You are on page 1of 59

Praktikum

STATISTIKA MATEMATIKA
Adi Setiawan
Universitas Kristen Satya Wacana
Salatiga
2006
i
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 spesikasikan ruang parameter .
1. Variabel random X berdistribusi Poisson().
2. Variabel random X berdistribusi Gamma(, ).
3. Variabel random X berdistribusi eksponensial dengan parameter .
4. Variabel random X berdistribusi Beta(, ).
Pembahasan
1. Karena X berdistribusi Poisson() maka fungsi probabilitasnya :
f(x) =
e

x
x!
(0, ).
Ruang parameter : = { R| > 0} = (0, ).
2. Karena X berdistribusi Eksponensial() maka fungsi kepadatan prob-
abilitasnya :
f(x) = e
x
untuk x > 0 dan > 0.
Ruang parameter : = { R| > 0} = (0, ).
1
3. Karena X berdistribusi Gamma(, ) maka fungsi kepadatan proba-
bilitasnya :
f(x; , ) =
1
()

x
1
e
x/
untuk x > 0, > 0, > 0.
Ruang parameter = {(, ) R
2
| > 0, > 0}.
4. Karena X berdistribusi Beta(, ) maka fungsi kepadatan probabili-
tasnya :
f(x; , ) =
( +)
()()
x
1
(1 x)
1
, 0 < x < 1, > 0, > 0.
Ruang parameter = {(, ) R
2
| > 0, > 0}.
Soal 2
Misalkan X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdistribusi iden-
tik. Gunakan Teorema 1 dan Akibatnya untuk menunjukkan bahwa :
1. Jika X
i
berdistribusi Poisson() maka

n
i=1
X
i
atau

X merupakan
statistik cukup untuk .
2. Jika X
i
berdistribusi Eksponensial() maka

n
i=1
X
i
atau

X merupakan
statistik cukup untuk .
3. Jika X
i
berdistribusi Gamma(, ) maka
_

n
i=1
X
i
,

n
i=1
X
i
_
t
atau
_

n
i=1
X
i
,

X
_
t
merupakan statistik cukup untuk (, )
t
.
4. Jika X
i
berdistribusi Beta(, ) maka
_

n
i=1
X
i
,

n
i=1
(1X
i
)
_
t
meru-
pakan statistik cukup untuk (, )
t
.
Pembahasan
1. Karena X
i
berdistribusi Poisson() maka
f(x
i
) =
e

x
i
x!
2
untuk x
i
= 0, 1, 2, . . . sehingga fungsi probabilitas bersamanya adalah
f(x
1
, x
2
, . . . , x
n
; ) =
n

i=1
f(x
i
, )
=
n

i=1
e

x
i
x
i
!
=
e
n

P
n
i=1
x
i

n
i=1
x
i
!
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
); ] = e
n

P
n
i=1
x
i
T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
1

n
i=1
x
i
!
.
Oleh karena itu

n
i=1
X
i
merupakan statistik cukup untuk . Dengan
menggunakan Teorema 1 dan Akibatnya dan mendenisikan g : R R
dengan g(x) = x/n maka

X juga merupakan statistik cukup untuk .
2. Karena X
i
berdistribusi Eksponensial() maka
f(x
i
) = e
x
i
untuk x
i
> 0 sehingga fungsi probabilitas bersamanya adalah
f(x
1
, . . . , x
n
; ) =
n

i=1
f(x
i
; )
=
n

i=1
e
x
i
=
n
e

P
n
i=1
x
i
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
) =
n
e

P
n
i=1
x
i
T(x
1
, . . . , x
n
) =
n

i=1
X
i
h(x
1
, . . . , x
n
) = 1.
3
Oleh karena itu

n
i=1
X
i
merupakan statistik cukup untuk . Dengan
menggunakan Teorema 1, Akibatnya dan mendenisikan g : R R
dengan g(x) = x/n maka

X merupakan statistik cukup untuk .
3. Karena X
i
berdistribusi Gamma(, ) maka fungsi kepadatan proba-
bilitasnya :
f(x
i
) =
1
()

x
1
i
e
x
i
/
untuk x
i
> 0 sehingga fungsi kepadatan probabilitas bersamanya adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; , )
=
n

i=1
1
()

x
1
i
e
x
i
/
=
_
1
()

_
n
_
n

i=1
x
i
_
1
exp
_

i=1
x
i
_
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
); , ] =
_
1
()

_
n
_
n

i=1
x
i
_
1
exp
_

i=1
x
i
_
T(x
1
, . . . , x
n
) =
_
n

i=1
X
i
,
n

i=1
X
i
_
t
h(x
1
, . . . , x
n
) = 1.
Oleh karena itu
_

n
i=1
X
i
,

n
i=1
X
i
_
t
merupakan statistik cukup untuk
(, )
t
. Dengan menggunakan Teorema 1, Akibat dan mendenisikan
fungsi g : R
2
R
2
dengan g(x, y) = (x, y/n) maka
_

n
i=1
X
i
,

X
_
t
merupakan statistik cukup untuk (, )
t
.
4. Karena X
i
berdistribusi Beta(, ) maka fungsi kepadatan probabili-
tasnya :
f(x
i
) =
( +)
()()
x
1
i
(1 x
i
)
1
untuk 0 < x
i
< 1 sehingga fungsi kepadatan probabilitasnya bersamanya
4
adalah
f(x
1
, . . . , x
n
; , )
=
n

i=1
f(x
i
; , )
=
n

i=1
( +)
()()
x
1
i
(1 x
i
)
1
=
_
( +)
()()
_
n
_
n

i=1
x
i
_

_
n

i=1
(1 x
i
)
_

n
i=1
x
i
(1 x
i
)
.
Dengan menggunakan Teorema 1 diperoleh bahwa
g[T(x
1
, . . . , x
n
); , ]
=
_
( +)
()()
_
n
_
n

i=1
x
i
_

_
n

i=1
(1 x
i
)
_

n
i=1
x
i
(1 x
i
)
T(x
1
, . . . , x
n
) =
_
n

i=1
x
i
,
n

i=1
(1 x
i
)
_
t
h(x
1
, . . . , x
n
) = 1.
Oleh karena itu
_

n
i=1
x
i
,

n
i=1
(1 x
i
)
_
t
merupakan statistik cukup
untuk (, )
t
.
Soal 3
Jika X
1
, . . . , X
n
sampel random dari distriusi N(,
2
) dengan R maka
tunjukkan bahwa
_

n
i=1
X
i
,

n
i=1
X
2
i
_
atau
_

X,

n
i=1
X
2
i
_
merupakan statis-
tik cukup untuk .
Pembahasan
Karena X
i
berdistribusi N(,
2
) maka fungsi kepadatan probabilitas dari
variabel random X
i
adalah
f(x
i
) =
1

2
2
exp
_

(x
i
)
2
2
2
_
5
sehingga fungsi kepadatan probabilitasnya adalah
f(x
1
, . . . , x
n
; ) =
n

i=1
f(x
i
; )
=
n

i=1
1

2
2
exp
_
(x
i
)
2
2
2
_
=
_
1
2
2
_
n
exp
_

n
i=1
x
i
2
2
_
exp
_
2

n
i=1
x
i
2
2
_
exp
_


2
2
2
_
=
_
1
2
2
_
n
exp
_

n
i=1
x
i
2
2
_
exp
_

n
i=1
x
i

_
exp[
1
2
].
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); ] =
_
1
2
2
_
n
exp
_

n
i=1
x
i
2
2
_
exp
_

n
i=1
x
i

_
exp[
1
2
]
T(x
1
, . . . , x
n
) =
_
n

i=1
x
i
,
n

i=1
x
2
i
_
h(x
1
, . . . , x
n
) = 1
sehingga
_

n
i=1
X
i
,

n
i=1
X
2
i
_
merupakan statistik cukup untuk . Bila
didenisikan f : R
2
R
2
dengan f(x, y) = (x/n, y) dan dengan meng-
gunakan Akibat 1 maka
_

X,

n
i=1
X
2
i
_
merupakan statistik cukup untuk .
Soal 4
Jika X
1
, . . . , X
n
sampel random ukuran n dengan fungsi kepadatan prob-
abilitas
f(x; ) = e
(x)
untuk x > dan R maka tunjukkan bahwa X
(1)
= min{X
1
, . . . , X
n
}
merupakan statistik cukup untuk .
Pembahasan
6
Fungsi kepadatan probabilitas bersama untuk X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1
e
(x
i
)
= exp
_

i=1
x
i
+n
_
untuk X
(1)
>
= exp
_

i=1
x
i
+n
_
u[X
(1)
, ]
dengan
u[X
(1)
; ] =
_
1 untuk X
(1)
>
0 untuk yang lain.
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); ] = exp[n] u[X
(1)
, ]
T(x
1
, . . . , x
n
) = X
(1)
h(x
1
, . . . , x
n
) = exp
_

i=1
x
i
_
.
Akibatnya X
(1)
= min{X
1
, . . . , X
n
} merupakan statistik cukup untuk .
Soal 5
Jika X
1
, . . . , X
n
variabel random saling bebas dengan fungsi kepadatan prob-
abilitas f(x; ) maka tentukan statistik cukup untuk .
1. f(x; ) = x
1
untuk 0 < x < 1 dan (0, ).
2. f(x; ) = 2( x)/
2
untuk 0 < x < dan (0, ).
3. f(x; ) = x
3
exp(x/)/(6
4
) untuk 0 < x < dan (0, ).
4. f() = (/c)(c/x)
+1
untuk c < x < dan (0, ).
Pembahasan
7
1. Karena X f(x; ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1
x
1
i
=
n
_
n

i=1
x
i
_
1
.
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); ] =
n
_
n

i=1
x
i
_

T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
_
n

i=1
x
i
_
1
.
Akibatnya

n
i=1
X
i
merupakan statistik cukup untuk .
2. Karena X f(x; ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
; ) =
n

i=1
f(x
i
; )
=
n

i=1
2

2
( x
i
) untuk 0 x
i

=
_
2

2
_
n
n

i=1
( x
i
) 0 x
(n)

=
_
2

2
_
n
n

i=1
( x
i
) h[x
(n)
; ]
dengan
h[x
(n)
; ] =
_
1 untuk X
(n)
<
0 untuk yang lain.
8
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); ] =
_
2

2
_
n
n

i=1
( x
i
) h[x
(n)
; ]
T(x
1
, . . . , x
n
) = X
(n)
h(x
1
, . . . , x
n
) = 1.
Akibatnya X
(n)
= max{X
1
, X
2
, . . . , X
n
} merupakan statistik cukup un-
tuk .
3. Karena X f(x; ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
g[T(x
1
, . . . , x
n
; ) =
n

i=1
f(x
i
; )
=
n

i=1
_
1
6
4
_
x
i
e
x
i
/
=
_
1
6
4
_
n
_
n

i=1
x
3
i
_
exp
_
1

i=1
x
i
_
.
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); ] =
_
1
6
4
_
n
exp
_
1

i=1
x
i
_
T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
n

i=1
x
3
i
.
Akibatnya

n
i=1
X
i
merupakan statistik cukup untuk .
4. Karena X f(x; ) maka fungsi kepadatan probabilitas bersama dari
X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
; ) =
n

i=1
f(x
i
; )
=
n

i=1
_

c
__
c
x
i
_
untuk x
i
c
=
_

c
_
n
c
+1
_

n
i=1
x
i
_
+1
.
9
Dengan menggunakan Teorema 1 diperoleh
g[T(x
1
, . . . , x
n
); ] =
_

c
_
n
c

n
i=1
x
i
_
+1
T(x
1
, . . . , x
n
) =
n

i=1
x
i
h(x
1
, . . . , x
n
) =
_
n

i=1
x
i
_
1
.
Akibatnya

n
i=1
X
i
merupakan statistik cukup untuk .
Soal 6
Jika X
1
, X
2
, . . . , X
n
sampel random ukuran n dari distribusi Poisson() maka
buktikan bahwa

X merupakan statistik tak bias UMV yang tunggal untuk
parameter .
Pembahasan
Karena

X statistik cukup untuk dan lengkap serta E[

X] = maka

X
merupakan statistik tak bias untuk . Dengan menggunakan Teorema 5
diperoleh bahwa

X statistik tak bias UMV yang tunggal untuk .
Soal 7
Tunjukkan bahwa dalah setiap kasus distribusi tersebut merupakan anggota
keluarga eksponensial.
1. Variabel random X berdistribusi Poisson().
2. Variabel random X berdistribusi Binomial Negatif.
3. Variabel random X berdistribusi Gamma(, ) dengan diketahui.
4. Variabel random X berdistribusi Gamma(, ) dengan diketahui.
5. Variabel random X berdistribusi Beta(, ) dengan diketahui.
6. Variabel random X berdistribusi Beta(, ) dengan diketahui.
10
Pembahasan
1. Karena X berdistribusi Poisson() maka fungsi probabilitas dari X
adalah
f(x; ) =
e

x
x!
untuk x = 0, 1, 2, . . . sehingga f(x; ) dapat dinyatakan sebagai
f(x; ) = e

e
x ln
1
x!
I
A
(x)
dengan A = {0, 1, 2, . . .}.
Hal itu berarti bahwa c() = e

, Q() = ln(), T(x) = x, dan


h(x) =
1
x!
I
A
(x).
Akibatnya distribusi Poisson() merupakan anggota keluarga ekspo-
nensial.
2. Karena X berdistribusi Binomial Negatif maka fungsi probabilitas dari
X adalah
f(x; ) =
_
r +x 1
x
_

r
(1 )
x
untuk x = 1, 2, 3, . . ., sehingga f(x; ) dapat dinyatakan sebagai
f(x; ) =
r
e
x ln(1)
_
r +x 1
x
_
I
A
(x)
dengan A = {1, 2, . . .}.
Hal itu berarti bahwa c() =
r
, Q() = ln(1 ), T(x) = x dan
h(x) =
_
r +x 1
x
_
I
A
(x). Akibatnya distribusi Binomial Negatif
merupakan anggota keluarga eksponensial.
3. Karena X berdistribusi Gamma(, ) dengan = maka fungsi kepa-
datan probabilitas dari X adalah
f(x; ) =
1
()

x
1
e
x/
11
untuk x > 0, sehingga f(x; ) dapat dinyatakan sebagai
f(x; ) =
1
()

e
(1) ln x
e
x/
atau
f(x; ) =
1
()

e
lnx
x
1
e
x/
Hal itu berarti bahwa c() =, Q() = , T(x) = ln x, dan h(x) =
x
1
e
x/
. Akibatnya distribusi Gamma(, ) dengan diketahui meru-
pakan anggota keluarga eksponensial.
4. Karena X berdistribusi Gamma(, ) dengan = maka fungsi kepa-
datan probabilitas dari X adalah
f(x; ) =
1
()

x
1
e
x/
untuk x > 0, sehingga f(x; ) dapat dinyatakan sebagai
f(x; ) =
1

e
x/
x
1
()
.
Hal itu berarti c() =
1

, Q() =
1

, T(x) = x dan
h(x) =
x
1
()
.
Akibatnya distribusi Gamma(, ) dengan diketahui merupakan anggota
keluarga eksponensial.
5. Karena X berdistribusi Beta(, ) dengan = maka fungsi kepa-
datan probabilitas dari X adalah
f(x; ) =
( +)
()()
x
1
(1 x)
1
sehingga f(x; ) dapat dinyatakan sebagai
f() =
( +)
()
e
lnx
x
1
(1 x)
1
1
()
Hal itu berarti bahwa c() =
(+)
()
, Q() = , T(x) = ln x, dan
h(x) = x
1
(1 x)
1 1
()
. Akibatnya distribusi Beta(, ) dengan
diketahui merupakan anggota keluarga eksponensial.
12
6. Karena X berdistribusi Beta(, ) dengan = maka fungsi kepa-
datan probabilitas dari X adalah
f(x; ) =
( +)
()()
x
1
(1 x)
1
sehingga f(x; ) dapat dinyatakan sebagai
f(x; ) =
( +)
()
e
ln(1x)
x
1
(1 x)
1
1
()
Hal itu berarti bahwa c() =
(+)
()
, Q() = , T(x) = ln(1 x), dan
h(x) = x
1
(1 x)
1 1
()
. Akibatnya distribusi Beta(, ) dengan
diketahui merupakan anggota keluarga eksponensial.
Soal 8
Misalkan variabel random saling bebas dengan fungsi kepadatan probabil-
itas f(x; ) dinyatakan dengan
f(x; ) =

x
1
exp
_

untuk 0 < x < dengan parameter > 0 dan diketahui.


1. Tunjukkan bahwa fungsi kepadatan probabilitas.
2. Tentukan statistik cukup untuk .
3. Apakah f(x; ) anggota keluarga eksponensial.
Pembahasan
1. Akan ditunjukkan bahwa f(x; ) merupakan fungsi kepadatan proba-
bilitas yaitu dengan menunjukkan bahwa
_

f(x; )dx = 1
Jika dimisalkan u = x

/ maka
du
dx
=
x
1

sehingga berakibat
_

0
x
1
exp
_

_
dx =
_

0
e
u
du = 1
Berarti f(x; ) merupakan fungsi kepadatan probabilitas.
13
2. Akan ditentukan fungsi kepadatan probabilitas bersama dari X
1
, . . . , X
n
adalah
f(x
1
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1

x
1
i
e

=
_

_
n
n

i=1
x

i
n

i=1
x
1
i
e

P
n
i=1
x

i
Dengan menggunakan Teorema Fatorisasi diperleh bahwa

n
i=1
x

i
statis-
tik cukup untuk .
3. Akan dibuktikan bahwa f(x; ) merupakan anggota keluarga eksponen-
sial. Karena f(x; ) dapat dinyatakan sebagai
f(x; ) =
1

exp
_

_
x
1
.
Hal itu berarti C() =
1

, Q() =
1

, T(x) = x

, dan h(x) = x
1
sehingga f(x; ) merupakan anggota keluarga eksponensial.
Soal 9
Dalam setiap kasus, identikasi bahwa distribusi dari variabel random X
merupakan anggota keluarga eksponensial dua parameter.
1. Variabel random X berdistribusi Gamma(, ).
2. Variabel random X berdistribusi Beta(, ).
Pembahasan
1. Misalkan = (
1
,
2
) dengan
1
= dan
2
= . Fungsi kepadatan
probabilitas Gamma(, ) adalah
f(x; ) =
1
(
1
)

1
2
x

e
x/
2
atau
f(x; ) =
1
(
1
)

1
2
exp
_

1
ln x
x

2
_
x
1
.
14
Hal itu berarti
C() =
1
(
1
)

1
2
, T
1
(x) = ln(x), T
2
(x) = ln(x),
h(x) = x
1
, Q
1
() =
1
, Q
2
() =
1

2
.
Akibatnya distribusi Gamma(, ) merupakan anggota keluarga ekspo-
nensial dua parameter.
2. Misalkan = (
1
,
2
) dengan
1
= dan
2
= . Fungsi kepadatan
proabbilitas Beta(, ) adalah
f(x; ) =
(
1
+
2
)
(
1
)(
2
)
x

1
1
(1 x)

2
1
atau
f(x; ) =
(
1
+
2
)
(
1
)(
2
)
exp
_

1
ln x +
2
ln(1 x)
_
x
1
(1 x)
1
.
Hal itu berarti
C() =
(
1
+
2
)
(
1
)(
2
)
, T
1
(x) = ln x, T
2
(x) = ln(1 x),
h(x) = x
1
(1 x)
1
, Q
1
() =
1
, Q
2
() =
2
.
Akibatnya distribusi Beta(, ) merupakan anggota keluarga ekspo-
nensial dua parameter.
Soal 10
Buktikan bahwa keluarga F tidak lengkap dengan
F = { f(x; ) =
1

untuk x }
untuk (0, ).
Pembahasan
Karena ada g(x) = x sehingga
E[g(X)] =
_

x
1
2
dx = 0
Akibatnya keluarga F tidak lengkap.
15
Chapter 2
Latihan Soal Statistik Cukup
1. Variabel random X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi identik
dengan fungsi kepadatan probabilitas
f() = exp[(x )]
untuk x > 0 dan R. Tentukan statistik cukup untuk .
2. Jika F keluarga semua fungsi probabilitas Binomial Negatif maka tun-
jukkan bahwa F lengkap.
3. Apakah distribusi geometrik merupakan anggota keluarga eksponensial
satu parameter ?
4. Apakah statistik berikut ini ekuivalen ?
(a)

n
i=1
x
i
dan

n
i
ln x
i
dengan x
i
> 0.
(b)

n
i=1
x
i
dan

n
i
lnx
i
.
(c) (

n
1
x
i
,

n
1
x
2
i
) dan (

n
1
x
i
,

n
1
(x
i
x)
2
)
(d) (

n
1
x
i
,

n
1
x
3
i
) dan (

n
1
x
i
,

n
1
(x
i
x)
3
)
5. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi dengan fungsi
kepadatan proabbilitas dinyatakan dengan
f(x; , ) =
1

exp
_

(x )

_
jika x , < < dan > 0.
(a) Jika diketahui maka tentukan statistik cukup untuk .
(b) Jika diketahui maka tentukan statistik cukup untuk .
(c) Tentukan statistik cukup untuk (, ).
16
Chapter 3
Pembahasan : Estimasi Titik
Soal 1
Jika X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi Binom(1, ) dengan
= (0, 1) maka tentukan estimator UMVU untuk parameter .
Pembahasan
Karena

X statistik cukup tak bias yang lengkap untuk maka

X estimator
UMVU untuk .
Soal 2
Jika X
1
, X
2
, . . . , X
n
sampel random dari distribusi U(0, ) dengan =
(0, ). Tentukan estimator tak bias untuk mean dan variansi dari X yang
hanya tergantung pada statistik cukup dari parameter .
Pembahasan
Karena X mempunyai distribusi U(0, ) maka E[X] = /2 dan Var(X) =

2
/12. Statistik cukup untuk adalah Y = max{X
1
, X
2
, . . . , X
n
}. Fungsi
17
distribusi dari Y adalah
F
Y
(y) = P(Y y) = P(max{X
1
, X
2
, . . . , X
n
} y)
= P(X
1
y, X
2
y, . . . , X
n
y)
=
_
P(X y)
_
n
=
_
F
X
(y)
_
n
= (
y

)
n
untuk 0 y , sehingga fungsi kepadatan probabilitas dari Y adalah
f(y) =
dF
dy
= n
y
n1

n
untuk 0 y . Akibatnya
E[Y ] =
_

0
yn
y
n1

n
dy =
n

n
_
y
n+1
n + 1
_

0
=
n
n + 1
.
Karena itu estimator tak bias untuk meannya yaitu

2
adalah
n + 1
2n
max{X
1
, X
2
, . . . , X
n
}.
Demikian juga, berlaku sifat
E(Y
2
) =
_

0
y
2
n
y
n1

n
dy =
n

n
_
y
n+2
n + 2
_

0
=
n
n + 2

2
.
Akibatnya estimator tak bias untuk
2
/12 adalah
n + 2
12n
_
max{X
1
, X
2
, . . . , X
n
}
_
2
.
Soal 3
Diketahui X
1
, . . . , X
n
sampel random saling bebas dari distribusi Gamma(, )
dengan diketahui dan tidak diketahui. Tunjukkan bahwa estimator
UMVU dari yaitu
U(X
1
, . . . , X
n
) =
1
n
n

i=1
X
i
=

18
dan variansinya mencapai batas bawah Cramer-Rao.
Pembahasan
Misalkan = dengan = (0, ). Karena X
i
berdistribusi Gamma(, )
maka
f(x
1
, x
2
, . . . , x
n
; ) =
1

x
1
i
e
x
i
/
untuk x
i
> 0 sehingga fungsi kepadatan probabilitas bersamanya adalah
f(x; ) =
n

i=1
f(x
i
; , )
=
n

i=1
1

x
1
i
e
x
i
/
=
_
1
()
_
n
_
n

i=1
x
i
_
1
1

exp
_

i=1
x
i

.
Dengan menggunakan Teorema Faktorisasi Fisher-Neyman diperoleh bahwa

n
i=1
X
i
merupakan statistik cukup untuk . Karena E[X
i
] = maka
E[

X/] = sehingga

X/ merupakan estimator tak bias untuk . Demikian
juga dapat dibuktikan bahwa

n
i=1
X
i
merupakan statistik yang lengkap un-
tuk sehingga dengan menggunakan Teorema ,

X/ merupakan estimator
UMVU untuk .
Karena V ar(X
i
) =
2
maka
Var(

X/) =
1
n
2

2
nVar(

X
=

2
n
2
=

2
n
Untuk mendapatkan batas bawah Cramer-Rao, terlebih dahulu dihitung in-
formasi Fishernya. Karena X berdistribusi Gamma(, ) maka logaritma
natural dari fungsi kepadatan probabilitasnya adalah
ln f(x; ) = ln ln () + ( 1) lnx
x

.
Dengan mendeferensialkan terhadap diperoleh
ln f(x; )

+
x

2
19
dan

2
ln f(x; )

2
=

2

2x

3
sehingga
E
_

2
ln f(X; )

2
_
= E
_

2

2X

3
_
=
_

2

2

3
_
=

2
.
Informasi Fishernya adalah I() =

2
n
= Var(U). Hal itu berarti bahwa var-
iansi U mencapai batas bawah Cramer-Rao.
Soal 4
Diketahui X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi U(, 2) den-
gan = (0, ). Tentukan estimator tak bias untuk .
Pembahasan
Karena X berdistribusi U(, 2) maka fungsi kepadatan probabilitasnya dari
X adalah
f(x; ) =
1

untuk 0 x 2
sehingga fungsi distribusi dari X adalah
F
X
(x) =
x

untuk 0 x 2
Misalkan statistik cukup untuk dinotasikan dengan U = min{X
1
, . . . , X
n
}.
Fungsi distribusi dari U adalah
F
U
(u) = P(U u) = 1 P(U > u)
= 1 P(min{X
1
, . . . , X
n
} > u)
= 1 P(X
1
> u, X
2
> u, . . . , X
n
> u)
= 1 [P(X > u)]
n
= 1 [1 P(X u]
n
= 1 [1
u

]
n
= 1 [1
2 u

]
n
20
sehingga fungsi kepadatan probabilitas dari U adalah dF/du yaitu
f
U
(u) = n
_
2 u
_
n1
1

= n
(2 u)
n1

n
untuk x 2. Harga harapan dari variabel random U adalah
E[U] =
_
2

un
(2 u)
n1

n
du.
Misalkan digunakan substitusi w = 2 u sehingga dw = du. Akibatnya
untuk u = maka w = dan untuk u = 2 maka w = 0. Diperoleh
E[U] =
_
0

n
(2 w)w
n1

n
(dw)
=
_

0
n
(2 w)w
n1

n
dw
=
_

0
n
2n

n
dw
_

0
n
nw
n

n
dw
= 2
_
w
n

n
_

n
n + 1
_
w
n+1

n
_

0
= 2
n
n + 1

=
n + 2
n + 1

Hal itu berarti


n + 1
n + 2
min{X
1
, . . . , X
n
}
merupakan statistik tak bias untuk .
Misalkan V = max{X
1
, . . . , X
n
}. Fungsi distribusi dari variabel random
V adalah
F
V
(v) =
(v )
n

n
untuk v 2
dan fungsi kepadatan probabilitas V adalah
f
V
(v) =
n(v )
n1

n
untuk v 2.
Akibatnya
E[V ] =
_
2

v
n(v )
n1

n
dv.
21
Misalkan digunakan substitusi w = v sehingga dw = dv. Akibatnya
untuk v = maka w = 0 dan untuk u = 2 maka w = . Diperoleh
E[V ] =
_

0
n(w +)
w
n1

n
dw
=
_

0
w
n

n
dw +
_

0
n
w
n

n1
dw
=
n
n + 1
+
=
2n + 1
n + 1
.
Hal itu berarti
n + 1
2n + 1
max{X
1
, X
2
, . . . , X
n
}
juga merupakan statistik tak bias untuk . Pada sisi lain dengan mengingat
bahwa
E[2U +V ] = 2E[U] +E[V ] =
2n + 4
n + 1
+
2n + 1
n + 1
=
4n + 5
n + 1

maka
n + 1
4n + 5
_
2 min{X
1
, X
2
, . . . , X
n
} + max{X
1
, X
2
, . . . , X
n
}
_
estimator tak bias untuk .
Soal 5
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Poisson() dengan
= (0, ). Tentukan estimator UMVU untuk dan tentukan variansi
serta batas bawah Cramer-Rao.
Pembahasan
Dari Chapter 1 dapat dilihat bahwa

X merupakan statistik cukup yang
lengkap sehingga dengan menggunakan Teorema Lehman-Schee diperoleh
bahwa

X estimator UMVU dengan variansi /n. Pada sisi lain, karena X
mempunyai distribusi Poisson() maka fungsi probabilitasnya adalah
f(x; ) =
e

x
x!
22
untuk x = 0, 1, 2, . . ., sehingga logaritma natural dari f(x; ) adalah
f(x; ) = +xln ln(x!).
Dengan mendeferensialkan terhadap diperoleh

f(x; ) = 1 +
x

sehingga
_

f(x; )
_
2
= 1
2x

+
x
2

2
.
Akibatnya
E
_

f(x; )
_
2
= 1
2E[X]

+
E[X]
2

2
= 1
2

+
V (x) + (E[X])
2

2
= 1
2

+
+
2

2
=
1

.
Oleh karena itu batas bawah Cramer-Rao yaitu /n sama dengan variansi
dari

X.
Soal 6
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Binom(1, ) den-
gan = (0, 1). Tentukan MLE untuk .
Pembahasan
Karena X
i
berdistribusi Binom(1, ) maka fungsi probabilitasnya adalah
f(x
i
; ) =
x
i
(1 )
nx
i
dengan x
i
= 0, 1, 2, . . . , n sehingga fungsi likelihoodnya adalah
L(|x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1

x
i
(1 )
nx
i
=
P
n
i=1
x
i
(1 )
n
P
n
i=1
x
i
.
23
Logaritma dari fungsi likelihoodnya adalah
l() = (ln )
n

i=1
x
i
ln(1 )
n

i=1
+nln(1 ).
Dengan mendeferensialkan terhadap diperoleh
dl
d
=

n
i=1
x
i

n
i=1
x
i
1

n
1
.
Akibatnya yang memaksimumkan fungsi likelihoodnya akan sama dengan
akar dari persamaan
dl
d
= 0 yaitu

n
i=1
x
i

n
i=1
x
i
1

n
1
= 0

n
i=1
x
i

n
i=1
x
i
+

n
i=1
x
i
(1 )
=
n
1
=

n
i=1
x
i
n
=

X.
Hal itu berarti MLE untuk adalah

=

X.
Soal 7
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi eksponensial yaitu
dengan fungsi kepadatan probabilitas
f(x; ) = e
x
dengan = R. Tentukan MLE untuk .
Pembahasan
Fungsi likelihoodnya adalah
L(|x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1
e
x
i
=
n
e

P
n
i=1
x
i
24
sehingga logaritma natural dari fungsi likelihoodnya adalah
l() = nln
n

i=1
x
i
Dengan mendeferensialkan terhadap diperoleh
dl
d
=
n

i=1
x
i
.
Akibatnya yang memaksimumkan fungsi likelihoodnya akan sama dengan
akar dari persamaan
dl
d
= 0
n

i=1
x
i
= 0
n

=
n

i=1
x
i
=
n

n
i=1
x
i
.
Hal itu berarti MLE untuk adalah

= 1/

X.
Soal 8
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi N(,
2
) dengan
dan
2
tidak diketahui. Tentukan MLE untuk .
Pembahasan
Karena X berdistribusi N(,
2
) maka fungsi kepadatan probabilitasnya
adalah
f(x; , ) =
1

2
2
exp
_

(x )
2
2
2
_
25
sehingga fungsi likelihoodnya adalah
L(; x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1
1

2
2
exp
_

(x
i
)
2
2
2
_
=
_
1

2
2
_
n
exp
_

n
i=1
(x
i
)
2
2
2
_
=
_
1

2
2
_
n
exp
_

n
i=1
x
i
2
2
+
2

n
i=1
x
i
2
2

n
2
2
2
_
dengan = (,
2
). Akibatnya logaritma natural dari fungsi likelihoodnya
adalah
l( = ln f(x; ,
2
) =
n
2
ln(2
2
)

n
i=1
x
2
i
2
2
+
2

n
i=1
x
2
i
2
2

n
2
2
2
.
MLE diperoleh dengan menyelesaikan sistem persamaan berikut :
l

n
i=1
x
i

2

2n
2
2
l

2
=
n
2
2
+

n
i=1
x
i
2
4

2
+
n
4
2
4
.
Diperoleh MLE untuk (,
2
) masing-masing adalah
=

X
n
2
2
=

n
i=1
(x
i
)
2
2
4
.
atau

2
=

n
i=1
(X
i
)
2
n
.
Soal 9
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi dengan fungsi kepa-
datan probabilitasnya adalah
f(x;
1
,
2
) =
1

2
exp
_

x
1

2
_
untuk x >
1
26
Tentukan MLE untuk
1
dan
2
.
Pembahasan
Fungsi likelihoodnya adalah
L(, x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1
1

2
exp
_

x
i

2
_
=
_
1

2
_
n
exp
_

n
i=1
(x
i

1
)
2

2
_
untuk min{X
1
, X
2
, . . . , X
n
} >
1
. Akibatnya logaritma natural dari fungsi
likelihoodnya adalah
l() = ln f(x;
1
,
2
) = nln(
2
)

n
i=1
x
i

2
n

2
untuk min{X
1
, X
2
, . . . , X
n
} >
1
. Fungsi likelihood mencapai maksimum
bila

1
= min{X
1
, X
2
, . . . , X
n
} dan MLE untuk
2
diperoleh dengan menye-
lesaikan persamaan berikut :
l

2
2
=
n

2
+

n
i=1
x
i

2
+
n
1

2
= 0.
Diperoleh

n
i=1
x
i

2
2
=
n(
2

1
)

2
2
atau

2
=

X + min{X
1
, X
2
, . . . , X
n
}.
Soal 10
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi U(, ) dengan
= (0, ). Tentukan estimator momen untuk .
Pembahasan
Karena momen pertama dari X yaitu E(X) = 0 maka digunakan momen
27
kedua dari X yaitu E[X
2
] =
2
/3. Akibatnya estimator momen untuk
merupakan penyelesaian dari

2
3
=

n
i=1
x
2
i
n
yaitu

=

3

X.
Soal 11
Diketahui X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi N(, ) dengan
= (0, ). Tentukan MLE untuk .
Pembahasan
Karena X berdistribusi N(, ) maka fungsi kepadatan probabilitasnya adalah
f(x; ) =
1

2
exp
_

(x )
2
2
_
sehingga fungsi likelihoodnya adalah
L(|x
1
, x
2
, . . . , x
n
) =
n

i=1
f(x
i
; )
=
n

i=1
1

2
exp
_

(x
i
)
2
2
_
=
_
1

2
_
n/2
exp
_

n
i=1
(x
i
)
2
2
_
.
Akibatnya logaritma natural dari fungsi likelihoodnya adalah
l() = ln L(|x
1
, x
2
, . . . , x
n
) =
n
2
ln(2)

n
i=1
(x
i
)
2
2
=
n
2
ln(2)

n
i=1
x
2
i
2
+
n

i=1
x
2
i

n
2
.
MLE untuk diperoleh dengan menyelesaikan persamaan berikut :
l

=
n
2
+

n
i=1
x
2
i
2
2

n
2
= 0
atau
n
2
+n
n

i=1
x
2
i
= 0.
28
Persamaan tersebut merupakan persamaan kuadrat dalam dan dengan
menggunakan rumus ABC diperoleh akar-akarnya yaitu
=
n +
_
n
2
+ 4n

i=1
x
2
i
2n
dan
=
n
_
n
2
+ 4n

i=1
x
2
i
2n
.
Karena parameter juga merupakan variansi dari X
i
maka haruslah positif
sehingga yang memenuhi adalah
=
n +
_
n
2
+ 4n

i=1
x
2
i
2n
atau
=
1 +
_
1 +
4
n

i=1
x
2
i
2n
atau

=
1
2
_
1 +
4
n

i=1
x
2
i
_
.
Soal 12
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi U( a, +b) den-
gan = R. Tentukan estimator momen untuk dan variansinya.
Pembahasan
Karena X
1
U( a, +b) maka E[X
1
] = +
ba
2
dan Var(X) =
(ba)
2
12
. Es-
timator momen untuk merupakan penyelesaian dari persamaan E[X
1
] =

X
yaitu
+
b a
2
=

X
sehingga estimator momen untuk adalah

=

X +
b a
2
.
Variansi untuk estimator momen tersebut adalah
V (

) = V (

X +
b a
2
) = V (

X) =
V (X
1
)
n
=
(b a)
2
12n
.
29
Soal 13
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Gamma(, ). Ten-
tukan estimator momen untuk dan .
Pembahasan
Karena X
1
berdistribusi Gamma(, ) maka E[X
1
] = dan V (X
1
) =
2
sehingga estimator momen tersebut merupakan penyelesaian dari sistem per-
samaan
E[X
1
] =

X
E[X
2
1
] =

X
2
=
1
n
n

i=1
X
2
i
yaitu
=

X

2
+ ()
2
=

X
2
.
Diperoleh

2
+ ()
2
=

X
2
(

X)
2
=

X
2
(

X)
2
= S
2

X = S
2
.
Akibatnya estimator momen untuk adalah

= S
2
/

X dengan
S
2
=
1
n
n

i=1
(X
i


X)
2
dan estimator momen untuk adalah = (

X)
2
/S
2
.
Soal 14
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Beta(, ). Ten-
tukan estimator momen untuk dan .
Pembahasan
30
Karena X
1
berdistribusi Beta(, ) maka E[X
1
] =

+
dan
V (X
1
) =

( +)
2
( + + 1)
sehingga
E(X
2
1
) = V (X
1
) + (E(X
1
))
2
=

( +)
2
( + + 1)
+

2
( +)
2
=

+
_

( +)( + + 1)
+

+
_
Estimator momen tersebut merupakan penyelesaian dari sistem persamaan
E(X
1
) =

X
E(X
2
1
) =

X
2
=
1
n
n

i=1
X
2
i
yaitu

+
=

X

+
_

( +)( + + 1)
+

+
_
=

X
2
.
Diperoleh

X +

X = atau (1

X) =

X atau =

X/(1

X).
Akibatnya

X
2
=

X
_

_


X
1

X
+
__


X
1

X
+ + 1
_ +

X
_
=

X
_

_

X
1

X
+ 1
__


X
1

X
+ + 1
_ +

X
_
=

X
_
1
_

X+1

X
1

X
__


X
1

X
+
1

X
1

X
+ 1
_
_
+ (

X)
2
.
31
Diperoleh

X
2


X
2
=

X
_
1

X
_

1

X
+
1

X
1

X
_
_
S
2
=

X
_
(1

X)
2
( + 1

X)
_
+ 1

X =

X
_
(1

X)
2
S
2
_
.
Hal itu berarti estimator momen untuk adalah

=

X
_
(1

X)
2
S
2
_
1 +

X
sehingga estimator momen untuk adalah =


X
1

X
.
Soal 15
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Binom(4, ) dengan
(0, 1). Tentukan estimator Bayes untuk bila priornya adalah
() =
1
B(6, 7)

5
(1 )
6
.
Pembahasan
Fungsi probabilitas dari X adalah
f(x; ) =
1
B(6, 7)

x
(1 )
4x
untuk x = 0, 12, 3, 4, 5. Misalkan prior untuk adalah
() =
1
B(6, 7)

5
(1 )
6
untuk 0 < < 1. Distribusi posterior dari bila diberikan X yaitu (|x)
adalah
(|x) = f(x|)()
32
sebanding dengan

x
(1 )
4x

5
(1 )
6
=
x+5
(1 )
10x
=
x+61
(1 )
11x1
Dengan melihat bentuk tersebut maka distribusi posterior dari diberikan
X yaitu (|x) adalah distribusi Beta(6 +x, 11 x) sehingga penaksir Bayes
untuk merupakan mean dari distribusi posterir yaitu

= E[|x] =
x + 6
x + 6 + 11 x
=
x + 6
17
.
Soal 16
Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Binom(4, ) dengan
(0, 1). Tentukan estimator Bayes untuk bila priornya adalah () = 1
untuk 0 < < 1.
Pembahasan
Fungsi probabilitas dari X adalah
f(x|) =
_
4
x
_

x
(1 )
4x
untuk x = 0, 1, 2, 3, 4. Distribusi posterior dari bila diberikan X yaitu
(|x) adalah
(|x) = f(x|)()
sebanding dengan

x
(1 )
4x
(1) =
x+11
(1 )
5x1
Dengan melihat bentuk tersebut maka distribusi posterior dari bila diberikan
X yaitu (|x) adalah distribusi Beta(1 +x, 5 x) sehingga penaksir Bayes
untuk merupakan mean dari distribusi posterior yaitu

= E[|x] =
x + 1
x + 1 + 5 x
=
x + 1
6
.
33
Soal 17
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas
f(x; ) = x
1
dengan > 0. Bila distribusi prior dari adalah
() =
1
(r)
r

r1
e
/
untuk > 0. Tentukan estimator Bayes untuk parameter .
Pembahasan
Distribusi posterior dari bila diberikan sampel random X
1
, X
2
, . . . , X
n
adalah
(|x
1
, x
2
, . . . , x
n
) = f(x
1
|)f(x
2
|) . . . f(x
n
|)()
atau sebanding dengan

n
_
n

i=1
x
i
_

_
n

i=1
x
i
_
1
e
r1
e
/
=
n+r1
e
[(1/)ln
Q
n
i=1
x
i
]
=
n+r1
e
[(1/)
P
n
i=1
lnx
i
]
Berarti distribusi posteriornya Gamma
_
n+r,

1
P
n
i=1
ln x
i
_
. Akibatnya mean
dari distribusi posterior yaitu

=
(n +r)
1

n
i=1
ln x
i
merupakan penaksir Bayes untuk .
Soal 18
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas
f(x
i
; ) =
1

2
e

1
2
(x
i
)
2
34
dengan > 0. Bila distribusi prior dari adalah
() =
1

2
e

2
/2
untuk > 0. Tentukan estimator Bayes untuk parameter .
Pembahasan
Distribusi posterior dari bila diberikan sampel random X
1
, X
2
, . . . , X
n
adalah
(|x
1
, x
2
, . . . , x
n
) = f(x
1
|)f(x
2
|) . . . f(x
n
|)()
atau sebanding dengan
exp
_

1
2
_
2
n

i=1
x
i
+ (n + 1)
2
_
_
= exp
_

1
2
(n + 1)
_

2
n + 1
n

i=1
x
i
_
_
atau sebanding dengan
exp
_

1
2
(n + 1)
_

2
n + 1
n

i=1
x
i
_
2
_
.
Hal itu berarti distribusi posteriornya merupakan distribusi N
_
P
n
i=1
x
i
n+1
,
1
n+1
_
.
Akibatnya mean dari distribusi posterior yaitu
P
n
i=1
x
i
n+1
merupakan penaksir
Bayes untuk .
Soal 19
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan fungsi kepa-
datan probabilitas
f(x
i
; ) =
1

2
e

1
2
(x
i
)
2
dengan > 0. Bila distribusi prior dari adalah
() =
1

2
e

1
2
(
0
)
2
Tentukan estimator Bayes untuk parameter .
35
Pembahasan
Distribusi posterior dari bila diberikan sampel random X
1
, X
2
, . . . , X
n
adalah
(|x
1
, x
2
, . . . , x
n
) = f(x
1
|)f(x
2
|) . . . f(x
n
|)()
atau sebanding dengan
exp
_

1
2
_
2
n

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

_
_
atau sebanding dengan
exp
_

1
2
(n + 1)
_

2
n + 1
_

0
+
n

i=1
x
i
_
__
Berarti distribusi posteriornya merupakan distribusi N
_

0
+
P
n
i=1
x
i
n+1
,
1
n+1
_
. Ak-
ibatnya mean dari distribusi posterior yaitu

0
+
P
n
i=1
x
i
n+1
merupakan estimator
Bayes untuk .
36
Chapter 4
Latihan Soal Estimasi Titik
1. Jika X
1
, X
2
, X
3
, . . . , X
n
sampel random dari distribusi U(0, ) dengan
= (0, ). Tentukan estimator tak bias untuk mean dan variansi
dari X yang hanya tergantung pada statistik cukup dari parameter .
2. Diketahui X
1
, X
2
, . . . , X
n
sampel random saling bebas dari distribusi
U(
1
,
2
) dengan
1
<
2
. Tentukan estimator tak bias untuk mean
yaitu (
1
+
2
)/2 dan range yaitu
2

1
yang hanya tergantung pada
statistik cukup untuk (
1
,
2
).
3. Diketahui X
1
, X
2
, . . . , X
n
sampel random saling bebas dari distribusi
dobel eksponensial yaitu dengan fungsi kepadatan probabilitas
f(x; ) =
1
2
e
|x|
dengan = R. Tunjukkan
1
2
(X
(1)
+ X
(n)
) bahwa merupakan
estimator tak bias untuk .
4. Jika X
1
, X
2
, . . . , X
n
sampel random dari distribusi yang mempunyai
fungsi kepadatan probabilitas :
f(x; ) =
1

untuk x > 0 dengan = (0, ) maka tentukan estimator UMVU


untuk parameter .
5. Jika X
1
, X
2
, . . . , X
n
sampel random dari distribusi yang mempunyai
fungsi kepadatan probabilitas :
f(x; ) =
1

37
untuk x > 0 dengan = (0, ) maka tentukan estimator MLE
untuk parameter .
6. Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dan berdis-
tribusi identik mempunyai fungsi kepadatan probabilitas :
f(x; ) =

untuk x > 0, > 0 dan > 0 dengan diketahui. Tentukan MLE


untuk .
7. Diketahui X
1
dan X
2
variabel random saling bebas dan mempunyai
fungsi kepadatan probabilitas
f(x; ) =
2

( x)
untuk 0 < x < dan = (0, ). Tentukan estimator momen
untuk parameter .
8. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi Cauchy den-
gan = 1 dan tidak diketahui. Misalkan diinginkan untuk menges-
timasi , manakah salah satu dari estimator untuk yang anda pilih
yaitu X
1
ataukah

X ? Jelaskan jawaban anda !
9. Misalkan X
1
, X
2
, . . . , X
n
menotasikan sampel random dari suatu dis-
tribusi yaitu N(, 1). Tentukan estimator terbaik untuk
2
.
10. Diketahui adalah sampel random dari suatu distribusi N(0, ). Statis-
tik Y =

n
i=1
X
2
i
merupakan statistik cukup untuk . Tentukan esti-
mator terbaik untuk
2
.
11. Misalkan X pengamatan tunggal dari distribusi Bernoulli
f(x; ) =
x
(1 )
1x
I
{0,1}
(x)
dengan 0 < < 1. Misalkan T
1
(X) = X dan T
2
(X0 =
1
2
.
(a) Apakah T
1
(x) dan T
2
(x) tak bias ?
(b) Bandingkan MSE (mean squared error) dari T
1
(x) dengan T
2
(X).
12. Misalkan X adalah pengamatan tunggal dari N(0, ) dengan =
2
.
(a) Apakah X statistik cukup untuk ?
38
(b) Apakah |X| statistik cukup untuk ?
(c) Apakah X
2
estimator tak bias dari ?
(d) Apakah MLE untuk

?
13. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; ) = x
2
I
[,)
(x)
dengan > 0.
(a) Tentukan estimator MLE untuk .
(b) Apakah min{X
1
, X
2
, . . . , X
n
} statistik cukup untuk ?
14. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; ) = x
1
I
(0,1)
(x)
dengan > 0.
(a) Tentukan estimator MLE untuk = /(1 +).
(b) Tentukan estimator UMVU untuk 1/ dan ?
15. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; ) = 2x/
2
I
(0,)
(x)
dengan > 0.
(a) Tentukan estimator MLE untuk .
(b) Apakah max{X
1
, X
2
, . . . , X
n
} statistik cukup untuk ? Apakah
max{X
1
, X
2
, . . . , X
n
} lengkap ?
(c) Adakah estimator UMVU untuk ? Jika ada, tentukan estimator
itu.
16. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; ) = (1 +x)
(1+)
I
(0,)
(x)
dengan > 0.
39
(a) Estimasi dengan metode momen dengan menganggap > 1.
(b) Tentukan estimator MLE untuk 1/.
(c) Apakah statistik cukup dan lengkap untuk jika ada ?
(d) Tentukan batas bawah Cramer-rao untuk estimator tak bias untuk
1/.
(e) Tentukan estimator UMVU untuk 1/ jika ada.
(f) Tentukan estimator UMVU untuk jika ada.
17. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari fungsi kepadatan prob-
abilitas
f(x; ) = e
(x)
exp[e
(x)
]
dengan < < .
(a) Tentukan metode momen dari .
(b) Tentukan MLE dari .
(c) Tentukan statistik cukup yang lengkap untuk .
(d) Tentukan batas bawah Cramer-Rao untuk estimator tak bias dari
.
(e) Adakah suatu fungsi dari estimator tak bias untuk yang vari-
ansinya bersesuaian dengan batas bawah Cramer-Rao ? Jika ada
tentukan.
18. Jika X pengamatan tunggal dengan fungsi kepadatan probabilitas
f(x; ) = 2x/
2
I
(0,)
(x)
dengan > 0. Anggap bahwa mempunyai distribusi prior seragam
atas interval (0,1). Dengan loss function
2
(1)
2
, tentukan estimator
Bayes untuk .
19. Diketahui X
1
, X
2
, . . . , X
n
sampel random dari distribusi dengan fungsi
kepadatan probabilitas
f(x; ) = x
1
I
(0,1)
(x)
dengan > 0. Anggap bahwa distribusi prior dari adalah Gamma(r, )
dengan r dan diketahui. Apa distribusi posterior dari ? Tentukan
estimator Bayes dari dengan prior yang diberikan dengan menggu-
nakan fungsi kerugian kuadrat.
40
Chapter 5
Pembahasan : Uji Hipotesis
Soal 1
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas. Konstruksikan uji
MP untuk menguji bahwa distribusi bersama dari X adalah N(0, 9) melawan
alternatif N(1, 9) dengan tingkat keberartian = 0, 05. Tentukan juga kuasa
dari uji tersebut.
Pembahasan
Untuk menguji hipotesis H : = 0 melawan alternatif A : = 1 pada
tingkat = 0, 05 digunakan uji MP berikut :
(x) =
_
1 jika

X > c
0
0 untuk yang lain
dengan c
0
ditentukan oleh E[(x)] = P(

X > c
0
) = 0, 05. Variabel random
X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi N(0, 9) maka

X berdistribusi
N(0, 9/16) sehingga
P(

X > c
0
) = 0, 05
P(

X 0
3/4
>
c
0
0
3/4
) = 0, 05
P(Z >
4c
0
3
) = 0, 05.
41
Berdasarkan tabel distribusi normal baku diperoleh sehingga c
0
= 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 = 1 maka probabilitas menolak hipotesisnya adalah
0,5685.
Soal 2
Panjang hidup X bola lampu 50 watt merek tertentu dianggap mempun-
yai distribusi normal dengan mean tidak diketahui sedangkan simpangan
baku = 150 jam. Variabel random X
1
, X
2
, . . . , X
n
variabel random saling
bebas dan masing-masing berdistribusi X serta dianggap bahwa

X = 1730
jam. Ujilah hipotesis H : = 1800 melawan alternatif A : < 1800 pada
tingkat keberartian = 0, 01.
Pembahasan
Untuk menguji hipotesis H : = 1800 melawan alternatif A : < 1800
pada tingkat keberartian = 0, 01 digunakan uji MP :
(x) =
_
1 jika

X < c
0 jika

X c
dengan c ditentukan sehingga P(

X < c) = 0, 01 dan

X N(1800, 150
2
).
Karena P(

X < c) = 0, 01 maka P(

X1800
150
<
c1800
150
) = 0, 01 atau
P(Z <
c 1800
150
) = 0, 01.
Berdasarkan tabel distribusi normal diperoleh
c1800
150
= 2, 33 atau
c = 1800 + (150)(2, 33) = 1450, 5.
Soal 3
Diketahui X
1
, . . . , X
30
variabel random saling bebas dari distribusi Gamma(, )
dengan = 10 dan tidak diketahui. Konstruksikan uji MP dari hipotesis
42
H : = 2 melawan alternatif A : = 3 pada tingkat keberartian = 0, 05.
Pembahasan
Untuk mengkonstruksikan uji MP terlebih dahulu dihitung :
R(x;
0
,
1
) =
f(x
1
;
1
) . . . f(x
n
;
1
)
f(x
1
;
0
) . . . f(x
n
;
0
)
=
x
101
1
exp[
x
1

1
]
(10)
10
1
. . .
x
101
n
exp[
xn

1
]
(10)
10
1
x
101
1
exp[
x
1

0
]
(10)
10
0
. . .
x
101
n
exp[
xn

0
]
(10)
10
0
=
_

1
_
10n
exp
_

_
1

0
_
n

i=1
x
i
_
.
Logaritma natural dari R(x;
0
,
1
) adalah
ln R(x;
0
,
1
) = 10nln
_

1
_

_
1

0
_
n

i=1
x
i
dengan
0
<
1
. Karena
0
<
1
maka
1

0
<
1

1
sehingga
1

1
< 0
atau
_
1

0
_
> 0. Oleh karena itu R(x;
0
,
1
) > c ekuivalen dengan
ln R(x;
0
,
1
) > ln c atau
10nln
_

1
_

_
1

0
_
n

i=1
x
i
> ln c

_
1

0
_
n

i=1
x
i
> ln c 10nln
_

1
_
n

i=1
x
i
> c
0
dengan
c
0
=
ln c 10nln
_

1
_

_
1

0
_ .
Hal itu berarti uji MP dinyatakan dengan
(x) =
_
1 jika

n
i=1
x
i
> c
0
0 jika

n
i=1
x
i
c
0
43
dengan c
0
ditentukan sehingga
E[(x)] = P(
n

i=1
x
i
> c
0
) = .
Bila
0
= 2 dan
1
= 3 maka

n
i=1
X
i
Gamma(300, 2) sehingga
P(

n
i=1
X
i
> c) = 0, 05. Akibatnya c
0
= 658, 09. Kuasa ujinya adalah
P(
n

i=1
X
i
> 658, 09) = 1
dengan

n
i=1
X
i
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 hipotesis
komposit :
(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 dengan
5.
(c) Ketika melakukan pelemparan sebuah mata uang logam, misalkan
X varaibel random yang mempunyai nilai 1 jika muka yang tam-
pak dan 0 jika belakang yang tampak. Pernyataannya adalah
mata uangnya bias.
2. Diketahui X variabel random berdistribusi Binom(n, ) dengan
= (0, 1).
(a) Tentukan uji UMP untuk pengujian hipotesis H :
0
melawan
alternatif A : >
0
pada tingkat keberartian .
(b) Bagaimana uji tersebut bila n = 10,
0
= 0, 25 dan = 0, 05 ?
(c) Hitunglah kuasa uji pada
1
= 0, 375, 0, 5, 0, 625 dan 0, 0875.
3. Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas yang mempun-
yai fungsi kepadatan probabilitas f(x; ) =
1

e
x/
untuk x > 0 dengan
. Tentukan uji UMP untuk pengujian hipotesis H :
0
melawan alternatif A : <
0
pada tingkat keberartian .
4. Diketahui variabel random X
1
, X
2
, . . . , X
n
berdistribusi N(0,
2
). Ten-
tukan uji hipotesis H : 2 melawan alternatif A : > 2 pada
45
tingkat keberartian = 0, 05. Apa kesimpulan yang diperoleh jika

n
i=1
x
2
i
= 120.
5. Diketahui varaibel random yang saling bebas dan berdistribusi N(,
2
).
Tentukan uji UMP untuk pengujian hipotesis H : =
0
melawan al-
ternatif A : =
0
pada tingkat keberartian . Tentukan uji tersebut
bila n = 25,
0
= 2, = 0, 05.
6. Jika adalah variabel random saling bebas dan berdistribusi N(,
2
)
maka tentukan uji LR dan uji berdasarkan pada 2 ln untuk pengu-
jian hipotesis H : =
0
, untuk yang pertama jika diketahui dan
untuk yang kedua jika tidak diketahui.
7. Diketahui X
i
, i = 1, 2, 3, 4 dan Y
i
, i = 1, 2, 3, 4 sampel random saling
bebas dan masing-masing dari distribusi N(
1
,
2
1
) dan N(
2
,
2
2
). Jika
diketahui bahwa
1
= 4 dan
2
= 3 dan data observasi dari X dan Y
adalah sebagai berikut :
x
1
= 10, 1, x
2
= 8, 4, x
3
= 14, 3, x
4
= 11, 7,
y
1
= 9, y
2
= 8, 2, y
3
= 12, 1, y
4
= 10, 3
Uji hipotesis bahwa perbedaan dua mean tidak lebih dari 1 pada tingkat
keberartian = 0, 05.
8. Misalkan X
1
, X
2
, X
3
variabel random saling bebas dan berdistribusi
Binom(1, ).
(a) Uji hipotesis pada tingkat keberartian dengan mengunakan statis-
tik LR dan tentukan distribusinya.
(b) Bandingkan uji LR dengan uji UMPU untuk pengujian H melawan
A : p = 0, 25.
46
Chapter 7
Pembahasan : Estimasi Interval
Soal 1
Misalkan fungsi distribusi N(0, 1) dan a, b dengan a < b sehingga
(b) (a) =
dengan 0 < < 1. Tunjukkan bahwa b a minimum jika b = c dan a = c
dengan c > 0.
Pembahasan
Misalkan (b) (a) = maka dengan mendefrensialkan kedua ruas ter-
hadap a diperoleh
(b)
db
da
(a) = 0
dengan adalah fungsi kepadatan probabilitas normal baku. Akibatnya
diperoleh
db
da
= (a)/(b) = 0
Misalkan L = b a yaitu panjang interval kepercayaan. Panjang interval
L akan mencapai minimum bila dL/da = 0 yaitu db/da 1 = 0 sehingga
db/da = 1. Akibatnya (a)/(b) = 1 atau (a) = (b). Hal itu berarti
bahwa a = b atau a = b. Karena b > a maka dipilih b = c dengan c > 0
sehingga a = c.
Soal 2
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas berdistribusi N(,
2
)
dengan diketahui. Tentukan interval kepercayaan untuk dengan koesien
47
kepercayaan 1 .
Pembahasan
Misalkan R = X
(n)
X
(1)
dan didenisikan
W = Z
(n)
Z
(1)
dengan Z
(n)
=
X
(n)

dan Z
(1)
=
X
(1)

. Karena W berdistribusi studentized


range maka a dan b ditentukan sehingga
P(a
R

b) = 1
atau P(
a
R

1


b
R
) = 1 atau P(
R
b

R
a
) = 1 . Hal itu berarti
bahwa interval kepercayaan untuk adalah
_
R/b, R/a

.
Soal 3
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dan mempunyai fungsi
kepadatan probabilitas
f(x; ) =
1

e
x/
untuk x > 0. Tentukan interval kepercayaan untuk dengan koesien keper-
cayaan 1 .
Pembahasan
Karena
2X
i

berdistribusi
2
2
maka
2
P
n
i=1
X
i

berdistribusi
2
2
sehingga untuk
menentukan interval kepercayaan untuk dilakukan dengan menentukan a
dan b sehingga
P(a
2
2n
b) = 1
P(a
2

n
i=1
X
i

b) = 1
P(
1
a

n
i=1
X
i

1
b
) = 1 .
Dalam hal ini a dan b ditentukan sehingga a
2
g
2n
(a) = b
2
g
2n
(b) dan
_
b
a
g
2n
(t)dt = 1
48
dengan g
2n
(t) adalah fungsi kepadatan probabilitas dari distribusi
2
2n
.
Soal 4
Diketahui variabel random X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi ser-
agam pada (0, ). Gunakan range R = X
(n)
X
(1)
untuk menentukan interval
kepercayaan untuk .
Pembahasan
Karena berdistribusi seragam pada (0, ) maka berdistribusi seragam pada
(0, 1) sehingga Y = (X
(n)
X
(1)
)/ akan mempunyai fungsi kepadatan prob-
abilitas
f(y) =
_
n(n 1)y
n2
(1 y) untuk 0 < y < 1
0 untuk yang lain
Interval kepercayaan untuk ditentukan dengan menentukan a dan b se-
hingga
P(a
X
(n)
X
(1)

b) = 1
dengan Y = (X
(n)
X
(1)
)/ mempunyai fungsi kepadatan probabilitas seperti
tersebut di atas. Akibatnya
P(
a
b

X
(n)
X
(1)


1
b
) = 1
P(
X
(n)
X
(1)
b

X
(n)
X
(1)
a
) = 1
P(
R
b

R
a
) = 1 .
Soal 5
Diketahui variabel random X
1
, X
2
, . . . , X
n
saling bebas dan berdistribusi
dengan fungsi kepadatan f(x; ) = e
x
untuk x > , = R dan
misalkan Y = X
(1)
. Tunjukkan bahwa
1. Fungsi kepadatan probabilitas g dari Y diberikan sebagai
g(y) = nexp[n(y )]
untuk y > .
49
2. Variabel random T
n
() = 2n(Y ) berdistribusi
2
2
.
3. Interval kepercayaan untuk berdasarkan pada T
n
() dengan koesien
kepercayaan 1 berbentuk [Y
b
2n
, Y
b
2n
].
4. Interval kepercayaan terpendek seperti bentuk di atas diberikan oleh
[Y

2
2;
2n
, Y ] dengan
2
2;
adalah kuantil atas dari distribusi
2
2
. Bagaimana
dengan interval kepercayaan terpendek dari harapan panjangnya.
Pembahasan
1. Fungsi distribusi dari X
1
adalah
F(x; ) =
_
x

f(t)dt
=
_
x

e
(t)
dt
=
_
x
0
e
u
du
=
_
e
u

x
0
= 1 e
(x)
dengan u = t . Akibatnya fungsi distribusi dari
Y = X
(1)
= min{X
1
, X
2
, . . . , X
n
}
adalah
F(y) = P(Y y) = P(min{X
1
, X
2
, . . . , X
n
} y)
= 1 P(min{X
1
, X
2
, . . . , X
n
} > y)
= 1 P(X
1
> y, X
2
> y, . . . , X
n
> y)
= 1 [P(X
1
> y)]
n
= 1 (1 P(X
1
y))
n
= 1 (e
(y)
)
n
= 1 e
n(y)
.
Fungsi kepadatan probabilitas dari Y diperoleh dengan menurunkan
F(y) terhadap variabel y yaitu diperoleh g(y) = F

(y) = ne
n(y)
untuk y > .
50
2. Misalkan statistik T = T
n
() = 2n(Y ). Bila t = 2n(y ) maka
y = +
t
2n
sehingga
dy
d
=
1
2n
. Akibatnya fungsi kepadatan probabilitas
dari statistik T adalah h(t) =
1
2
e
t/2
untuk t. Hal itu berarti statistik
T berdistribusi chi-kuadrat dengan derajat bebas 2.
3. Interval kepercayaan untuk ditentukan dengan menentukan a dan b
sehingga
P(a
2
2
b) = 1
P(a 2n(Y ) b) = 1
P(
a
2n
Y
b
2n
) = 1
P(Y +
a
2n
Y +
b
2n
) = 1
P(Y
a
2n
Y
b
2n
) = 1
P(Y
b
2n
Y
a
2n
) = 1 .
Soal 6
Diketahui variabel randomX
1
, X
2
, . . . , X
n
saling bebas dan mempunyai fungsi
kepadatan probabilitas
f(x; =

x
1
exp[
x

]
untuk x > , > 0 dan > 0 dengan = R.
Pembahasan
Karena Y =
2X
r
i

berdistribusi
2
2
maka Y =
2
P
n
i=1
X
r
i

berdistribusi
2
2n
.
Interval kepercayaan untuk dengan menentukan a dan b sehingga
P(a
2Y

b) = 1
P(
1
a


2Y

1
b
) = 1
P(
2Y
b

2Y
a
) = 1
dengan Y =

n
i=1
X
r
i
. Hal itu berarti interval kepercayaan untuk adalah
[
2Y
b
,
2Y
b
] dengan a dan b memenuhi a
2
g
2n
(a) dan
_
b
a
g
2n
(t)dt = 1 . Dalam
51
hal ini g
2n
(t) adalah fungsi kepadatan probabilitas dari variabel random yang
berdistribusi chi-kuadrat dengan derajat bebas 2n.
Soal 7
Diketahui X
1
, . . . , X
m
sampel random dari populasi N(
1
,
2
1
) dan Y
1
, . . . , Y
n
sampel random dari populasi dengan sigma
2
1
, sigma
2
2
diketahui. Tentukan in-
terval kepercayaan untuk
1

2
.
Pembahasan
Misalkan didenisikan statistik
T(
1

2
) =
(

X
m


Y
n
) (
1

2
)
_

2
1
m
+

2
2
n
.
Karena X
1
, X
2
, X
3
, . . . , X
m
sampel random dari populasi N(
1
,
2
1
) maka

X
m
=
1
m

m
i=1
X
i
berdistribusi N(
1
,

2
1
m
) dan karena Y
1
, Y
2
, . . . , Y
n
sampel
random dari populasi maka

Y
n
=
1
n

n
i=1
Y
i
berdistribusi N(
2
,

2
2
n
) sehingga

X
m


Y
n
berdistribusi N(
1

2
,

2
1
m
+

2
2
n
). Akibatnya T berdistribusi N(0, 1).
Interval kepercayaan untuk
1

2
ditentukan dengan cara menentukan a
dan b sehingga P(a T b) = 1 . Akibatnya
P

a
(

X
m


Y
n
) (
1

2
)

2
1
m
+

2
2
n
b

= 1
P

2
1
m
+

2
2
n


X
m


Y
n
(
1

2
) b

2
1
m
+

2
2
n

= 1
P

(

X
m


Y
n
) +a

2
1
m
+

2
2
n
(
1

2
) (

X
m


Y
n
) +b

2
1
m
+

2
2
n

= 1
P


X
m


Y
n
a

2
1
m
+

2
2
n

1

2


X
m


Y
n
b

2
1
m
+

2
2
n

= 1
P


X
m


Y
n
b

2
1
m
+

2
2
n

1

2


X
m


Y
n
a

2
1
m
+

2
2
n

= 1 .
Dalam hal ini a dan b ditentukan sehingga (b) (a) = 1 .
Soal 8
Diketahui X
1
, . . . , X
m
sampel random dari populasi N(
1
,
2
1
) dan Y
1
, . . . , Y
n
sampel random dari populasi dengan
1
,
2
diketahui. Tentukan interval
kepercayaan untuk
2
1
/
2
2
dengan koesien kepercayaan 1 .
52
Pembahasan
Misalkan didenisikan statistik
T(
2
1
/
2
2
) =

2
1

2
1
S
2
n
S
2
m
dengan S
2
m
=
1
m

m
i=1
(X
i

1
)
2
dan S
2
n
=
1
n

n
i=1
(Y
i

2
)
2
. Karena
X
1
, . . . , X
m
sampel random dari populasi N(
1
,
2
1
) maka
mS
2
m

2
1
berdistribusi

2
m
dan karena Y
1
, . . . , Y
n
sampel random dari populasi N(
2
,
2
2
) maka
nS
2
n

2
2
berdistribusi
2
n
T(
2
1
/
2
2
) =

2
1

2
1
S
2
n
S
2
m
=
nS
2
n

2
2
mS
2
m

2
1
berdistribusi F
m,n
. Karena t berdistribusi F
m,n
maka interval kepercayaan
untuk dapat ditentukan dengan menentukan a dan b sehingga
P(a F
m,n
b) = 1
P(a T b) = 1
P(a

2
1

2
1
S
2
n
S
2
m
b) = 1
P(a
S
2
m
S
2
n


2
1

2
1
b
S
2
m
S
2
n
) = 1 .
Hal itu berarti interval kepercayaan untuk
2
1
/
2
2
adalah
_
a
S
2
m
S
2
n


2
1

2
1
b
S
2
m
S
2
n
_
.
Soal 9
Diketahui X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan mean tidak
diketahui dan variansinya
2
berhingga dan diketahui serta ukuran sampel
n besar.
1. Gunakan teorema limit sentral untuk mengkonstruksikan interval keper-
cayaan dengan koesien kepercayaan mendekati 1 .
2. Tentukan interval kepercayaan mendekati 0, 95 jika ukuran sampel n =
100 dan variansi 1.
3. Tentukan n sehingga panjang interval 0, 1 dengan = 1 dan = 0, 05.
53
Pembahasan
1. Karena X
1
, X
2
, . . . , X
n
variabel random saling bebas dengan mean
tidak diketahui dan variansinya
2
berhingga dan diketahui serta uku-
ran sampel n besar maka dengan menggunakan teorema limit sentral
diperoleh

X
/

n
N(0, 1)
untuk n . Interval kepercayaan untuk ditentukan dengan
menentukan a dan b sehingga P(a N(0, 1) b) = 1 . Akibatnya
P(a

X
/

n
b) = 1
P(a

n


X b

n
) = 1
P(

X +a

X +b

n
) = 1
P(

X a

n


X b

n
) = 1
P(

X b

n


X a

n
) = 1
Interval kepercayaan untuk adalah
_

X b

n
,

X a

n
_
sedangkan in-
terval kepercayaan terpendek untuk adalah
_

X Z
/2

n
,

X +Z
/2

n
_
dengan Z
/2
adalah kuantil 1 /2 untuk distribusi N(0, 1).
2. Jika n = 100, = 1, = 0, 05 maka interval kepercayaan untuk
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 +Z
/2

n

_

X Z
/2

n
_
0, 1 = 2(1, 96)
1

n = 2(1, 96) = 39, 2


n 1600.
54
Soal 10
Diketahui X
1
, X
2
, . . . , X
m
variabel random saling bebas dan mempunyai fungsi
kepadatan probabilitas
f(x; ) =
1

1
e

1
untuk x > 0 dan Y
1
, Y
2
, . . . , Y
n
variabel random saling bebas dan mempun-
yai fungsi kepadatan probabilitas f(y; ) =
1

2
e

2
untuk y > 0. Tentukan
interval kepercayaan untuk
1
/
2
dengan koesien kepercayaan 1 .
Pembahasan
Karena X
1
, X
2
, . . . , X
m
variabel random saling bebas dan mempunyai fungsi
kepadatan probabilitas f(x; ) =
1

1
e

1
untuk x > 0 maka berdistribusi
Gamma(1,
1
) sehingga
2
P
m
i=1
X
i

1
berdistribusi
2
2m
dan karena Y
1
, Y
2
, . . . , Y
n
variabel random saling bebas dan mempunyai fungsi kepadatan probabilitas
f(y; ) =
1

2
e

2
untuk y > 0 maka berdistribusi Gamma(1,
2
) sehingga
2

n
i=1
Y
i

1
berdistribusi
2
2n
. Dibentuk statistik
T(
1
/
2
) =
2
P
n
i=1
Y
i
n
2
2
P
m
i=1
X
i
m
1
.
Dalam hal ini T(
1
/
2
) berdistribusi F dengan derajat pembilang n dan
derajat bebas penyebut m. Untuk menentukan interval kepercayaan untuk
dilakukan dengan menentukan a dan b sehingga P(a F
2n,2m
b) = 1 .
Akibatnya
P
_
a
2
P
n
i=1
Y
i
n
2
2
P
m
i=1
X
i
m
1
b
_
= 1
P(a

X

1

2
b

Y ) = 1 .
Hal itu berarti interval kepercayaan untuk
1
/
2
adalah [a

X, b

Y ].
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 interval
kepercayaan 95% untuk mean populasi.
2. Dimiliki sampel random ukuran 25 diambil dari distribusi N(0,
2
).
Konstruksikan interval kepercayaan untuk
2
dengan koesien keper-
cayaan 90%.
3. Dimiliki sampel 0,3915, 0,1034, 0,6858, 0,7626, 0,0041, yang diambil
dari distribusi eksponensial dengan mean
1
dan sampel 0,7731, 0,5909,
0,3267, 0,1477, 0,0322 yang diambil dari distribusi eksponensial den-
gan mean
2
. Konstruksikan interval kepercayaan untuk
1
/
2
dengan
koesien kepercayaan mendekati 90%.
4. Misalkan X
1
, . . . , X
n
variabel random yang mempunyai distribusi ek-
sponensial negatif dengan parameter = (0, ) dan anggap bahwa
n besar. Gunakan teorema limit sentral untuk mengkonstruksikan in-
terval kepercayaan untuk dengan koesien kepercayaan mendekati
1 .
5. Diketahui X
1
, X
2
, . . . , X
m
sampel random dari populasi N(
1
,
2
1
) dan
Y
1
, . . . , Y
n
sampel random dari populasi dengan
1
,
2
tidak diketahui.
Tentukan interval kepercayaan untuk
2
1
/
2
2
dengan koesien keper-
cayaan 1 .
56
Bibliography
[1] Bain, L. J. and Engelhardt, M., (1992), Introduction to probability and
mathematical statistics, Duxbury, Pasic Grove.
[2] Lindgren, B. W., (1993), Statistical Theory 4
th
edition, Chapman & Hall
Inc, New York.
[3] Oosterho, J., (1993), Algemene Statistiek, Faculteit Wiskunde en In-
formatica, Vrije Universiteit Amsterdam, Amsterdam.
[4] Roussas, G. G., (1973), A rst Course in Mathematical Statistics,
Addison-Wesley Publishing Company, Reading Massachusetts.
57

You might also like