta(α, β) dengan β diketahui.
6. Variabel random X berdistribusi Beta(α, β) dengan α diketahui.
10
Pembahasan
1. Karena X berdistribusi Poisson(θ) maka fungsi probabilitas dari Xadalah
f(x; θ) =e−θθx
x!
untuk x = 0, 1, 2, . . . sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) = e−θex ln θ 1
x!IA(x)
dengan A = 0, 1, 2, . . ..Hal itu berarti bahwa c(θ) = e−θ, Q(θ) = ln(θ), T (x) = x, dan
h(x) =1
x!IA(x).
Akibatnya distribusi Poisson(θ) merupakan anggota keluarga ekspo-nensial.
2. Karena X berdistribusi Binomial Negatif maka fungsi probabilitas dariX adalah
f(x; θ) =( r + x− 1
x
)θr(1− θ)x
untuk x = 1, 2, 3, . . ., sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) = θrex ln(1−θ)(r + x− 1
x
)IA(x)
dengan A = 1, 2, . . ..Hal itu berarti bahwa c(θ) = θr, Q(θ) = ln(1 − θ), T (x) = x dan
h(x) =(r + x− 1
x
)IA(x). Akibatnya distribusi Binomial Negatif
merupakan anggota keluarga eksponensial.
3. Karena X berdistribusi Gamma(α, β) dengan θ = α maka fungsi kepa-datan probabilitas dari X adalah
f(x; θ) =1
Γ(θ)βθxθ−1e−x/β
11
untuk x > 0, sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) =1
Γ(θ)βθe(θ−1) ln xe−x/β
atau
f(x; θ) =1
Γ(θ)βθeθ lnxx−1e−x/β
Hal itu berarti bahwa c(θ) =, Q(θ) = θ, T (x) = ln x, dan h(x) =x−1e−x/β. Akibatnya distribusi Gamma(α, β) dengan β diketahui meru-pakan anggota keluarga eksponensial.
4. Karena X berdistribusi Gamma(α, β) dengan θ = β maka fungsi kepa-datan probabilitas dari X adalah
f(x; θ) =1
Γ(θ)θαxα−1e−x/θ
untuk x > 0, sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) =1
θe−x/θ
xα−1
Γ(α).
Hal itu berarti c(θ) = 1θα
, Q(θ) = −1θ, T (x) = x dan
h(x) =xα−1
Γ(α).
Akibatnya distribusi Gamma(α, β) dengan α diketahui merupakan anggotakeluarga eksponensial.
5. Karena X berdistribusi Beta(α, β) dengan θ = α maka fungsi kepa-datan probabilitas dari X adalah
f(x; θ) =Γ(θ + β)
Γ(θ)Γ(β)xθ−1(1− x)β−1
sehingga f(x; θ) dapat dinyatakan sebagai
f(θ) =Γ(θ + β)
Γ(θ)eθ lnxx−1(1− x)β−1 1
Γ(β)
Hal itu berarti bahwa c(θ) = Γ(θ+β)Γ(θ)
, Q(θ) = θ, T (x) = ln x, dan
h(x) = x−1(1 − x)β−1 1Γ(β)
. Akibatnya distribusi Beta(α, β) dengan βdiketahui merupakan anggota keluarga eksponensial.
12
6. Karena X berdistribusi Beta(α, β) dengan θ = β maka fungsi kepa-datan probabilitas dari X adalah
f(x; θ) =Γ(α + θ)
Γ(α)Γ(θ)xα−1(1− x)θ−1
sehingga f(x; θ) dapat dinyatakan sebagai
f(x; θ) =Γ(α+ θ)
Γ(θ)eθ ln(1−x)xα−1(1− x)−1 1
Γ(α)
Hal itu berarti bahwa c(θ) = Γ(α+θ)Γ(α)
, Q(θ) = θ, T (x) = ln(1− x), dan
h(x) = xα−1(1 − x)−1 1Γ(α)
. Akibatnya distribusi Beta(α, β) dengan αdiketahui merupakan anggota keluarga eksponensial.
Soal 8
Misalkan variabel random saling bebas dengan fungsi kepadatan probabil-itas f(x; θ) dinyatakan dengan
f(x; θ) =γ
θxγ−1 exp
[− xγ
θ
]
untuk 0 < x <∞ dengan parameter θ > 0 dan γ diketahui.
1. Tunjukkan bahwa fungsi kepadatan probabilitas.
2. Tentukan statistik cukup untuk θ.
3. Apakah f(x; θ) anggota keluarga eksponensial.
Pembahasan
1. Akan ditunjukkan bahwa f(x; θ) merupakan fungsi kepadatan proba-bilitas yaitu dengan menunjukkan bahwa
∫ ∞
−∞f(x; θ)dx = 1
Jika dimisalkan u = xγ/θ maka dudx
= γxγ−1
θsehingga berakibat
∫ ∞
0
xγ−1 exp[− xγ
θ
]dx =
∫ ∞
0
e−udu = 1
Berarti f(x; θ) merupakan fungsi kepadatan probabilitas.
13
2. Akan ditentukan fungsi kepadatan probabilitas bersama dariX1, . . . , Xn
adalah
f(x1, . . . , xn) =n∏
i=1
f(xi; θ)
=
n∏
i=1
γ
θxγ−1i e−
xγiθ
=(γθ
)n n∏
i=1
xγi
n∏
i=1
x−1i e−
1θ
Pni=1 x
γi
Dengan menggunakan Teorema Fatorisasi diperleh bahwa∑n
i=1 xγi statis-
tik cukup untuk θ.
3. Akan dibuktikan bahwa f(x; θ) merupakan anggota keluarga eksponen-sial. Karena f(x; θ) dapat dinyatakan sebagai
f(x; θ) =1
θexp
(− xγ
θ
)γxγ−1.
Hal itu berarti C(θ) = 1θ, Q(θ) = −1
θ, T (x) = xγ , dan h(x) = γxγ−1
sehingga f(x; θ) merupakan anggota keluarga eksponensial.
Soal 9
Dalam setiap kasus, identifikasi bahwa distribusi dari variabel random Xmerupakan anggota keluarga eksponensial dua parameter.
1. Variabel random X berdistribusi Gamma(α, β).
2. Variabel random X berdistribusi Beta(α, β).
Pembahasan
1. Misalkan θ = (θ1, θ2) dengan θ1 = α dan θ2 = β. Fungsi kepadatanprobabilitas Gamma(α, β) adalah
f(x; θ) =1
Γ(θ1)θθ12
xθ1−e−x/θ2
atau
f(x; θ) =1
Γ(θ1)θθ12
exp[θ1 ln x− x
θ2
]x−1.
14
Hal itu berarti
C(θ) =1
Γ(θ1)θθ12
, T1(x) = ln(x), T2(x) = ln(x),
h(x) = x−1, Q1(θ) = θ1, Q2(θ) = − 1
θ2
.
Akibatnya distribusi Gamma(α, β) merupakan anggota keluarga ekspo-nensial dua parameter.
2. Misalkan θ = (θ1, θ2) dengan θ1 = α dan θ2 = β. Fungsi kepadatanproabbilitas Beta(α, β) adalah
f(x; θ) =Γ(θ1 + θ2)
Γ(θ1)Γ(θ2)xθ1−1(1− x)θ2−1
atau
f(x; θ) =Γ(θ1 + θ2)
Γ(θ1)Γ(θ2)exp
[θ1 ln x+ θ2 ln(1− x)
]x−1(1− x)−1.
Hal itu berarti
C(θ) =Γ(θ1 + θ2)
Γ(θ1)Γ(θ2), T1(x) = ln x, T2(x) = ln(1− x),
h(x) = x−1(1− x)−1, Q1(θ) = θ1, Q2(θ) = θ2.
Akibatnya distribusi Beta(α, β) merupakan anggota keluarga ekspo-nensial dua parameter.
Soal 10
Buktikan bahwa keluarga F tidak lengkap dengan
F = f(x; θ) =1
θuntuk − θ ≤ x ≤ θ
untuk −θ ∈ (0,∞).
Pembahasan
Karena ada g(x) = x sehingga
E[g(X)] =
∫ θ
−θx
1
2θdx = 0
Akibatnya keluarga F tidak lengkap.
15
Chapter 2
Latihan Soal Statistik Cukup
1. Variabel random X1, X2, . . . , Xn saling bebas dan berdistribusi identikdengan fungsi kepadatan probabilitas
f(θ) = exp[−(x− θ)]untuk x > 0 dan θ ∈ R. Tentukan statistik cukup untuk θ.
2. Jika F keluarga semua fungsi probabilitas Binomial Negatif maka tun-jukkan bahwa F lengkap.
3. Apakah distribusi geometrik merupakan anggota keluarga eksponensialsatu parameter ?
4. Apakah statistik berikut ini ekuivalen ?
(a)∏n
i=1 xi dan∑n
i ln xi dengan xi > 0.
(b)∑n
i=1 xi dan∑n
i lnxi.
(c) (∑n
1 xi,∑n
1 x2i ) dan (
∑n1 xi,
∑n1 (xi − x)2)
(d) (∑n
1 xi,∑n
1 x3i ) dan (
∑n1 xi,
∑n1 (xi − x)3)
5. Diketahui X1, X2, . . . , Xn sampel random dari distribusi dengan fungsikepadatan proabbilitas dinyatakan dengan
f(x;µ, σ) =1
σexp
[− (x− µ)
σ
]
jika x ≥ µ, −∞ < µ <∞ dan σ > 0.
(a) Jika µ diketahui maka tentukan statistik cukup untuk σ.
(b) Jika σ diketahui maka tentukan statistik cukup untuk µ.
(c) Tentukan statistik cukup untuk (µ, σ).
16
Chapter 3
Pembahasan : Estimasi Titik
Soal 1
Jika X1, X2, X3, . . . , Xn sampel random dari distribusi Binom(1, θ) denganθ ∈ Ω = (0, 1) maka tentukan estimator UMVU untuk parameter θ.
Pembahasan
Karena X statistik cukup tak bias yang lengkap untuk θ maka X estimatorUMVU untuk θ.
Soal 2
Jika X1, X2, . . . , Xn sampel random dari distribusi U(0, θ) dengan θ ∈ Ω =(0,∞). Tentukan estimator tak bias untuk mean dan variansi dari X yanghanya tergantung pada statistik cukup dari parameter θ.
Pembahasan
Karena X mempunyai distribusi U(0, θ) maka E[X] = θ/2 dan Var(X) =θ2/12. Statistik cukup untuk θ adalah Y = maxX1, X2, . . . , Xn. Fungsi
17
distribusi dari Y adalah
FY (y) = P (Y ≤ y) = P (maxX1, X2, . . . , Xn ≤ y)
= P (X1 ≤ y,X2 ≤ y, . . . , Xn ≤ y)
=(P (X ≤ y)
)n
=(FX(y)
)n
= (y
θ)n
untuk 0 ≤ y ≤ θ, sehingga fungsi kepadatan probabilitas dari Y adalah
f(y) =dF
dy= n
yn−1
θn
untuk 0 ≤ y ≤ θ. Akibatnya
E[Y ] =
∫ θ
0
ynyn−1
θndy =
n
θn
[ yn+1
n+ 1
]θ0
=n
n + 1θ.
Karena itu estimator tak bias untuk meannya yaitu θ2
adalah
n+ 1
2nmaxX1, X2, . . . , Xn.
Demikian juga, berlaku sifat
E(Y 2) =
∫ θ
0
y2nyn−1
θndy =
n
θn
[ yn+2
n+ 2
]θ0
=n
n+ 2θ2.
Akibatnya estimator tak bias untuk θ2/12 adalah
n+ 2
12n
(maxX1, X2, . . . , Xn
)2
.
Soal 3
Diketahui X1, . . . , Xn sampel random saling bebas dari distribusi Gamma(α, β)dengan α diketahui dan β tidak diketahui. Tunjukkan bahwa estimatorUMVU dari θ yaitu
U(X1, . . . , Xn) =1
nα
n∑
i=1
Xi =X
α
18
dan variansinya mencapai batas bawah Cramer-Rao.
Pembahasan
Misalkan θ = β dengan θ ∈ Ω = (0,∞). KarenaXi berdistribusi Gamma(α, θ)maka
f(x1, x2, . . . , xn; θ) =1
θαxα−1i e−xi/θ
untuk xi > 0 sehingga fungsi kepadatan probabilitas bersamanya adalah
f(x; θ) =n∏
i=1
f(xi;α, θ)
=
n∏
i=1
1
θαxα−1i e−xi/θ
=( 1
Γ(α)
)n( n∏
i=1
xi
)α−1 1
θαexp
[− 1
θ
n∑
i=1
xi].
Dengan menggunakan Teorema Faktorisasi Fisher-Neyman diperoleh bahwa∑ni=1Xi merupakan statistik cukup untuk θ. Karena E[Xi] = αθ maka
E[X/α] = θ sehingga X/α merupakan estimator tak bias untuk θ. Demikianjuga dapat dibuktikan bahwa
∑ni=1 Xi merupakan statistik yang lengkap un-
tuk θ sehingga dengan menggunakan Teorema , X/α merupakan estimatorUMVU untuk θ.
Karena V ar(Xi) = αθ2 maka
Var(X/α) =1
n2α2nVar(X
=αθ2
nα2=
θ2
nα
Untuk mendapatkan batas bawah Cramer-Rao, terlebih dahulu dihitung in-formasi Fishernya. Karena X berdistribusi Gamma(α, θ) maka logaritmanatural dari fungsi kepadatan probabilitasnya adalah
ln f(x; θ) = −α ln θ − ln Γ(α) + (α− 1) lnx− x
θ.
Dengan mendeferensialkan terhadap θ diperoleh
∂ ln f(x; θ)
∂θ= −α
θ+x
θ2
19
dan
∂2 ln f(x; θ)
∂θ2= − α
θ2− 2x
θ3
sehingga
−E[∂2 ln f(X; θ)
∂θ2
]= −E
[− α
θ2− 2X
θ3
]= −
(− α
θ2− 2αθ
θ3
)=α
θ2.
Informasi Fishernya adalah I(θ) = θ2
nα= Var(U). Hal itu berarti bahwa var-
iansi U mencapai batas bawah Cramer-Rao.
Soal 4
Diketahui X1, X2, X3, . . . , Xn sampel random dari distribusi U(θ, 2θ) den-gan θ ∈ Ω = (0,∞). Tentukan estimator tak bias untuk θ.
Pembahasan
Karena X berdistribusi U(θ, 2θ) maka fungsi kepadatan probabilitasnya dariX adalah
f(x; θ) =1
θuntuk 0 ≤ x ≤ 2θ
sehingga fungsi distribusi dari X adalah
FX(x) =x− θθ
untuk 0 ≤ x ≤ 2θ
Misalkan statistik cukup untuk θ dinotasikan dengan U = minX1, . . . , Xn.Fungsi distribusi dari U adalah
FU(u) = P (U ≤ u) = 1− P (U > u)
= 1− P (minX1, . . . , Xn > u)
= 1− P (X1 > u,X2 > u, . . . , Xn > u)
= 1− [P (X > u)]n
= 1− [1− P (X ≤ u]n
= 1− [1− u− θθ
]n
= 1− [1− 2θ − uθ
]n
20
sehingga fungsi kepadatan probabilitas dari U adalah dF/du yaitu
fU (u) = n(
2θ − u)n−1 1
θ= n
(2θ − u)n−1
θn
untuk θ ≤ x ≤ 2θ. Harga harapan dari variabel random U adalah
E[U ] =
∫ 2θ
θ
un(2θ − u)n−1
θndu.
Misalkan digunakan substitusi w = 2θ − u sehingga dw = −du. Akibatnyauntuk u = θ maka w = θ dan untuk u = 2θ maka w = 0. Diperoleh
E[U ] =
∫ 0
θ
n(2θ − w)wn−1
θn(−dw)
=
∫ θ
0
n(2θ − w)wn−1
θndw
=
∫ θ
0
n2nθ
θndw −
∫ θ
0
nnwn
θndw
= 2θ[wnθn
]θ0− n
n + 1
[wn+1
θn
]θ0
= 2θ − n
n+ 1θ
=n+ 2
n+ 1θ
Hal itu berartin+ 1
n+ 2minX1, . . . , Xn
merupakan statistik tak bias untuk θ.Misalkan V = maxX1, . . . , Xn. Fungsi distribusi dari variabel random
V adalah
FV (v) =(v − θ)nθn
untuk θ ≤ v ≤ 2θ
dan fungsi kepadatan probabilitas V adalah
fV (v) =n(v − θ)n−1
θnuntuk θ ≤ v ≤ 2θ.
Akibatnya
E[V ] =
∫ 2θ
θ
vn(v − θ)n−1
θndv.
21
Misalkan digunakan substitusi w = v − θ sehingga dw = dv. Akibatnyauntuk v = θ maka w = 0 dan untuk u = 2θ maka w = θ. Diperoleh
E[V ] =
∫ θ
0
n(w + θ)wn−1
θndw
=
∫ θ
0
wn
θndw +
∫ θ
0
nwn
θn−1dw
=n
n+ 1θ + θ
=2n+ 1
n + 1θ.
Hal itu berartin + 1
2n+ 1maxX1, X2, . . . , Xn
juga merupakan statistik tak bias untuk θ. Pada sisi lain dengan mengingatbahwa
E[2U + V ] = 2E[U ] + E[V ] =2n+ 4
n+ 1θ +
2n+ 1
n + 1θ =
4n+ 5
n + 1θ
maka
n + 1
4n+ 5
[2 minX1, X2, . . . , Xn+ maxX1, X2, . . . , Xn
]
estimator tak bias untuk θ.
Soal 5
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Poisson(θ) denganθ ∈ Ω = (0,∞). Tentukan estimator UMVU untuk θ dan tentukan variansiserta batas bawah Cramer-Rao.
Pembahasan
Dari Chapter 1 dapat dilihat bahwa X merupakan statistik cukup yanglengkap sehingga dengan menggunakan Teorema Lehman-Scheffe diperolehbahwa X estimator UMVU dengan variansi θ/n. Pada sisi lain, karena Xmempunyai distribusi Poisson(θ) maka fungsi probabilitasnya adalah
f(x; θ) =e−θθx
x!
22
untuk x = 0, 1, 2, . . ., sehingga logaritma natural dari f(x; θ) adalah
f(x; θ) = −θ + x ln θ − ln(x!).
Dengan mendeferensialkan terhadap θ diperoleh
∂
∂θf(x; θ) = −1 +
x
θ
sehingga
( ∂∂θf(x; θ)
)2
= 1− 2x
θ+x2
θ2.
Akibatnya
E[ ∂∂θf(x; θ)
]2
= 1− 2E[X]
θ+E[X]2
θ2
= 1− 2θ
θ+V (x) + (E[X])2
θ2
= 1− 2θ
θ+θ + θ2
θ2
=1
θ.
Oleh karena itu batas bawah Cramer-Rao yaitu θ/n sama dengan variansidari X.
Soal 6
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Binom(1, θ) den-gan θ ∈ Ω = (0, 1). Tentukan MLE untuk θ.
Pembahasan
Karena Xi berdistribusi Binom(1, θ) maka fungsi probabilitasnya adalah
f(xi; θ) = θxi(1− θ)n−xi
dengan xi = 0, 1, 2, . . . , n sehingga fungsi likelihoodnya adalah
L(θ|x1, x2, . . . , xn) =n∏
i=1
f(xi; θ)
=
n∏
i=1
θxi(1− θ)n−xi
= θPni=1 xi(1− θ)n−
Pni=1 xi.
23
Logaritma dari fungsi likelihoodnya adalah
l(θ) = (ln θ)n∑
i=1
xi − ln(1− θ)n∑
i=1
+n ln(1− θ).
Dengan mendeferensialkan terhadap θ diperoleh
dl
dθ=
∑ni=1 xiθ
+
∑ni=1 xi
1− θ −n
1− θ .
Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama denganakar dari persamaan dl
dθ= 0 yaitu
∑ni=1 xiθ
+
∑ni=1 xi
1− θ −n
1− θ = 0∑n
i=1 xi − θ∑n
i=1 xi + θ∑n
i=1 xiθ(1− θ) =
n
1− θ
θ =
∑ni=1 xin
= X.
Hal itu berarti MLE untuk θ adalah θ = X.
Soal 7
Diketahui X1, X2, . . . , Xn sampel random dari distribusi eksponensial yaitudengan fungsi kepadatan probabilitas
f(x; θ) = θe−θx
dengan θ ∈ Ω = R. Tentukan MLE untuk θ.
Pembahasan
Fungsi likelihoodnya adalah
L(θ|x1, x2, . . . , xn) =
n∏
i=1
f(xi; θ)
=
n∏
i=1
θe−θxi
= θne−θPni=1 xi
24
sehingga logaritma natural dari fungsi likelihoodnya adalah
l(θ) = n ln θ − θn∑
i=1
xi
Dengan mendeferensialkan terhadap θ diperoleh
dl
dθ=n
θ−
n∑
i=1
xi.
Akibatnya θ yang memaksimumkan fungsi likelihoodnya akan sama denganakar dari persamaan
dl
dθ= 0
n
θ−
n∑
i=1
xi = 0
n
θ=
n∑
i=1
xi
θ =n∑ni=1 xi
.
Hal itu berarti MLE untuk θ adalah θ = 1/X.
Soal 8
Diketahui X1, X2, . . . , Xn sampel random dari distribusi N(µ, σ2) dengan µdan σ2 tidak diketahui. Tentukan MLE untuk θ.
Pembahasan
Karena X berdistribusi N(µ, σ2) maka fungsi kepadatan probabilitasnyaadalah
f(x;µ, σ) =1√
2πσ2exp
[− (x− µ)2
2σ2
]
25
sehingga fungsi likelihoodnya adalah
L(θ; x1, x2, . . . , xn) =
n∏
i=1
f(xi; θ)
=n∏
i=1
1√2πσ2
exp[− (xi − µ)2
2σ2
]
=( 1√
2πσ2
)nexp
[−∑n
i=1(xi − µ)2
2σ2
]
=( 1√
2πσ2
)nexp
[−∑n
i=1 xi2σ2
+2µ∑n
i=1 xi2σ2
− nµ2
2σ2
]
dengan θ = (µ, σ2). Akibatnya logaritma natural dari fungsi likelihoodnyaadalah
l(θ = ln f(x;µ, σ2) = −n2
ln(2πσ2)−∑n
i=1 x2i
2σ2+
2µ∑n
i=1 x2i
2σ2− nµ2
2σ2.
MLE diperoleh dengan menyelesaikan sistem persamaan berikut :
∂l
∂µ=
∑ni=1 xiσ2
− 2nµ
2σ2
∂l
∂σ2= − n
2σ2+
∑ni=1 xi2σ4
− µ
σ2+nµ4
2σ4.
Diperoleh MLE untuk (µ, σ2) masing-masing adalah
µ = X
n
2σ2=
∑ni=1(xi − µ)2
2σ4.
atau
σ2 =
∑ni=1(Xi − µ)2
n.
Soal 9
Diketahui X1, X2, . . . , Xn sampel random dari distribusi dengan fungsi kepa-datan probabilitasnya adalah
f(x; θ1, θ2) =1
θ2exp
[− x− θ1
θ2
]untuk x > θ1
26
Tentukan MLE untuk θ1 dan θ2.
Pembahasan
Fungsi likelihoodnya adalah
L(θ, x1, x2, . . . , xn) =
n∏
i=1
f(xi; θ)
=n∏
i=1
1
θ2
exp[− xi − θ1
θ2
]
=( 1
θ2
)nexp
[−∑n
i=1(xi − θ1)2
θ2
]
untuk minX1, X2, . . . , Xn > θ1. Akibatnya logaritma natural dari fungsilikelihoodnya adalah
l(θ) = ln f(x; θ1, θ2) = −n ln(θ2)−∑n
i=1 xiθ2
− nθ1
θ2
untuk minX1, X2, . . . , Xn > θ1. Fungsi likelihood mencapai maksimumbila θ1 = minX1, X2, . . . , Xn dan MLE untuk θ2 diperoleh dengan menye-lesaikan persamaan berikut :
∂l
∂θ22
= − nθ2
+
∑ni=1 xiθ2
+nθ1
θ2
= 0.
Diperoleh
∑ni=1 xiθ2
2
=n(θ2 − θ1)
θ22
atau θ2 = X + minX1, X2, . . . , Xn.
Soal 10
Diketahui X1, X2, . . . , Xn sampel random dari distribusi U(−θ, θ) denganθ ∈ Ω = (0,∞). Tentukan estimator momen untuk θ.
Pembahasan
Karena momen pertama dari X yaitu E(X) = 0 maka digunakan momen
27
kedua dari X yaitu E[X2] = θ2/3. Akibatnya estimator momen untuk θmerupakan penyelesaian dari
θ2
3=
∑ni=1 x
2i
n
yaitu θ =√
3X.
Soal 11
Diketahui X1, X2, X3, . . . , Xn sampel random dari distribusi N(θ, θ) denganθ ∈ Ω = (0,∞). Tentukan MLE untuk θ.
Pembahasan
KarenaX berdistribusi N(θ, θ) maka fungsi kepadatan probabilitasnya adalah
f(x; θ) =1√2πθ
exp[− (x− θ)2
2θ
]
sehingga fungsi likelihoodnya adalah
L(θ|x1, x2, . . . , xn) =
n∏
i=1
f(xi; θ)
=n∏
i=1
1√2πθ
exp[− (xi − θ)2
2θ
]
=( 1√
2πθ
)n/2exp
[−∑n
i=1(xi − θ)2
2θ
].
Akibatnya logaritma natural dari fungsi likelihoodnya adalah
l(θ) = lnL(θ|x1, x2, . . . , xn) = −n2
ln(2πθ)−∑n
i=1(xi − θ)2
2θ
= −n2
ln(2πθ)−∑n
i=1 x2i
2θ+
n∑
i=1
x2i −
nθ
2.
MLE untuk θ diperoleh dengan menyelesaikan persamaan berikut :
∂l
∂θ= − n
2θ+
∑ni=1 x
2i
2θ2− n
2= 0
atau
nθ2 + nθ −n∑
i=1
x2i = 0.
28
Persamaan tersebut merupakan persamaan kuadrat dalam θ dan denganmenggunakan rumus ABC diperoleh akar-akarnya yaitu
θ =−n +
√n2 + 4n
∑i=1 x
2i
2n
dan
θ =−n−
√n2 + 4n
∑i=1 x
2i
2n.
Karena parameter θ juga merupakan variansi dari Xi maka haruslah positifsehingga yang memenuhi adalah
θ =−n +
√n2 + 4n
∑i=1 x
2i
2n
atau
θ =−1 +
√1 + 4
n
∑i=1 x
2i
2n
atau θ = 12
[1 + 4
n
∑i=1 x
2i
].
Soal 12
Diketahui X1, X2, . . . , Xn sampel random dari distribusi U(θ− a, θ+ b) den-gan θ ∈ Ω = R. Tentukan estimator momen untuk θ dan variansinya.
Pembahasan
Karena X1 ∼ U(θ−a, θ+ b) maka E[X1] = θ+ b−a2
dan Var(X) = (b−a)2
12. Es-
timator momen untuk θ merupakan penyelesaian dari persamaan E[X1] = Xyaitu
θ +b− a
2= X
sehingga estimator momen untuk θ adalah
θ = X +b− a
2.
Variansi untuk estimator momen tersebut adalah
V (θ) = V (X +b− a
2) = V (X) =
V (X1)
n=
(b− a)2
12n.
29
Soal 13
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Gamma(α, β). Ten-tukan estimator momen untuk α dan β.
Pembahasan
Karena X1 berdistribusi Gamma(α, β) maka E[X1] = αβ dan V (X1) = αβ2
sehingga estimator momen tersebut merupakan penyelesaian dari sistem per-samaan
E[X1] = X
E[X21 ] = X2 =
1
n
n∑
i=1
X2i
yaitu
αβ = X
αβ2 + (αβ)2 = X2.
Diperoleh
αβ2 + (αβ)2 = X2 − (X)2
αββ = X2 − (X)2 = S2
Xβ = S2.
Akibatnya estimator momen untuk β adalah β = S2/X dengan
S2 =1
n
n∑
i=1
(Xi − X)2
dan estimator momen untuk α adalah α = (X)2/S2.
Soal 14
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Beta(α, β). Ten-tukan estimator momen untuk α dan β.
Pembahasan
30
Karena X1 berdistribusi Beta(α, β) maka E[X1] = αα+β
dan
V (X1) =αβ
(α + β)2(α+ β + 1)
sehingga
E(X21 ) = V (X1) + (E(X1))2
=αβ
(α + β)2(α + β + 1)+
α2
(α + β)2
=α
α + β
[ β
(α + β)(α + β + 1)+
α
α + β
]
Estimator momen tersebut merupakan penyelesaian dari sistem persamaan
E(X1) = X
E(X21 ) = X2 =
1
n
n∑
i=1
X2i
yaitu
α
α + β= X
α
α + β
[ β
(α + β)(α+ β + 1)+
α
α + β
]= X2.
Diperoleh αX + βX = α atau α(1 − X) = βX atau α = βX/(1 − X).Akibatnya
X2 = X[ β(β X
1−X + β)(β X
1−X + β + 1) + X
]
= X[ β(
X1−X + 1
)(β X
1−X + β + 1) + X
]
= X[ 1(
X+1−X1−X
)(β X
1−X + β 1−X1−X + 1
)]
+ (X)2.
31
Diperoleh
X2 − X2 = X[ 1− X(
β1−X + 1−X
1−X
)]
S2 = X[ (1− X)2
(β + 1− X)
]
β + 1− X = X[(1− X)2
S2
].
Hal itu berarti estimator momen untuk β adalah
β = X[(1− X)2
S2
]− 1 + X
sehingga estimator momen untuk α adalah α = β X1−X .
Soal 15
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Binom(4, θ) denganθ ∈ (0, 1). Tentukan estimator Bayes untuk θ bila priornya adalah
π(θ) =1
B(6, 7)θ5(1− θ)6.
Pembahasan
Fungsi probabilitas dari X adalah
f(x; θ) =1
B(6, 7)θx(1− θ)4−x
untuk x = 0, 12, 3, 4, 5. Misalkan prior untuk θ adalah
π(θ) =1
B(6, 7)θ5(1− θ)6
untuk 0 < θ < 1. Distribusi posterior dari θ bila diberikan X yaitu π(θ|x)adalah
π(θ|x) = f(x|θ)π(θ)
32
sebanding dengan
θx(1− θ)4−xθ5(1− θ)6 = θx+5(1− θ)10−x
= θx+6−1(1− θ)11−x−1
Dengan melihat bentuk tersebut maka distribusi posterior dari θ diberikanX yaitu π(θ|x) adalah distribusi Beta(6 +x, 11−x) sehingga penaksir Bayesuntuk θ merupakan mean dari distribusi posterir yaitu
θ = E[θ|x] =x+ 6
x + 6 + 11− x =x+ 6
17.
Soal 16
Diketahui X1, X2, . . . , Xn sampel random dari distribusi Binom(4, θ) denganθ ∈ (0, 1). Tentukan estimator Bayes untuk θ bila priornya adalah π(θ) = 1untuk 0 < θ < 1.
Pembahasan
Fungsi probabilitas dari X adalah
f(x|θ) =( 4x
)θx(1− θ)4−x
untuk x = 0, 1, 2, 3, 4. Distribusi posterior dari θ bila diberikan X yaituπ(θ|x) adalah
π(θ|x) = f(x|θ)π(θ)
sebanding dengan
θx(1− θ)4−x(1) = θx+1−1(1− θ)5−x−1
Dengan melihat bentuk tersebut maka distribusi posterior dari θ bila diberikanX yaitu π(θ|x) adalah distribusi Beta(1 + x, 5− x) sehingga penaksir Bayesuntuk θ merupakan mean dari distribusi posterior yaitu
θ = E[θ|x] =x+ 1
x+ 1 + 5− x =x + 1
6.
33
Soal 17
Diketahui X1, X2, . . . , Xn variabel random saling bebas dengan fungsi kepa-datan probabilitas
f(x; θ) = θxθ−1
dengan θ > 0. Bila distribusi prior dari θ adalah
π(θ) =1
Γ(r)λrθr−1e−θ/λ
untuk θ > 0. Tentukan estimator Bayes untuk parameter θ.
Pembahasan
Distribusi posterior dari θ bila diberikan sampel random X1, X2, . . . , Xn
adalah
π(θ|x1, x2, . . . , xn) = f(x1|θ)f(x2|θ) . . . f(xn|θ)π(θ)
atau sebanding dengan
θn( n∏
i=1
xi
)θ( n∏
i=1
xi
)−1
er−1e−θ/λ = θn+r−1e−θ[(1/λ)−lnQni=1 xi]
= θn+r−1e−θ[(1/λ)−Pni=1 lnxi]
Berarti distribusi posteriornya Gamma(n+r, λ
1−λPni=1 ln xi
). Akibatnya mean
dari distribusi posterior yaitu
θ =(n+ r)λ
1− λ∑ni=1 ln xi
merupakan penaksir Bayes untuk θ.
Soal 18
Diketahui X1, X2, . . . , Xn variabel random saling bebas dengan fungsi kepa-datan probabilitas
f(xi; θ) =1√2πe−
12
(xi−θ)2
34
dengan θ > 0. Bila distribusi prior dari θ adalah
π(θ) =1√2πe−θ
2/2
untuk θ > 0. Tentukan estimator Bayes untuk parameter θ.
Pembahasan
Distribusi posterior dari θ bila diberikan sampel random X1, X2, . . . , Xn
adalah
π(θ|x1, x2, . . . , xn) = f(x1|θ)f(x2|θ) . . . f(xn|θ)π(θ)
atau sebanding dengan
exp[− 1
2
(− 2θ
n∑
i=1
xi + (n+ 1)θ2)]
= exp[− 1
2(n + 1)
(θ2 − 2θ
n + 1
n∑
i=1
xi)]
atau sebanding dengan
exp[− 1
2(n+ 1)
(θ − 2θ
n+ 1
n∑
i=1
xi)2].
Hal itu berarti distribusi posteriornya merupakan distribusi N(Pn
i=1 xin+1
, 1n+1
).
Akibatnya mean dari distribusi posterior yaituPni=1 xin+1
merupakan penaksirBayes untuk θ.
Soal 19
Diketahui X1, X2, . . . , Xn variabel random saling bebas dengan fungsi kepa-datan probabilitas
f(xi; θ) =1√2πe−
12
(xi−θ)2
dengan θ > 0. Bila distribusi prior dari θ adalah
π(θ) =1√2πe−
12
(θ−µ0)2
Tentukan estimator Bayes untuk parameter θ.
35
Pembahasan
Distribusi posterior dari θ bila diberikan sampel random X1, X2, . . . , Xn
adalah
π(θ|x1, x2, . . . , xn) = f(x1|θ)f(x2|θ) . . . f(xn|θ)π(θ)
atau sebanding dengan
exp[− 1
2
(− 2θ
n∑
i=1
xi + (n + 1)θ2 − 2µ0θ)]
atau sebanding dengan
exp[− 1
2(n + 1)
(θ2 − 2θ
n+ 1
(µ0 +
n∑
i=1
xi))]
Berarti distribusi posteriornya merupakan distribusi N(µ0+
Pni=1 xi
n+1, 1n+1
). Ak-
ibatnya mean dari distribusi posterior yaituµ0+
Pni=1 xi
n+1merupakan estimator
Bayes untuk θ.
36
Chapter 4
Latihan Soal Estimasi Titik
1. Jika X1, X2, X3, . . . , Xn sampel random dari distribusi U(0, θ) denganθ ∈ Ω = (0,∞). Tentukan estimator tak bias untuk mean dan variansidari X yang hanya tergantung pada statistik cukup dari parameter θ.
2. Diketahui X1, X2, . . . , Xn sampel random saling bebas dari distribusiU(θ1, θ2) dengan θ1 < θ2. Tentukan estimator tak bias untuk meanyaitu (θ1 + θ2)/2 dan range yaitu θ2 − θ1 yang hanya tergantung padastatistik cukup untuk (θ1, θ2).
3. Diketahui X1, X2, . . . , Xn sampel random saling bebas dari distribusidobel eksponensial yaitu dengan fungsi kepadatan probabilitas
f(x; θ) =1
2e−|x−θ|
dengan θ ∈ Ω = R. Tunjukkan 12(X(1) + X(n)) bahwa merupakan
estimator tak bias untuk θ.
4. Jika X1, X2, . . . , Xn sampel random dari distribusi yang mempunyaifungsi kepadatan probabilitas :
f(x; θ) =1
θe−
xθ
untuk x > 0 dengan θ ∈ Ω = (0,∞) maka tentukan estimator UMVUuntuk parameter θ.
5. Jika X1, X2, . . . , Xn sampel random dari distribusi yang mempunyaifungsi kepadatan probabilitas :
f(x; θ) =1
θe−
xθ
37
untuk x > 0 dengan θ ∈ Ω = (0,∞) maka tentukan estimator MLEuntuk parameter θ.
6. Diketahui X1, X2, . . . , Xn variabel random saling bebas dan berdis-tribusi identik mempunyai fungsi kepadatan probabilitas :
f(x; θ) =γ
θe−
xγ
θ
untuk x > 0, θ > 0 dan γ > 0 dengan γ diketahui. Tentukan MLEuntuk θ.
7. Diketahui X1 dan X2 variabel random saling bebas dan mempunyaifungsi kepadatan probabilitas
f(x; θ) =2
θ(θ − x)
untuk 0 < x < θ dan θ ∈ Ω = (0,∞). Tentukan estimator momenuntuk parameter θ.
8. Diketahui X1, X2, . . . , Xn sampel random dari distribusi Cauchy den-gan σ = 1 dan µ tidak diketahui. Misalkan diinginkan untuk menges-timasi µ, manakah salah satu dari estimator untuk µ yang anda pilihyaitu X1 ataukah X ? Jelaskan jawaban anda !
9. Misalkan X1, X2, . . . , Xn menotasikan sampel random dari suatu dis-tribusi yaitu N(θ, 1). Tentukan estimator terbaik untuk θ2.
10. Diketahui adalah sampel random dari suatu distribusi N(0, θ). Statis-tik Y =
∑ni=1 X
2i merupakan statistik cukup untuk θ. Tentukan esti-
mator terbaik untuk θ2.
11. Misalkan X pengamatan tunggal dari distribusi Bernoulli
f(x; θ) = θx(1− θ)1−xI0,1(x)
dengan 0 < θ < 1. Misalkan T1(X) = X dan T2(X0 = 12.
(a) Apakah T1(x) dan T2(x) tak bias ?
(b) Bandingkan MSE (mean squared error) dari T1(x) dengan T2(X).
12. Misalkan X adalah pengamatan tunggal dari N(0, θ) dengan θ = σ2.
(a) Apakah X statistik cukup untuk θ ?
38
(b) Apakah |X| statistik cukup untuk θ ?
(c) Apakah X2 estimator tak bias dari θ ?
(d) Apakah MLE untuk√θ ?
13. Diketahui X1, X2, . . . , Xn sampel random dari fungsi kepadatan prob-abilitas
f(x; θ) = θx−2I[θ,∞)(x)
dengan θ > 0.
(a) Tentukan estimator MLE untuk θ.
(b) Apakah minX1, X2, . . . , Xn statistik cukup untuk θ ?
14. Diketahui X1, X2, . . . , Xn sampel random dari fungsi kepadatan prob-abilitas
f(x; θ) = θxθ−1I(0,1)(x)
dengan θ > 0.
(a) Tentukan estimator MLE untuk µ = θ/(1 + θ).
(b) Tentukan estimator UMVU untuk 1/θ dan µ ?
15. Diketahui X1, X2, . . . , Xn sampel random dari fungsi kepadatan prob-abilitas
f(x; θ) = 2x/θ2I(0,θ)(x)
dengan θ > 0.
(a) Tentukan estimator MLE untuk θ.
(b) Apakah maxX1, X2, . . . , Xn statistik cukup untuk θ ? ApakahmaxX1, X2, . . . , Xn lengkap ?
(c) Adakah estimator UMVU untuk θ ? Jika ada, tentukan estimatoritu.
16. Diketahui X1, X2, . . . , Xn sampel random dari fungsi kepadatan prob-abilitas
f(x; θ) = θ(1 + x)(1+θ)I(0,θ)(x)
dengan θ > 0.
39
(a) Estimasi θ dengan metode momen dengan menganggap θ > 1.
(b) Tentukan estimator MLE untuk 1/θ.
(c) Apakah statistik cukup dan lengkap untuk θ jika ada ?
(d) Tentukan batas bawah Cramer-rao untuk estimator tak bias untuk1/θ.
(e) Tentukan estimator UMVU untuk 1/θ jika ada.
(f) Tentukan estimator UMVU untuk θ jika ada.
17. Diketahui X1, X2, . . . , Xn sampel random dari fungsi kepadatan prob-abilitas
f(x; θ) = e−(x−θ) exp[−e(x−θ)]
dengan −∞ < θ <∞.
(a) Tentukan metode momen dari θ.
(b) Tentukan MLE dari θ.
(c) Tentukan statistik cukup yang lengkap untuk θ.
(d) Tentukan batas bawah Cramer-Rao untuk estimator tak bias dariθ.
(e) Adakah suatu fungsi dari estimator tak bias untuk θ yang vari-ansinya bersesuaian dengan batas bawah Cramer-Rao ? Jika adatentukan.
18. Jika X pengamatan tunggal dengan fungsi kepadatan probabilitas
f(x; θ) = 2x/θ2I(0,θ)(x)
dengan θ > 0. Anggap bahwa θ mempunyai distribusi prior seragamatas interval (0,1). Dengan loss function θ2(1−θ)2, tentukan estimatorBayes untuk θ.
19. Diketahui X1, X2, . . . , Xn sampel random dari distribusi dengan fungsikepadatan probabilitas
f(x; θ) = θxθ−1I(0,1)(x)
dengan θ > 0. Anggap bahwa distribusi prior dari θ adalah Gamma(r, λ)dengan r dan λ diketahui. Apa distribusi posterior dari θ ? Tentukanestimator Bayes dari θ dengan prior yang diberikan dengan menggu-nakan fungsi kerugian kuadrat.
40
Chapter 5
Pembahasan : Uji Hipotesis
Soal 1
Diketahui X1, X2, . . . , Xn variabel random saling bebas. Konstruksikan ujiMP untuk menguji bahwa distribusi bersama dari X adalah N(0, 9) melawanalternatif N(1, 9) dengan tingkat keberartian α = 0, 05. Tentukan juga kuasadari uji tersebut.
Pembahasan
Untuk menguji hipotesis H : θ = 0 melawan alternatif A : θ = 1 padatingkat α = 0, 05 digunakan uji MP berikut :
φ(x) =
1 jika X > c0
0 untuk yang lain
dengan c0 ditentukan oleh E[φ(x)] = P (X > c0) = 0, 05. Variabel randomX1, X2, . . . , Xn saling bebas dan berdistribusi N(0, 9) maka X berdistribusiN(0, 9/16) sehingga
P (X > c0) = 0, 05
P (X − 0
3/4>c0 − 0
3/4) = 0, 05
P (Z >4c0
3) = 0, 05.
41
Berdasarkan tabel distribusi normal baku diperoleh sehingga c0 = 1, 23.Kuasa ujinya adalah
P (X > 1, 23) = P (X − 1
3/4>
1, 23− 1
3/4)
= P (Z > 0, 1725)
= 0, 5685.
Hal itu berarti bila θ = 1 maka probabilitas menolak hipotesisnya adalah0,5685.
Soal 2
Panjang hidup X bola lampu 50 watt merek tertentu dianggap mempun-yai distribusi normal dengan mean µ tidak diketahui sedangkan simpanganbaku σ = 150 jam. Variabel random X1, X2, . . . , Xn variabel random salingbebas dan masing-masing berdistribusi X serta dianggap bahwa X = 1730jam. Ujilah hipotesis H : µ = 1800 melawan alternatif A : µ < 1800 padatingkat keberartian α = 0, 01.
Pembahasan
Untuk menguji hipotesis H : µ = 1800 melawan alternatif A : µ < 1800pada tingkat keberartian α = 0, 01 digunakan uji MP :
φ(x) =
1 jika X < c0 jika X ≥ c
dengan c ditentukan sehingga P (X < c) = 0, 01 dan X ∼ N(1800, 1502).Karena P (X < c) = 0, 01 maka P ( X−1800
150< c−1800
150) = 0, 01 atau
P (Z <c− 1800
150) = 0, 01.
Berdasarkan tabel distribusi normal diperoleh c−1800150
= −2, 33 atau
c = 1800 + (150)(−2, 33) = 1450, 5.
Soal 3
Diketahui X1, . . . , X30 variabel random saling bebas dari distribusi Gamma(α, β)dengan α = 10 dan β tidak diketahui. Konstruksikan uji MP dari hipotesis
42
H : β = 2 melawan alternatif A : β = 3 pada tingkat keberartian α = 0, 05.
Pembahasan
Untuk mengkonstruksikan uji MP terlebih dahulu dihitung :
R(x; θ0, θ1) =f(x1; θ1) . . . f(xn; θ1)
f(x1; θ0) . . . f(xn; θ0)
=
x10−11 exp[−x1
θ1]
Γ(10)θ101
. . .x10−1n exp[−xn
θ1]
Γ(10)θ101
x10−11 exp[−x1
θ0]
Γ(10)θ100
. . .x10−1n exp[−xn
θ0]
Γ(10)θ100
=(θ0
θ1
)10n
exp[−( 1
θ1− 1
θ0
) n∑
i=1
xi
].
Logaritma natural dari R(x; θ0, θ1) adalah
lnR(x; θ0, θ1) = 10n ln(θ0
θ1
)−( 1
θ1
− 1
θ0
) n∑
i=1
xi
dengan θ0 < θ1. Karena θ0 < θ1 maka 1θ0
< 1θ1
sehingga 1θ1− 1
θ1< 0
atau −(
1θ1− 1
θ0
)> 0. Oleh karena itu R(x; θ0, θ1) > c ekuivalen dengan
lnR(x; θ0, θ1) > ln c atau
10n ln(θ0
θ1
)−( 1
θ1− 1
θ0
) n∑
i=1
xi > ln c
−( 1
θ1− 1
θ0
) n∑
i=1
xi > ln c− 10n ln(θ0
θ1
)
n∑
i=1
xi > c0
dengan
c0 =ln c− 10n ln
(θ0θ1
)
−(
1θ1− 1
θ0
) .
Hal itu berarti uji MP dinyatakan dengan
φ(x) =
1 jika
∑ni=1 xi > c0
0 jika∑n
i=1 xi ≤ c0
43
dengan c0 ditentukan sehingga
E[φ(x)] = P (n∑
i=1
xi > c0) = α.
Bila θ0 = 2 dan θ1 = 3 maka∑n
i=1 Xi ∼ Gamma(300, 2) sehinggaP (∑n
i=1 Xi > c) = 0, 05. Akibatnya c0 = 658, 09. Kuasa ujinya adalah
P (
n∑
i=1
Xi > 658, 09) = 1
dengan∑n
i=1Xi ∼ Gamma(300, 3).
44
Chapter 6
Latihan Soal Uji Hipotesis
1. Dalam contoh berikut ini, tunjukkan mana pernyataan yang meru-pakan hipotesis sederhana dan yang mana yang merupakan hipotesiskomposit :
(a) X variabel random yang mempunyai fungsi kepadatan probabili-tas f dengan f(x) = 2e−2x untuk x > 0.
(b) X adalah variabel random yang mempunyai harapan sama dengan5.
(c) Ketika melakukan pelemparan sebuah mata uang logam, misalkanX varaibel random yang mempunyai nilai 1 jika muka yang tam-pak dan 0 jika belakang yang tampak. Pernyataannya adalahmata uangnya bias.
2. Diketahui X variabel random berdistribusi Binom(n, θ) dengan θ ∈Ω = (0, 1).
(a) Tentukan uji UMP untuk pengujian hipotesis H : θ ≤ θ0 melawanalternatif A : θ > θ0 pada tingkat keberartian α.
(b) Bagaimana uji tersebut bila n = 10, θ0 = 0, 25 dan α = 0, 05 ?
(c) Hitunglah kuasa uji pada θ1 = 0, 375, 0, 5, 0, 625 dan 0, 0875.
3. Diketahui X1, X2, . . . , Xn variabel random saling bebas yang mempun-yai fungsi kepadatan probabilitas f(x; θ) = 1
θe−x/θ untuk x > 0 dengan
θ ∈ Ω. Tentukan uji UMP untuk pengujian hipotesis H : θ ≥ θ0
melawan alternatif A : θ < θ0 pada tingkat keberartian α.
4. Diketahui variabel random X1, X2, . . . , Xn berdistribusi N(0, σ2). Ten-tukan uji hipotesis H : σ ≤ 2 melawan alternatif A : σ > 2 pada
45
tingkat keberartian α = 0, 05. Apa kesimpulan yang diperoleh jika∑ni=1 x
2i = 120.
5. Diketahui varaibel random yang saling bebas dan berdistribusi N(µ, σ2).Tentukan uji UMP untuk pengujian hipotesis H : σ = σ0 melawan al-ternatif A : σ 6= σ0 pada tingkat keberartian α. Tentukan uji tersebutbila n = 25, σ0 = 2, α = 0, 05.
6. Jika adalah variabel random saling bebas dan berdistribusi N(µ, σ2)maka tentukan uji LR dan uji berdasarkan pada −2 lnλ untuk pengu-jian hipotesis H : σ = σ0, untuk yang pertama jika µ diketahui danuntuk yang kedua jika µ tidak diketahui.
7. Diketahui Xi, i = 1, 2, 3, 4 dan Yi, i = 1, 2, 3, 4 sampel random salingbebas dan masing-masing dari distribusi N(µ1, σ
21) dan N(µ2, σ
22). Jika
diketahui bahwa σ1 = 4 dan σ2 = 3 dan data observasi dari X dan Yadalah sebagai berikut :
x1 = 10, 1, x2 = 8, 4, x3 = 14, 3, x4 = 11, 7,
y1 = 9, y2 = 8, 2, y3 = 12, 1, y4 = 10, 3
Uji hipotesis bahwa perbedaan dua mean tidak lebih dari 1 pada tingkatkeberartian α = 0, 05.
8. Misalkan X1, X2, X3 variabel random saling bebas dan berdistribusiBinom(1, θ).
(a) Uji hipotesis pada tingkat keberartian α dengan mengunakan statis-tik LR dan tentukan distribusinya.
(b) Bandingkan uji LR dengan uji UMPU untuk pengujianH melawanA : p 6= 0, 25.
46
Chapter 7
Pembahasan : Estimasi Interval
Soal 1
Misalkan Φ fungsi distribusi N(0, 1) dan a, b dengan a < b sehingga
Φ(b)− Φ(a) = γ
dengan 0 < γ < 1. Tunjukkan bahwa b− a minimum jika b = c dan a = −cdengan c > 0.
Pembahasan
Misalkan Φ(b) − Φ(a) = γ maka dengan mendefrensialkan kedua ruas ter-hadap a diperoleh
ϕ(b)db
da− ϕ(a) = 0
dengan ϕ adalah fungsi kepadatan probabilitas normal baku. Akibatnyadiperoleh
db
da= ϕ(a)/ϕ(b) = 0
Misalkan L = b − a yaitu panjang interval kepercayaan. Panjang intervalL akan mencapai minimum bila dL/da = 0 yaitu db/da − 1 = 0 sehinggadb/da = 1. Akibatnya ϕ(a)/ϕ(b) = 1 atau ϕ(a) = ϕ(b). Hal itu berartibahwa a = b atau a = −b. Karena b > a maka dipilih b = c dengan c > 0sehingga a = −c.
Soal 2
Diketahui X1, X2, . . . , Xn variabel random saling bebas berdistribusi N(µ, σ2)dengan µ diketahui. Tentukan interval kepercayaan untuk σ dengan koefisien
47
kepercayaan 1− α.
Pembahasan
Misalkan R = X(n) −X(1) dan didefinisikan
W = Z(n) − Z(1)
dengan Z(n) =X(n)−µ
σdan Z(1) =
X(1)−µσ
. Karena W berdistribusi studentizedrange maka a dan b ditentukan sehingga
P (a ≤ R
σ≤ b) = 1− α
atau P ( aR≤ 1
σ≤ b
R) = 1− α atau P (R
b≤ σ ≤ R
a) = 1− α. Hal itu berarti
bahwa interval kepercayaan untuk σ adalah[R/b, R/a
].
Soal 3
Diketahui X1, X2, . . . , Xn variabel random saling bebas dan mempunyai fungsikepadatan probabilitas
f(x; θ) =1
θe−x/θ
untuk x > 0. Tentukan interval kepercayaan untuk θ dengan koefisien keper-cayaan 1− α.
Pembahasan
Karena 2Xiθ
berdistribusi χ22 maka
2Pni=1 Xiθ
berdistribusi χ22 sehingga untuk
menentukan interval kepercayaan untuk θ dilakukan dengan menentukan adan b sehingga
P (a ≤ χ22n ≤ b) = 1− α
P (a ≤ 2∑n
i=1 Xi
θ≤ b) = 1− α
P (1
a≥ θ∑n
i=1 Xi≥ 1
b) = 1− α.
Dalam hal ini a dan b ditentukan sehingga a2g2n(a) = b2g2n(b) dan
∫ b
a
g2n(t)dt = 1− α
48
dengan g2n(t) adalah fungsi kepadatan probabilitas dari distribusi χ22n.
Soal 4
Diketahui variabel random X1, X2, . . . , Xn saling bebas dan berdistribusi ser-agam pada (0, θ). Gunakan range R = X(n)−X(1) untuk menentukan intervalkepercayaan untuk θ.
Pembahasan
Karena berdistribusi seragam pada (0, θ) maka berdistribusi seragam pada(0, 1) sehingga Y = (X(n)−X(1))/θ akan mempunyai fungsi kepadatan prob-abilitas
f(y) =
n(n− 1)yn−2(1− y) untuk 0 < y < 10 untuk yang lain
Interval kepercayaan untuk θ ditentukan dengan menentukan a dan b se-hingga
P (a ≤ X(n) −X(1)
θ≤ b) = 1− α
dengan Y = (X(n)−X(1))/θ mempunyai fungsi kepadatan probabilitas sepertitersebut di atas. Akibatnya
P (a
b≥ X(n) −X(1)
θ≥ 1
b) = 1− α
P (X(n) −X(1)
b≤ θ ≤ X(n) −X(1)
a) = 1− α
P (R
b≤ θ ≤ R
a) = 1− α.
Soal 5
Diketahui variabel random X1, X2, . . . , Xn saling bebas dan berdistribusidengan fungsi kepadatan f(x; θ) = ex−θ untuk x > θ, θ ∈ Ω = R danmisalkan Y = X(1). Tunjukkan bahwa
1. Fungsi kepadatan probabilitas g dari Y diberikan sebagai
g(y) = n exp[−n(y − θ)]
untuk y > θ.
49
2. Variabel random Tn(θ) = 2n(Y − θ) berdistribusi χ22.
3. Interval kepercayaan untuk θ berdasarkan pada Tn(θ) dengan koefisienkepercayaan 1− α berbentuk [Y − b
2n, Y − b
2n].
4. Interval kepercayaan terpendek θ seperti bentuk di atas diberikan oleh
[Y−χ22;α
2n, Y ] dengan χ2
2;α adalah kuantil atas dari distribusi χ22. Bagaimana
dengan interval kepercayaan terpendek dari harapan panjangnya.
Pembahasan
1. Fungsi distribusi dari X1 adalah
F (x; θ) =
∫ x
−∞f(t)dt
=
∫ x
θ
e−(t−θ)dt
=
∫ x−θ
0
e−udu
=[− e−u
]x−θ0
= 1− e−(x−θ)
dengan u = t− θ. Akibatnya fungsi distribusi dari
Y = X(1) = minX1, X2, . . . , Xn
adalah
F (y) = P (Y ≤ y) = P (minX1, X2, . . . , Xn ≤ y)
= 1− P (minX1, X2, . . . , Xn > y)
= 1− P (X1 > y,X2 > y, . . . , Xn > y)
= 1− [P (X1 > y)]n
= 1− (1− P (X1 ≤ y))n
= 1− (e−(y−θ))n
= 1− e−n(y−θ).
Fungsi kepadatan probabilitas dari Y diperoleh dengan menurunkanF (y) terhadap variabel y yaitu diperoleh g(y) = F ′(y) = ne−n(y−θ)
untuk y > θ.
50
2. Misalkan statistik T = Tn(θ) = 2n(Y − θ). Bila t = 2n(y − θ) makay = θ+ t
2nsehingga dy
dθ= 1
2n. Akibatnya fungsi kepadatan probabilitas
dari statistik T adalah h(t) = 12e−t/2 untuk t. Hal itu berarti statistik
T berdistribusi chi-kuadrat dengan derajat bebas 2.
3. Interval kepercayaan untuk θ ditentukan dengan menentukan a dan bsehingga
P (a ≤ χ22 ≤ b) = 1− α
P (a ≤ 2n(Y − θ) ≤ b) = 1− α
P (a
2n≤ Y − θ ≤ b
2n) = 1− α
P (−Y +a
2n≤ −θ ≤ −Y +
b
2n) = 1− α
P (Y − a
2n≥ θ ≥ Y − b
2n) = 1− α
P (Y − b
2n≤ θ ≤ Y − a
2n) = 1− α.
Soal 6
Diketahui variabel randomX1, X2, . . . , Xn saling bebas dan mempunyai fungsikepadatan probabilitas
f(x; θ =θxγ−1 exp[−x
γ
θ]
untuk x > θ, θ > 0 dan γ > 0 dengan θ ∈ Ω = R.
Pembahasan
Karena Y =2Xr
i
θberdistribusi χ2
2 maka Y =2Pni=1 X
ri
θberdistribusi χ2
2n.Interval kepercayaan untuk θ dengan menentukan a dan b sehingga
P (a ≤ 2Y
θ≤ b) = 1− α
P (1
a≤ θ
2Y≤ 1
b) = 1− α
P (2Y
b≤ θ ≤ 2Y
a) = 1− α
dengan Y =∑n
i=1 Xri . Hal itu berarti interval kepercayaan untuk θ adalah
[2Yb, 2Yb
] dengan a dan b memenuhi a2g2n(a) dan∫ bag2n(t)dt = 1− α. Dalam
51
hal ini g2n(t) adalah fungsi kepadatan probabilitas dari variabel random yangberdistribusi chi-kuadrat dengan derajat bebas 2n.
Soal 7
Diketahui X1, . . . , Xm sampel random dari populasi N(µ1, σ21) dan Y1, . . . , Yn
sampel random dari populasi dengan sigma21, sigma
22 diketahui. Tentukan in-
terval kepercayaan untuk µ1 − µ2.
Pembahasan
Misalkan didefinisikan statistik
T (µ1 − µ2) =(Xm − Yn)− (µ1 − µ2)√
σ21
m+
σ22
n
.
Karena X1, X2, X3, . . . , Xm sampel random dari populasi N(µ1, σ21) maka
Xm = 1m
∑mi=1 Xi berdistribusi N(µ1,
σ21
m) dan karena Y1, Y2, . . . , Yn sampel
random dari populasi maka Yn = 1n
∑ni=1 Yi berdistribusi N(µ2,
σ22
n) sehingga
Xm−Yn berdistribusi N(µ1−µ2,σ2
1
m+
σ22
n). Akibatnya T berdistribusi N(0, 1).
Interval kepercayaan untuk µ1 − µ2 ditentukan dengan cara menentukan adan b sehingga P (a ≤ T ≤ b) = 1− α. Akibatnya
P(a ≤ (Xm − Yn)− (µ1 − µ2)√
σ21
m +σ2
2
n
≤ b)
= 1− α
P(a
√σ2
1
m+σ2
2
n≤ Xm − Yn − (µ1 − µ2) ≤ b
√σ2
1
m+σ2
2
n
)= 1− α
P(− (Xm − Yn) + a
√σ2
1
m+σ2
2
n≤ −(µ1 − µ2) ≤ −(Xm − Yn) + b
√σ2
1
m+σ2
2
n
)= 1− α
P(Xm − Yn − a
√σ2
1
m+σ2
2
n≥ µ1 − µ2 ≥ Xm − Yn − b
√σ2
1
m+σ2
2
n
)= 1− α
P(Xm − Yn − b
√σ2
1
m+σ2
2
n≤ µ1 − µ2 ≤ Xm − Yn − a
√σ2
1
m+σ2
2
n
)= 1− α.
Dalam hal ini a dan b ditentukan sehingga Φ(b)− Φ(a) = 1− α.
Soal 8
Diketahui X1, . . . , Xm sampel random dari populasi N(µ1, σ21) dan Y1, . . . , Yn
sampel random dari populasi dengan µ1, µ2 diketahui. Tentukan intervalkepercayaan untuk σ2
1/σ22 dengan koefisien kepercayaan 1− α.
52
Pembahasan
Misalkan didefinisikan statistik
T (σ21/σ
22) =
σ21
σ21
S2n
S2m
dengan S2m = 1
m
∑mi=1(Xi − µ1)2 dan S2
n = 1n
∑ni=1(Yi − µ2)2 . Karena
X1, . . . , Xm sampel random dari populasi N(µ1, σ21) maka mS2
m
σ21
berdistribusi
χ2m dan karena Y1, . . . , Yn sampel random dari populasi N(µ2, σ
22) maka nS2
n
σ22
berdistribusi χ2n
T (σ21/σ
22) =
σ21
σ21
S2n
S2m
=
nS2n
σ22
mS2m
σ21
berdistribusi Fm,n. Karena t berdistribusi Fm,n maka interval kepercayaanuntuk dapat ditentukan dengan menentukan a dan b sehingga
P (a ≤ Fm,n ≤ b) = 1− αP (a ≤ T ≤ b) = 1− α
P (a ≤ σ21
σ21
S2n
S2m
≤ b) = 1− α
P (aS2m
S2n
≤ σ21
σ21
≤ bS2m
S2n
) = 1− α.
Hal itu berarti interval kepercayaan untuk σ21/σ
22 adalah
[aS
2m
S2n≤ σ2
1
σ21≤ bS
2m
S2n
].
Soal 9
Diketahui X1, X2, . . . , Xn variabel random saling bebas dengan mean µ tidakdiketahui dan variansinya σ2 berhingga dan diketahui serta ukuran sampeln besar.
1. Gunakan teorema limit sentral untuk mengkonstruksikan interval keper-cayaan µ dengan koefisien kepercayaan mendekati 1− α.
2. Tentukan interval kepercayaan mendekati 0, 95 jika ukuran sampel n =100 dan variansi 1.
3. Tentukan n sehingga panjang interval 0, 1 dengan σ = 1 dan α = 0, 05.
53
Pembahasan
1. Karena X1, X2, . . . , Xn variabel random saling bebas dengan mean µtidak diketahui dan variansinya σ2 berhingga dan diketahui serta uku-ran sampel n besar maka dengan menggunakan teorema limit sentraldiperoleh
X − µσ/√n∼ N(0, 1)
untuk n → ∞. Interval kepercayaan untuk µ ditentukan denganmenentukan a dan b sehingga P (a ≤ N(0, 1) ≤ b) = 1− α. Akibatnya
P (a ≤ X − µσ/√n≤ b) = 1− α
P (aσ√n≤ X − µ ≤ b
σ√n
) = 1− α
P (−X + aσ
n≤ −µ ≤ −X + b
σ
n) = 1− α
P (X − aσn≥ µ ≥ X − bσ
n) = 1− α
P (X − bσn≤ µ ≤ X − aσ
n) = 1− α
Interval kepercayaan untuk µ adalah[X − bσ
n, X − aσ
n
]sedangkan in-
terval kepercayaan terpendek untuk µ adalah[X −Zα/2 σn , X +Zα/2
σn
]
dengan Zα/2 adalah kuantil 1− α/2 untuk distribusi N(0, 1).
2. Jika n = 100, σ = 1, α = 0, 05 maka interval kepercayaan untuk µ
adalah[x− 1, 96 1
10, x + 1, 96 1
10
]atau
[x− 0, 196, x+ 0, 196
].
3. Panjang interval dapat dinyatakan sebagai
l = X + Zα/2σ√n−(X − Zα/2
σ√n
)
0, 1 = 2(1, 96)1√n√
n = 2(1, 96) = 39, 2
n ≈ 1600.
54
Soal 10
Diketahui X1, X2, . . . , Xm variabel random saling bebas dan mempunyai fungsikepadatan probabilitas
f(x; θ) =1
θ1e− xθ1
untuk x > 0 dan Y1, Y2, . . . , Yn variabel random saling bebas dan mempun-
yai fungsi kepadatan probabilitas f(y; θ) = 1θ2e− yθ2 untuk y > 0. Tentukan
interval kepercayaan untuk θ1/θ2 dengan koefisien kepercayaan 1− α.
Pembahasan
Karena X1, X2, . . . , Xm variabel random saling bebas dan mempunyai fungsikepadatan probabilitas f(x; θ) = 1
θ1e− xθ1 untuk x > 0 maka berdistribusi
Gamma(1, θ1) sehingga2Pmi=1 Xiθ1
berdistribusi χ22m dan karena Y1, Y2, . . . , Yn
variabel random saling bebas dan mempunyai fungsi kepadatan probabilitas
f(y; θ) =1
θ2e− yθ2
untuk y > 0 maka berdistribusi Gamma(1, θ2) sehingga
2∑n
i=1 Yiθ1
berdistribusi χ22n. Dibentuk statistik
T (θ1/θ2) =
2Pni=1 Yinθ2
2Pmi=1 Ximθ1
.
Dalam hal ini T (θ1/θ2) berdistribusi F dengan derajat pembilang n danderajat bebas penyebut m. Untuk menentukan interval kepercayaan untukdilakukan dengan menentukan a dan b sehingga P (a ≤ F2n,2m ≤ b) = 1− α.Akibatnya
P(a ≤
2Pni=1 Yinθ2
2Pmi=1 Ximθ1
≤ b)
= 1− α
P (aX ≤ θ1
θ2≤ bY ) = 1− α.
Hal itu berarti interval kepercayaan untuk θ1/θ2 adalah [aX, bY ].
55
Chapter 8
Latihan Soal Estimasi Interval
1. Sampel ukuran 25 dari populasi yang berdistribusi normal dengan var-iansi 81 diperoleh sampel meannya adalah 81,2. Tentukan intervalkepercayaan 95% untuk mean populasi.
2. Dimiliki sampel random ukuran 25 diambil dari distribusi N(0, σ2).Konstruksikan interval kepercayaan untuk σ2 dengan koefisien keper-cayaan 90%.
3. Dimiliki sampel 0,3915, 0,1034, 0,6858, 0,7626, 0,0041, yang diambildari distribusi eksponensial dengan mean θ1 dan sampel 0,7731, 0,5909,0,3267, 0,1477, 0,0322 yang diambil dari distribusi eksponensial den-gan mean θ2. Konstruksikan interval kepercayaan untuk θ1/θ2 dengankoefisien kepercayaan mendekati 90%.
4. Misalkan X1, . . . , Xn variabel random yang mempunyai distribusi ek-sponensial negatif dengan parameter θ ∈ Ω = (0,∞) dan anggap bahwan besar. Gunakan teorema limit sentral untuk mengkonstruksikan in-terval kepercayaan untuk θ dengan koefisien kepercayaan mendekati1− α.
5. Diketahui X1, X2, . . . , Xm sampel random dari populasi N(µ1, σ21) dan
Y1, . . . , Yn sampel random dari populasi dengan µ1, µ2 tidak diketahui.Tentukan interval kepercayaan untuk σ2
1/σ22 dengan koefisien keper-
cayaan 1− α.
56
Bibliography
[1] Bain, L. J. and Engelhardt, M., (1992), Introduction to probability andmathematical statistics, Duxbury, Pasific Grove.
[2] Lindgren, B. W., (1993), Statistical Theory 4th edition, Chapman & HallInc, New York.
[3] Oosterhoff, J., (1993), Algemene Statistiek, Faculteit Wiskunde en In-formatica, Vrije Universiteit Amsterdam, Amsterdam.
[4] Roussas, G. G., (1973), A first Course in Mathematical Statistics,Addison-Wesley Publishing Company, Reading Massachusetts.
57